مقاله شناسایی خطاهای موجود در شبکه توزیع با بکارگیری تبدیل هیلبرت-هانگ و ماشین بردار پشتیبان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله شناسایی خطاهای موجود در شبکه توزیع با بکارگیری تبدیل هیلبرت-هانگ و ماشین بردار پشتیبان دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله شناسایی خطاهای موجود در شبکه توزیع با بکارگیری تبدیل هیلبرت-هانگ و ماشین بردار پشتیبان  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله شناسایی خطاهای موجود در شبکه توزیع با بکارگیری تبدیل هیلبرت-هانگ و ماشین بردار پشتیبان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله شناسایی خطاهای موجود در شبکه توزیع با بکارگیری تبدیل هیلبرت-هانگ و ماشین بردار پشتیبان :

تعداد صفحات:۱۰
چکیده:
در سال های اخیر با گسترش روزافزون استفاده از تجهیزات حساس به ولتاژ و ادوات الکترونیک قدرت بحث کیفیت توان در سیستم های قدرت اهمیت فراوانی پیدا کرده است. از مهمترین مشکلات موجود در کیفیت توان می توان به کمبود ولتاژ اشاره نمود. کاهش دامنه ولتاژ به میزان ۰/۱ الی ۰/۹ پریونیت در فرکانس نامی را کمبود ولتاژ می گویند. این مقاله یک روش جدید را برای تشخیص و دسته بندی انواع خطاهای موجود در شبکه توزیع که باعث ایجاد کمبود ولتاژ می گردند ارائه می نماید. عامل اصلی ایجاد کننده کمبود ولتاژ در سیستم قدرت خطا می باشد. جهت تشخیص نوع خطای ایجاد شده شناسایی و جدا نمودن مولفه های تک فرکانسی از شکل موج اصلی می تواند روش مناسبی باشد. برای این منظور ابتدا توسط روش تجزیه حالت تجربی(EMD) مولفه های تک فرکانسی از شکل موج کمبود ولتاژ جدا می گردند که به آن ها توابع حالت ذاتی (IMF) گفته می شود، سپس با اعمال تبدیل هیلبرت بر روی هریک از توابع حالت ذاتی مشخصه های مورد نیاز از شکل موج استخراج شده و در نهایت با ورود آن ها به ماشین بردار پشتیبان (SVM) نوع خطا تشخیص داده شده و دسته بندی می گردد. با آزمایش روش پیشنهادی نشان داده خواهد شد که استفاده از تبدیل هیلبرت و ماشین بردار پشتیبان بازده بالاتری نسبت به سایر تبدیلات و شبکه های عصبی در تشخیص نوع خطا خواهد داشت