تشخیص و طبقه بندی اختلالات کیفیت توان با تبدیل s چند رزولوشنی و شبکه عصبی کانولوشن عمیق

امروزه بحث کیفیت توان از مسایل مهم در زمینه برق قدرت می باشد به طوری که کیفیت توان به عنوان یک پارامتر مهم در انتخاب و خریداری وسایل و خریداری برق از شرکت های توزیع می باشد. اولین موضوعی که در این زمینه مطرح می شود، شناسایی و طبقه بندی اختلالات کیفیت توان است. برای طبقه بندی یک اختلال باید مشخصات زمانی و فرکانسی آن در اختیار باشد. در این مقاله از تبدیل s چند رزولوشنی برای استخراج مشخصات سیگنال اختلال استفاده می شود. تبدیل s کامل ترین روش زمان- فرکانسی است که بعد از تبدیل فوریه و تبدیل موجک مطرح شده است. خروجی تبدیل s به صورت ماتریسی با درایه-های مختلط است که اطلاعات مربوط به دامنه بر حسب زمان و فرکانس و همچنین اطلاعات فاز سیگنال ورودی را در خود دارد. در این مقاله برای طبقه بندی اختلالات، ابتدا ماتریس تبدیل s چند رزولوشنی اعمال شده بر روی سیگنال های اختلال را به تصاویر رنگی تبدیل می کنیم. سپس برای هر اختلال 300 نمونه تصویر رنگی ایجاد کرده و تصاویر رنگی بدست آمده از هر اختلال را به عنوان داده ورودی شبکه عصبی کانولوشن عمیق در نظر می گیریم. در این مقاله از شبکه عصبی کانولوشن عمیق با معماری گوگل نت استفاده می شود. بعد از آموزش شبکه عصبی کانولوشن و رسیدن یادگیری به حد مطلوب، شبکه ویژگی های هر اختلال را ذخیره و بر اساس آنها اختلالات کیفیت توان را طبقه بندی می کند. دقت طبقه بندی در روش ارائه شده 99.26 درصد می باشد.

detection and classification of power quality disorders with multi-resolution s-transform and deep convolutional neural network

today, the issue of power quality is one of the most important issues in the field of power, so that power quality is an important parameter in the selection and purchase of equipment and the purchase of electricity from distribution companies. the first issue raised in this field is the identification and classification of power quality disorders. to classify a disorder, its time and frequency characteristics must be available. in this article, multi-resolution s transform is used to extract the characteristics of the disturbance signal. s transform is the most complete time-frequency method proposed after fourier transform and wavelet transform. the output of the s transformation is in the form of a matrix with mixed roots, which contains information about the amplitude in terms of time and frequency, as well as the phase information of the input signal. in this article, to classify the disturbances, we first convert the multi-resolution s transformation matrix applied to the disturbance signals into color images. then we create 300 color image samples for each disorder and consider the color images obtained from each disorder as the input data of the deep convolutional neural network. in this article, deep convolutional neural network with google net architecture is used. after training the convolutional neural network and reaching the optimal level of learning, the network stores the characteristics of each disorder and classifies the power quality disorders based on them. the classification accuracy in the presented method is 99.26%.