روشی هوشمند مبتنی بر تجزیه حالت تجربی و k-نزدیکترین همسایه جهت طبقه بندی منابع متعدد هارمونیکی

امروزه گسترش بارهای غیرخطی باعث افزایش هارمونیکها در شبکه های قدرت شده اند. یکی از چالشهای مهم در این زمینه شناسایی و طبقه بندی منابع متعدد هارمونیکی متصل به یک باس شبکه است. در این مقاله، یک روش هوشمند مبتنی بر تجزیه حالت تجربی و شبکه عصبی جهت شناسایی منابع متعدد هارمونیکی ارائه میگردد. در این روش، ویژگیهای جدید با استفاده از تجزیه حالت تجربی تنها از شکل موج ولتاژ استخراج میگردند. سپس، به منظور کاهش حجم محاسبات و زمان پردازش از روش رلیف به عنوان یک ابزار قدرتمند انتخاب ویژگی استفاده میشود. نهایتا طبقه بندی کننده قوی k- نزدیکترین همسایه با دقت بالایی منابع هارمونیکی را از یکدیگر تفکیک میکند. به منظور اعتباربخشی روش پیشنهادی سناریوهای مختلفی در نوسانات بارهای خطی و غیرخطی مورد بررسی قرار میگیرد. علاوه بر این، نتایج بدست آمده با دیگر شبکه های عصبی با توابع فعال کننده متفاوت مقایسه میگردند. نتایج بدست آمده بر روی یک شبکه آزمایشی و داده های واقعی اندازه گیری شده در برق منطقه ای سمنان، کارایی روش پیشنهادی را تائید میکنند. روش پیشنهادی میتواند به عنوان یک ابزار جدید به دستگاههای اندازه گیری کیفیت توان در شبکه های مدرن اضافه گردد.

Keywords:

کیفیت توان , هارمونیک , بار غیرخطی , کلاس بندی , تجزیه حالت تجربی , استخراج ویژگی , K-نزدیکترین همسایه.