تشخیص جریان هجومی از جریان خطا در ترانسفورماتورهای قدرت با استفاده از الگوریتم جستجوی گرانشی
Publish Year: 1389
نوع سند: مقاله ژورنالی
زبان: Persian
View: 284
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-1-1_003
تاریخ نمایه سازی: 6 دی 1400
Abstract:
پدیده جریان هجومی مغناطیس کننده، حالت گذرای بزرگی است که به هنگام برقدار شدن ترانسفورماتور روی می دهد. اندازه جریان هجومی ممکن است تا ۱۰ برابر جریان نامی ترانسفورماتور باشد که به عملکرد نامناسب سیستم های حفاظتی منجر می گردد. در واقع تشابه بین ویژگی های جریان هجومی و شرایط خطای داخلی باعث بروز این خطا می گردد. بنابراین، برای کارکرد ایمن ترانسفورماتور لازم است که جریان هجومی از جریان خطا تشخیص داده شود. در این مقاله یک شبکه عصبی مصنوعی که توسط دو الگوریتم مبتنی بر گروه؛ یعنی الگوریتم جستجوی گرانش و بهینه سازی گروه ذرات آموزش داده می شود، برای تشخیص جریان هجومی از جریان خطا در ترانسفورماتورهای قدرت به کار رفته است. الگوریتم جستجوی گرانشی بر مبنای قانون گرانش عمل می نماید و بر خلاف سایر الگوریتم های مبتنی بر گروه ذرات دارای هویت است و الگوریتم بهینه سازی گروه ذرات مبتنی بر حرکت گروهی پرندگان است. این مقاله شامل دو مرحله عمومی است: در گام اول داده های بدست آمده از شبیه سازی، پردازش شده و به شبکه عصبی اعمال شده اند. سپس در گام دوم شبکه عصبی در نظر گرفته شده با الگوریتم های جستجوی گرانشی و بهینه سازی گروه ذرات آموزش داده شده است. در نهایت، به منظور نشان دادن اینکه این روش آموزش مفید بوده، به نتایج دقیق تری منجر می شود، نتایج بدست آمده از دو الگوریتم پیشنهادی و روش پس انتشار که یکی از رایج ترین روشهای آموزش شبکه های عصبی است، مقایسه شده اند.
Keywords:
Authors
علیرضا مرادی
دانشجوی کارشناسی ارشد، دانشکده مهندسی برق- دانشگاه بیرجند- ایران
محمود عبادیان
استادیار، دانشکده مهندسی برق- دانشگاه بیرجند - ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :