مطالعه روش های نوین هوش مصنوعی به منظور تشخیص خطا در سیستم‌های قدرت

در سال‌های اخیر، تشخیص و پیش‌بینی خطاها در سیستم‌های قدرت به یکی از چالش‌های اصلی مهندسی برق تبدیل شده است. در این پژوهش، الگوریتم ماشین بردار پشتیبان (svm) به‌منظور شناسایی و پیش‌بینی خطاهای تک‌فاز، دو‌فاز، سه‌فاز و شرایط بدون خطا در سیستم‌های قدرت مورد بررسی قرار گرفت. داده‌های شبیه‌سازی‌شده از یک شبکه قدرت 132 کیلوولت شامل ولتاژ، جریان، زاویه فاز و هارمونیک‌ها به‌عنوان ورودی مدل استفاده شدند. نتایج نشان داد که مدل svm با هسته rbf و تنظیمات بهینه c=1 و γ=scale بهترین عملکرد را ارائه داد و دقت کلی 95٪، f1-score برابر با 0٫94 و نرخ تشخیص صحیح میانگین 93٫5٪ به‌دست آمد. علاوه بر این، زمان آموزش مدل برابر با 0٫42 ثانیه و زمان پیش‌بینی برای هر 100 نمونه کمتر از 0٫02 ثانیه بود که نشان‌دهنده قابلیت استفاده مدل در شرایط بلادرنگ است. تحلیل حساسیت پارامترها نشان داد که انتخاب مناسب c و γ تاثیر زیادی بر عملکرد مدل دارد. با تنظیم بهینه این پارامترها، مدل توانست دقت بالایی را در شناسایی خطاها حتی در شرایط نویزی به‌دست آورد. در مقایسه با هسته‌های دیگر، هسته rbf برتری واضحی از نظر دقت و سرعت نشان داد. همچنین، مدل توانست 94 درصد از خطاهای تک‌فاز و 92 درصد از خطاهای دو‌فاز را به‌درستی شناسایی کند. این نتایج نشان‌دهنده توانایی بالای مدل در تشخیص دقیق و سریع خطاها در سیستم‌های پیچیده و نویزی است. نتایج این تحقیق نشان می‌دهند که الگوریتم svm با هسته rbf و تنظیمات بهینه، ابزاری کارآمد و قابل اعتماد برای تشخیص و پیش‌بینی خطا در سیستم‌های قدرت است. این مدل می‌تواند در سیستم‌های حفاظتی هوشمند و شبکه‌های برق هوشمند به‌کار گرفته شود و به افزایش پایداری و کاهش خاموشی‌های سیستم‌های قدرت کمک کند.