هدف ؛ تشخیص خطا در ترانسفورمرهای قدرت با استفاده از شبکه عصبی  و PSO

در این مقاله از یک شبکه عصبی برای یافتن انواع خطاهای موجود در ترانسفورماتور قدرت استفاده می شود. دو روش مورد استفاده برای یادگیری شبکه، یکی روش پس انتشار خطا و دیگری روش الگوریتم بهینه سازی گروه ذرات است. در نهایت دو روش با هم مقایسه می شوند. ۵ دسته خطای رایج در ترانس در این کار مورد بررسی قرار می گیرند.

ابتدا برای ۲۰ ترانسفورماتور قدرت با توان های مختلف، با شبیه سازی در SIMULINK سیگنال خروجی به دست آمده و با استفاده از تبدیل فوریه ۱۶ ویژگی از آنها استخراج شده اند.

در پیاده سازی انجام شده مطابق مقاله، ابتدا یک شبکه عصبی تشکیل می دهیم که خطای اینترنال را شناسایی می کند. اگر از روی ۱۶ ویژگی موجود شبکه اول، خطای اینترنال را تشخیص داد، که هیچ در غیر این صورت، شبکه دوم وارد عمل شده و نوع یکی از ۴ خطا را شناسایی می کند

ماتریس confusion

برای برسی کارایی روش های طبقه بندی از ماتریس confusion استفاده می کنیم. برای این کار معمولاً ماتریسی مربعی به سایز تعداد کلاس ها را تشکیل می دهیم که آرایه ijام آن نشان می دهد که چه تعداد از دیتاهای کلاس iام در کلاس jام قرار می گیرند. بهترین حالت زمانی اتفاق می افتد که این ماتریس یک ماتریس قطری باشد. زیرا نشان می دهد که هیچ دیتایی از کلاس iام در کلاس jام قرار نگرفته است و همه دیتاهای کلاس iام درکلاس  مربوط به خودشان یعنی کلاس iام قرار گرفته ایند. هرچه این ماتریس قطری باشد، نشان از کارایی بیشتر ابزار طبقه بندی ما دارد. در کاربرد ما، ماتریس شبکه اول ۲*۲ و ماتریس شبکه دوم ۴*۴ خواهد بود.

تشخیص خطا در ترانسفورمرهای قدرت با استفاده از شبکه عصبی  و PSO

PSO Trained ANN-Based Differential Protection Scheme

for Power Transformers

Published in: Elsevier

Date of Publication: 2008 Neurocomputing 71 (2008) 904–۹۱۸

                              برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلود شود

مشخصات شبیه ساز:

کارشناس ارشد برق-قدرت

دانشگاه صنعتی امیرکبیر

محتویات :

• اصل مقاله
• سورس کد پیاده سازی شده در متلب (M-File)
• گزارش کامل و فارسی سورس کد بصورت Word

دانلود فایل