دانش رسان |
مرکز علم و دانش کشور مقاله طرحی جدید برای طبقه بندی خودکار اغتشاشات کیفیت توان بر اساس ابزار پردازش سیگنال و یادگیری ماشین
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله طرحی جدید برای طبقه بندی خودکار اغتشاشات کیفیت توان بر اساس ابزار پردازش سیگنال و یادگیری ماشین دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله طرحی جدید برای طبقه بندی خودکار اغتشاشات کیفیت توان بر اساس ابزار پردازش سیگنال و یادگیری ماشین 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 طرحی جدید برای طبقه بندی خودکار اغتشاشات کیفیت توان بر اساس ابزار پردازش سیگنال و یادگیری ماشین،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله طرحی جدید برای طبقه بندی خودکار اغتشاشات کیفیت توان بر اساس ابزار پردازش سیگنال و یادگیری ماشین :
۱ مقدمه
در حال حاضر، مسأله حفظ کیفیت توان در سطح استاندارد به عنوان یکی از ویژگیهای ضروری برای یک سیستم الکتریکی موفق به رسمیت شناخته شده است. موضوع کیفیت توان به یکی از موارد جدی و اساسی در سیستمهای قدرت تبدیل شده که علت آن را میتوان در سه عامل جستجو کرد: (۱ تجهیزات الکتریکی حساس به کیفیت توان افزایش یافتهاند، (۲ تجهیزات ایجاد اغتشاش کیفیت توان، کاربرد بیشتری پیدا کردهاند و (۳ افزایش بهره و بازده در شبکههای قدرت اهمیت بسیاری یافته است .[۱] در یک سیستم قدرت ابتدا باید وضعیت شبکه از نظر کیفیت توان مورد بررسی قرار گیرد و سپس در صورت نیاز اقدام مناسب جهت بهبود وضعیت کیفیت توان انجام پذیرد.
برای بهبود کیفیت توان الکتریکی، منابع تولید اغتشاش در سیستم قدرت باید شناسایی و کنترل شوند. این امر میتواند با تشخیص و طبقهبندی انواع اغتشاشات صورت پذیرد. عملکرد یک سیستم تشخیص، به آشکارسازی و طبقهبندی سیگنال دریافتی آن وابسته است به گونهای که در صورت عدم تشخیص مناسب سیگنال، سایر عملیات کنترلی بعدی
این مقاله در تاریخ ۱۱ شهریور ماه ۱۳۹۱ دریافت و در تاریخ ۳۰ خرداد ماه ۱۳۹۲ بازنگری شد.
مهدی حاجیان، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان،
.(email: mehdi.hajian.sem@gmail.com)
اصغر اکبری فرود، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان،
.(email: aakbari@semnan.ac.ir)
برای بهبود کیفیت توان سیستم قدرت، کارایی مطلوب نخواهند داشت. برای دسترسی به این توانایی، ابزاری که بتواند این وظایف را انجام دهد مورد نیاز است. این ابزار باید قادر به تحلیل انواع اغتشاشات کیفیت توان به طور همزمان در حوزه زمان و حوزه فرکانس باشد. هنوز مسأله طبقهبندی خودکار اغتشاشات کیفیت توان به دلیل آن که شامل طیف گستردهای از دستههای اغتشاش و درجههای مختلفی از بینظمی میباشد، با مشکل همراه است [۱] و .[۲] مسایل طبقهبندی از جمله مهمترین مسایل حیطه تشخیص الگو میباشد که کاربردهای فراوانی در زمینههای مختلف دارد. برای چنین کاربردهای گسترده و مهمی، ابزاری نیاز است که بتواند با دقت، کارایی و قابلیت اطمینان بالا وظایف مورد نظر را انجام دهد. از جمله مؤثرترین ابزارهای طبقهبندی و پیشبینی، سیستمهای مبتنی بر یادگیری ماشین هستند.
