ارائه‌ی یک روش جدید مبتنی بر ترکیب الگوریتم یادگیری عمیق و توابع هوشمند فازی به منظور طبقه‌بندی اختلالات کیفیت توان در سیستم‌های قدرت

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.

A novel method based on a combination of deep learning algorithm and fuzzy intelligent functions in order to classification of power quality disturbances in power systems

Automatic classification of power quality disturbances is the foundation to deal with the power quality problem. From a traditional viewpoint, the identification process of power quality disturbances should be divided into three independent stages: signal analysis, feature selection, and classification. However, there are some inherent defects in signal analysis and the procedure of manual feature selection is tedious and imprecise, leading to a low classification accuracy of multiple disturbances. To deal with these problems, this paper presents an automated system for the classification and identification of power quality disturbances. After receiving input signals, the proposed system requires some preprocessing such as changing the range of values by dividing the signals into their basic domains. In the next stage, the RMS value of the signal can be appraised to know the occurrence of the disturbance. If the RMS value of the input signal is not equal to the normal signal, the disturbance is occurring. To identify and classify disturbances, a novel deep learningbased method is developed. In this method, the activation function is expressed by a fuzzy approach. This makes the system more flexible. The benefits of the proposed strategy are separating the disturbances of basic frequency and using the nature of power quality signals as a tool for feature extraction. However, in the traditional method, for example, in empirical mode decomposition, the separation of signals from their components is not conveniently possible. To evaluate the proposed algorithm, a 33bus distribution power network has been applied. The results reveal good agreement in comparison with other assessment tests.