ارزیابی شبکه های عصبی انعطاف پذیر باساختار قابل بازسازی در حین آموزش جهت تخمین هارمونیکهای جریان استاتور ژنراتور آسک نیروگاه ری بر اساس الگوریتم CFE/SS

یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می باشد. در این مقاله از شبکه های عصبی انعطاف پذیر با قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور، در بارهای مختلف استفاده شده است. داده های آموزش دهنده شبکه عصبی با استفاده از مدل سازی ژنراتور و استفاده از روش المان محدود (FE) و فضای حالت (SS)، در نقاط مختلف بار روی منحنی بهره برداری ژنراتور برای سه سطح مختلف ولتاژ پایانه به دست آمده است. شبکه عصبی که با استفاده از این داده ها آموزش داده شده است، یک شبکه پرسپترون با یک لایه پنهان و با قانون یادگیری پس انتشار خطا می باشد. نتایج نشان می دهد که شبکه عصبی انعطاف پذیر آموزش داده شده با خطای کمتر از ده درصد می تواند هارمونیکهای جریان را برای نقاط بار دلخواه روی منحنی بهره برداری، نسبت به نتایج حاصل از الگوریتم CFE-SS به دست آورد. پارامترهای نامی ژنراتور آسک عبارتند از: ۴۳۹۵۰ کیلو ولت آمپر، ۱۱ کیلو ولت، ۳۰۰۰ رادیان بر دقیقه، ۵۰ هرتز و ضریب توان ۰.۸.

ارزیابی شبکه های عصبی انعطاف پذیر باساختار قابل بازسازی در حین آموزش جهت تخمین هارمونیکهای جریان استاتور ژنراتور آسک نیروگاه ری بر اساس الگوریتم CFE/SS Keywords:

روش المان محدود , شبکه عصبی انعطاف پذیر , منحنی بهره برداری و ژنراتور سنکرون