در مقالات گذشته تلاشهایی برای طرح یک سیستم خودکار تشخیص کیفیت توان به عمل آمده است [۳] تا .[۵] استخراج ویژگی معمولاً به روشهای گوناگونی مانند تحلیل حوزه زمان، تحلیل حوزه فرکانس و یا تحلیل دینامیکهای غیر خطی انجام میگیرد که در این میان ضرایب تبدیل فوریه و بالاخص ضرایب تبدیل موجک، ابزارهای مناسبی برای استخراج ویژگی محسوب میشوند. اخیًرا روش جدید و مؤثر تبدیل S نیز به این مجموعه افزوده شده است. در [۵] تا [۸] استخراج ویژگی با استفاده از تبدیل S و در [۹] و [۱۰] با استفاده از تبدیل موجک گسسته (DWT)1 صورت گرفته و این ویژگیها برای آموزش طبقهبندی کننده ماشین بردار پشتیبان چندکلاسه (MSVM)2 مورد استفاده قرار گرفته است. در [۱۱] چندین روش برای انتخاب ویژگیهای مناسب و حذف ویژگیهای غیر مفید، برای مسئله تشخیص سیگنالهای کیفیت توان ارائه شده است.
اغتشاشهای کیفیت توان طیف فرکانسی وسیعی دارند. برای پردازش شکل موج اغتشاشهای کیفیت توان فرکانس پایین مانند نوسان ولتاژ، معمولاً از تبدیل فوریه گسسته استفاده میشود اما برای پردازش اغتشاشهای کیفیت توان فرکانس بالا نظیر حالتهای گذرا بهتر است ضرایب موجک به کار رود. از این رو برخی مقالات، این دو روش را در کنار یکدیگر به کار گرفتهاند تا با استخراج ویژگیهای مناسبی از شکل موج اغتشاش، شناسایی و طبقهبندی اغتشاش را سادهتر سازند [۱۲]
تا .[۱۷]
مشکلات روشهای پیشین به این شرح است که تبدیل فوریه گسسته اطلاعات مناسبی را از حوزه زمان استخراج نمیکند. از نتایج مقالات پیشین میتوان استنتاج کرد که با استفاده از تبدیل موجک به تنهایی نمیتوان ویژگیهایی با کیفیت بالا ایجاد نمود. به بیان دیگر استفاده از
۱ Discrete Wavelet Transform 2. Multi Support Vector Machines
۲ نشریه مهندسی برق و مهندسی کامپیوتر ایران، الف- مهندسی برق، سال ۱۲، شماره ۱، بهار ۱۳۹۳
تبدیل فوریه، ST و تبدیل موجک به تنهایی نمیتواند برای استخراج ویژگی مؤثر باشد زیرا هر کدام ضعفهایی دارند. به همین منظور اخیًرا مقالاتی به استفاده از حالت ترکیبی تبدیل موجک و تبدیل فوریه گسسته پرداختهاند [۱۳] تا .[۱۸] استخراج ویژگی با موجک به نویز نیز حساس میباشد مخصوصاً اگر در سطوح جزئیات بالا، ویژگی ها استخراج شوند. طبقهبندی مسایل کیفیت توان با استفاده مستقیم از طبقهبندی کنندههای کلاسیک، به دلیل حجم زیاد دادهها و وجود اثرات نامطلوب همپوشانی دادهها، دقت مطلوبی ندارد. در بسیاری از تحقیقات پیشین، بخش انتخاب ویژگی برای بهبود عمل سیستم تشخیص وجود ندارد [۱۹] و .[۲۰] اصولاً عملکرد ابزارهای تشخیص الگو به چند پارامتر داخلی وابسته است که این پارامترها در بسیاری از مقالات پیشین به وسیله سعی و خطا تنظیم شده است .[۲۱]
در بسیاری از کاربردهای عملی در این حوزه، دقت و بازده روشهای موجود در برابر شرایط مختلف نویزی مناسب نیست و باید بهبود یابد [۲۲]
و .[۲۳] در برخی از مقالات با به کارگیری روشهای نویززدایی و اضافهکردن مرحلهای جدید در ساختار سیستم تشخیص، برای بهبود عملکرد این سیستم تلاش شده است [۲۴] و [۲۵] اما این روشها زیاد مورد استقبال قرار نگرفته (به علت پیچیدگی و بار محاسباتی) و پژوهشها به سوی الگوریتم های جدید و پیشرفته پردازش سیگنال که به طور ذاتی در برابر نویز مقاوم هستند، سوق یافته است .[۷]
الگوریتم ارائهشده در این مقاله شامل سه زیرسامانه استخراج ویژگی، انتخاب ویژگی و طبقهبندی است. در بخش استخراج ویژگی، تبدیل S هذلولی (تعمیمیافته) و تجزیه چندسطحی موجک به کار رفته و ویژگیهای مختلفی مبتنی بر اطلاعات آماری یا مبتنی بر تئوری اطلاعات استخراج شده است. لازم به ذکر است که روش HST دارای دقت محاسباتی بالاتری از روش تبدیل S میباشد. در این مقاله، تعدادی از مهمترین ویژگیهای یک سیگنال الکتریکی مورد بررسی قرار میگیرد. در بخش انتخاب ویژگی مناسب، با استفاده از روش جدید GSFS1، ویژگیها اولویتبندی شده است. در بخش طبقهبندی با استفاده از ابزار شناسایی الگو به دستهبندی اغتشاشات کیفیت توان پرداخته شده است.
در این مقاله ۹ گونه از اغتشاشات که به طور معمول در شبکه قدرت رخ میدهند، در نظر گرفته شده است. ۷ نوع از این اغتشاشها از نوع منفرد و ۲ تا از آنها از نوع ترکیبی هستند. این اغتشاشها عبارتند از: کمبود ولتاژ، بیشبود ولتاژ، قطعی، هارمونیکها، نوسانات گذرا، کمبود ولتاژ با هارمونیک، بیشبود ولتاژ با هارمونیک و فلیکر. نتایج شبیهسازی، توانایی الگوریتم پیشنهادی را در شناسایی اغتشاشهای منفرد و ترکیبی با دقت حدود %۹۹/۵ نشان میدهد و بیانگر آن است که روش پیشنهادی برای شناسایی و دستهبندی اغتشاشات کیفیت توان کاملاً مؤثر بوده و در مقابل نویز مقاوم است. در نهایت، مقایسهای بین آخرین روشهای ارائهشده در این زمینه و روش به کار گرفته شده در این مقاله، صورت گرفته است.
روش پیشنهادی این مقاله در بخش ۲ ارائه میشود. در بخشهای ۳ تا ۵ به ترتیب الگوریتمهای به کار رفته در خصوص استخراج و انتخاب ویژگی و همچنین طبقهبندی آمده است. در بخش ۶ چگونگی تولید دادههای آموزش و تست برای سیستم تشخیص بیان شده و اجرای روش
و نتایج آن در بخش ۷ آورده شده است. در بخش ۸ از نظر دقت درستی تشخیص اغتشاشات کیفیت توان با مقالات دیگر منتشرشده در این زمینه مقایسه صورت گرفته است. بخشهای بعدی هم به نتیجهگیری و منابع
اختصاص دارد.
-۲ روش پیشنهادی
در الگوریتم پیشنهادی، ابتدا ویژگیهای مناسبی از شکل موج اغتشاشهای کیفیت توان استخراج میشود. استخراج این ویژگیها با استفاده از دو تبدیل S هذلولی و موجک گسسته صورت میگیرد. ایده مقاله بر آن استوار است که ترکیب ویژگیهای مهم و مؤثر این دو روش میتواند بردار ویژگی را با قدرت تفکیک بالا ایجاد نماید. به هر حال در نظر گرفتن ویژگیهای زیاد نیاز به حجم حافظه و زمان محاسباتی بیشتری دارد. همچنین به طور یقین تمام ویژگیهای استخراجشده از سیگنالهای اغتشاش، توانایی یکسانی در ایجاد تمایز بین انواع اغتشاشات کیفیت توان را ندارند. بعضی از این ویژگیها نسبت به برخی دیگر از قدرت تمایز بهتری برخوردارند و نقش مؤثرتری دارند. باید به دنبال ویژگیهایی بود که تقریباً در آشکارسازی هر ۹ نوع اغتشاش مؤثر باشند. لذا پس از استخراج ویژگیهای مناسبی از شکل موج ولتاژ سیستم به انتخاب و کاهش این ویژگیها پرداخته میشود. سپس با استفاده از این ویژگیها، سیستم طبقهبندی پیشنهادی در مورد نوع هر یک از اغتشاشها تصمیمگیری میکند و طبقهبندی بر اساس روش مشهور MSVM انجام گرفته است. برای تعیین دقیق پارامترهای طبقهبندیکننده این سیستم از الگوریتم بهینهسازی گروهی ذرات (PSO) استفاده شده است. به منظور ارزیابی الگوریتم پیشنهادشده، شکل موج اغتشاشهای کیفیت توان در ۲ دسته منفرد و ترکیبی به صورت نمونهبرداری شده، فرض شده است.
شکل ۱ بلوک دیاگرام سیستم طبقهبندی اغتشاشات کیفیت توان را در این پژوهش نشان میدهد. همان طوری که در این شکل مشاهده میشود در این روش ابتدا دادههای اطلاعاتی که شامل شکل موجهای اغتشاشی میباشند جمعآوری و سپس بردار ویژگی هر اغتشاش توسط تبدیل S هذلولی و تبدیل موجک با تفکیکپذیری چندگانه سیگنال، استخراج میشود و بعد از آن از طریق روش انتخاب ویژگی پیشنهادی، این بردار بهینه میشود و سپس عملیات شناسایی و طبقهبندی انجام میگیرد و در مورد تعلق سیگنال اغتشاشی به طبقهای خاص تصمیمگیری میشود. این عملیات به طور مشابه برای تمامی اغتشاشات به کار گرفته شده صورت میپذیرد.
-۳ استخراج ویژگی
مرحله استخراج ویژگیها در سیستمهای بازشناسی الگو، یکی از قسمتهای کلیدی و مؤثر در کارایی سیستم میباشد، چرا که دقت سیستم بازشناسی به عملکرد استخراج ویژگیها وابسته است. زیرسامانه استخراج ویژگی وظیفه کشف و استخراج ویژگیهایی را بر عهده دارد که بتوان بر اساس آنها اغتشاشات کیفیت توان را متمایز کرد .[۹] در این مرحله، شاخصهای آماری مهم از ضرایب تبدیل موجک و خروجی تبدیل S هذلولی سیگنال اغتشاش، استخراج و سپس با استفاده از این شاخصها و طبقهبندی کننده، اغتشاشات دستهبندی میشوند. ویژگیهای استخراجشده باید بتوانند میان کلاسها تمایز به وجود آورند [۲] و .[۲۶] هدف از بخش استخراج ویژگی، استخراج ویژگیهای مفید و مؤثر است که بیانکننده خصوصیات اصلی سیگنال در شرایط مختلف نویزی باشند. تجربه نشان داده است که تبدیل موجک به تنهایی در برابر نویز مقاوم نیست [۷] بنابراین در این مقاله از ابزار پیشرفته تبدیل S هذلولی نیز استفاده شده که به طور ذاتی در برابر شرایط نویزی مقاومتر است .[۷] در ادامه،
۱ Gram Schmidt Feature Selection
حاجیان و اکبری فرود: طرحی جدید برای طبقهبندی خودکار اغتشاشات کیفیت توان بر اساس ابزار پردازش سیگنال و یادگیری ماشین ۳
شکل :۱ بلوک دیاگرام سیستم طبقهبندی اغتشاشات کیفیت توان.
الگوریتمهای به کار گرفته شده در استخراج ویژگی تشریح و سپس ویژگیهای استخراجشده ارائه میگردند.
۱-۳ ابزار پردازش سیگنال
۱-۱-۳ تبدیل S
در سال ۱۹۹۶ استاکول و همکاران با مقیاسپذیر کردن پنجره در تبدیل فوریه زمان کوتاه، روش تبدیل فوریه زمان کوتاه را اصلاح و حاصل کار خود را تحت عنوان تبدیل S معرفی کردند که این تبدیل، یک بیان زمان- فرکانسی را از سری زمانی ایجاد میکند و به طور منحصر به فرد یک رزولوشن مبتنی بر فرکانس را تولید میکند که به طور همزمان طیفهای حقیقی و مجازی را محلی میسازد. توابع پایه برای تبدیل S، توابع سینوسی مدولهشده گاوسی هستند و این باعث میشود که بتوان از فرکانسهای سینوسی در اجرای طیف زمان فرکانسی نتیجهشده استفاده نمود. تبدیل S مانند تبدیل فوریه دارای این مزیت است که میتوان سیگنالی را از حوزه زمان به حوزه زمان- فرکانس به سرعت و بدون تلفات انتقال داد و بالعکس. در تبدیل S ضمن تأمین توان تفکیک زمان-فرکانس، رابطه مستقیم با طیف فوریه نیز حفظ میشود که این مهمترین ویژگی تبدیل S است [۶] و .[۱۲]
۱-۱-۱-۳ تبدیل گسسته S
فرض کنید p[kT ] (k 0, 1,…, N 1) بیانگر یک سری زمانی
