| dc.contributor.author | جلالی, ندا | fa_IR |
| dc.contributor.author | طلوع عسکری, محمد | fa_IR |
| dc.contributor.author | رزمی, هادی | fa_IR |
| dc.date.accessioned | 1401-01-30T19:49:52Z | fa_IR |
| dc.date.accessioned | 2022-04-19T19:50:03Z | |
| dc.date.available | 1401-01-30T19:49:52Z | fa_IR |
| dc.date.available | 2022-04-19T19:50:03Z | |
| dc.date.issued | 2021-12-01 | en_US |
| dc.date.issued | 1400-09-10 | fa_IR |
| dc.identifier.citation | جلالی, ندا, طلوع عسکری, محمد, رزمی, هادی. (1400). ارائه‌ی یک روش جدید مبتنی بر ترکیب الگوریتم یادگیری عمیق و توابع هوشمند فازی به منظور طبقه‌بندی اختلالات کیفیت توان در سیستم‌های قدرت. نشریه کیفیت و بهره وری صنعت برق ایران, 10(4), 14-37. | fa_IR |
| dc.identifier.issn | 2322-2344 | |
| dc.identifier.issn | 10 | |
| dc.identifier.uri | http://ieijqp.ir/article-1-807-fa.html | |
| dc.identifier.uri | https://iranjournals.nlai.ir/handle/123456789/900450 | |
| dc.description.abstract | طبقه‌بندی خودکار اختلالات کیفیت توان پایه و اساس حل مشکل کیفیت توان است. از نقطه‌نظر سنتی، فرآیند شناسایی اختلالات کیفیت توان باید به سه مرحله مستقل تقسیم شود: تحلیل سیگنال، انتخاب ویژگی و طبقه‌بندی. با این حال، برخی نواقص ذاتی در آنالیز سیگنال وجود دارد و روند انتخاب ویژگی دستی خسته‌کننده و غیردقیق است که منجر به دقت طبقه‌بندی پایین اختلالات چندگانه می‌شود. با توجه به این مشکلات، در این مقاله یک سیستم خودکار به منظور شناسایی و طبقه‌بندی اختلالات کیفیت توان ارائه شده است. در سیستم پیشنهادی پس از دریافت سیگنال ورودی پیش‌پردازش‌هایی نظیر تغییر بازه مقادیر با تقسیم سیگنال‌ها به دامنه پایه خود انجام می‌شود. در مرحله بعد مقدار RMS سیگنال برای بررسی رخداد اختلال مورد ارزیابی قرار می‌گیرد. در صورتی‌که RMS سیگنال ورودی با مقدار RMS سیگنال نرمال یکسان نباشد، به معنی رخداد اختلال در سیگنال است. به منظور شناسایی و دسته‌بندی اختلال‌ها از یک روش جدید مبتنی بر الگوریتم یادگیری عمیق استفاده شده است. در این روش، توابع فعال‌ساز به کمک توابع فازی تعریف می‌گردد. با این کار، انعطاف‌پذیری سیستم افزایش می‌یابد. مزیت روش ارائه شده در این است که به خوبی اختلالات ایجاد شده را از فرکانس پایه جدا می‌سازد و از ماهیت سیگنال‌های کیفیت توان به منظور استخراج ویژگی استفاده می‌کند. این در حالی است که جداسازی اجزای سیگنال در روش‌های کلاسیک مانند تجزیه مُد تجربی به خوبی امکان‌پذیر نبوده است. برای ارزیابی الگوریتم از شبیه‌سازی شبکه توزیع قدرت 33 باسه استفاده شده است. دقت ارزیابی به دست آمده با استفاده از الگوریتم پیشنهادی در مقایسه با کارهای مشابه، بهبود نسبی پیدا کرده است. | fa_IR |
| dc.language | فارسی | |
| dc.language.iso | fa_IR | |
| dc.publisher | انجمن مهندسی بهره وری صنعت برق ایران | fa_IR |
| dc.relation.ispartof | نشریه کیفیت و بهره وری صنعت برق ایران | fa_IR |
| dc.relation.ispartof | Iranian Electric Industry Journal of Quality and Productivity | en_US |
| dc.subject | طبقه‌بندی اختلالات کیفیت توان | fa_IR |
| dc.subject | سیستم قدرت | fa_IR |
| dc.subject | الگوریتم یادگیری عمیق | fa_IR |
| dc.subject | الگوریتم هوشمند فازی | fa_IR |
| dc.subject | برق و کامپیوتر | fa_IR |
| dc.title | ارائه‌ی یک روش جدید مبتنی بر ترکیب الگوریتم یادگیری عمیق و توابع هوشمند فازی به منظور طبقه‌بندی اختلالات کیفیت توان در سیستم‌های قدرت | fa_IR |
| dc.type | Text | en_US |
| dc.type | كاربردي | fa_IR |
| dc.contributor.department | گروه مهندسی برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران | fa_IR |
| dc.contributor.department | مرکز تحقیقات انرژی و توسعه پایدار، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران | fa_IR |
| dc.contributor.department | - گروه مهندسی برق، واحد تهران شرق، دانشگاه آزاد اسلامی، تهران، ایران | fa_IR |
| dc.citation.volume | 10 | |
| dc.citation.issue | 4 | |
| dc.citation.spage | 14 | |
| dc.citation.epage | 37 | |