بر اساس سیگنال ( p (t با بازه زمانی نمونهبرداری T باشد. تبدیل فوریه
گسسته این سیگنال به صورت زیر است
(۱) i2 nk N 1 1 n
N p[ kT ]e ] P[
N
k 0 NT
که n 0,1,…, N 1 و تبدیل فوریه گسسته معکوس نیز به صورت
(۲) است
(۲) i2 nk n N 1
N ]e p[kT ] P[
NT n0
بردار تعریفشده به وسیله سری زمانی p[kT ] به مجموعهای از بردارها
تبدیل میشود که این بردارها متعامد نیستند و عناصر تبدیل S هم
مستقل نیستند. هر بردار پایه (از تبدیل فوریه) به N بردار به وسیله
ضرب المان به المان با پنجره گوسی که N بار شیفت یافته است، تقسیم
میگردد. تبدیل گسسته S برای سری زمانی گسسته p[kT ] به صورت
زیر بیان میشود
i2 mj N 1
(۳) N ]G( n, m) e m n , jT ] P [ n S[
NT m0 NT
که G( m, n) e (2 2 m 2 n2 ) تابع گاوسی و j, m, n 0,1,…, N 1
است .[۶]
با کمکگرفتن از تبدیل فوریه سریع و تئوری کانولوشن، تبدیل S
گسسته به سرعت میتواند محاسبه شود و تبدیل S، طیف فاز و همچنین
طیف دامنه را مکانیابی میکند. است، برای تحلیل
در این مقاله ماتریس S که فرمول آن طبق (۳)
اغتشاشات کیفیت توان استفاده میشود که سطرها، دامنه و ستونها، مقادیر زمانی هستند. هر عنصر ماتریس S یک عدد مختلط است، هر سطر، دامنه تبدیل S را در همه فرکانسها به طور همزمان نشان میدهد و هر ستون، دامنه تبدیل S را با تغییر زمان از صفر تا N 1 در همان فرکانس نشان میدهد.
روش تبدیل S برای تجزیه سیگنال از یک پنجره گاوسی استفاده میکند. اگر پنجره گاوسی در حیطه زمان منقبض شود، افزایش قدرت تفکیک زمانی را مشاهده میکنیم. اما مشکل این شکل از تبدیل S این است که هر چند قدرت تفکیک زمانی بهبود مییابد، قدرت تفکیک فرکانسی کاهش مییابد. همچنین اگر پنجره گاوسی در حیطه زمان انبساط پیدا کند، افزایش قدرت تفکیک فرکانسی و کاهش قدرت تفکیک زمانی را شاهد هستیم، لذا روش فوق برای بهبود قدرت تفکیک زمانی و فرکانسی چندان مفید به نظر نمیرسد.
۲-۱-۱-۳ تبدیل S هذلولی (تعمیمیافته)
یک رهیافت برای بهبود قدرت تفکیک زمانی، استفاده از پنجره نامتقارن است. در این روش برای بهبود قدرت تفکیک زمان از پنجرهای نامتقارن استفاده میشود به نحوی که قسمت ابتدایی پنجره، در حیطه زمان منقبض و قسمت انتهایی آن در حیطه زمان منبسط است. در بسیاری از تحقیقات پردازش سیگنال، قسمت انتهایی رویداد اهمیت زیادی ندارد. در غیر این صورت میتوان پنجره را یک بار از چپ به راست و یک بار از راست به چپ حرکت داد، تا هم قدرت تفکیک زمانی مربوط به قسمت ابتدایی رویداد و هم قدرت تفکیک زمانی مربوط به قسمت انتهایی رویداد، همزمان در اختیار باشد. از طرفی با توجه به این که در
(FmA)
N M
۴ نشریه مهندسی برق و مهندسی کامپیوتر ایران، الف- مهندسی برق، سال ۱۲، شماره ۱، بهار ۱۳۹۳
شکل :۲ سیگنال اغتشاش کمبود ولتاژ به همراه هارمونیک.
تبدیل S در فرکانسهای زیاد قدرت تفکیک زمانی افزایش مییابد، بهتر است در چنین فرکانسهایی پنجره نامتقارن به پنجره گاوسی نزدیک شود که این رهیافت وابستگی تقارن پنجره با فرکانس را موجب میشود.
اشتراک‌گذاری:
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
