جدول 5‑1 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای صفر اهم 64
جدول 5‑2 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 25/1 اهم 65
جدول 5‑3 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 5/2 اهم 66
جدول 5‑4 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 75/3 اهم 67
جدول 5‑5 : اطلاعات شرایط ساختاری در نظر گرفته شده برای آموزش شبکه عصبی مصنوعی به ازای مقاومت خطای 5 اهم 68
فهرست شکلها
عنوان صفحه
شکل 2‑1 : نحوهی اتصال CT به شبکه قدرت 6
شکل 2‑2: مدار معادل ترانسفورماتور جریان 10
شکل 2‑3 : جریان اولیه و ثانویه اشباعشده CT 13
شکل 3‑1 : جریان اولیه منتقل شده به ثانویه و جریان ثانویه CT 16
شکل 3‑2 : تخمین جریان با بهره گرفتن از مشتقات مرتبه اول (الف)، دوم (ب) و سوم (ج) 18
شکل 3‑3 : نمونه ای از تابع مادر (db10) و تابع عمود بر آن[23] 21
شکل 3‑4 : پروسه محاسبه ضرایب مولفه دقیق و تقریبی در مراحل مختلف تجزیه 23
شکل 3‑5 : مشخصه فرکانسی فیلتر موجک با تابع مادر در مراحل مختلف تجزیه 23
شکل 3‑6 : مشخصه فركانسی توابع مادر مختلف به ازای فركانس نمونه برداری 10 کیلوهرتز 25
شکل 3‑7: مشخصه فركانسی تابع مادر (db2) به ازای فركانس نمونه برداری 5 کیلوهرتز 26
شکل 3‑8: تابع Haar گسسته 26
شکل 3‑9: توابع Daubechies پیوسته 27
شکل 3‑10 : تابع Mexican Hat پیوسته 27
شکل 3‑11 : تابع Morlet پیوسته 27
شکل 3‑12 : تابع Meyer پیوسته 27
شکل 3‑13 : نتیجه اعمال عملگرها و فیلترهای MM بر سیگنالf 30
شکل 3‑14 : اشکال مورد استفاده برای اجزاء ساختاری 30
شکل 3‑15 : تبدیل فوریه سیگنال جریان ثانویه CT در شرایط عادی سیستم و در شرایط خطا بدون معوج شدن سیگنال 31
شکل 3‑16 : تبدیل فوریه سیگنال جریان ثانویه CT در شرایط عادی سیستم و در شرایط خطا و معوج شدن سیگنال جریان 31
شکل 3‑17 : نتیجه اعمال فیلترهای متوسطگیر و تفاضلی بر سیگنال f 32
شکل 3‑18 : گامهای روش MLS 33
شکل 3‑19 : نتیجه اعمال عملگرهای MLS بر سیگنال 34
شکل 4‑1 : مدار آزمایشگاهی استخراج منحنی هیسترزیس هسته CT 38
شکل 4‑2 : ترانسفورماتور جریان مدلسازی شده در نرمافزار EMTP-RV 39
شکل 4‑3 : منحنی رفت هیسترزیس مدلشده در فیلتر هیسترزیس 39
شکل 4‑4 : منحنی هیسترزیس مدلسازی شده در نرم افزار EMTP-RV 39
شکل 4‑5 : شبکه انتقال (شبیه سازی شده در نرم افزار EMTP-RV ) 40
شکل 4‑6 : شبکه انتقال مورد بررسی (قسمتی از شبكه ایران) 41
شکل 4‑7 : نمونه سیگنال جریان خروجی پست شماره 2 به ازای اتصال کوتاه در 25 میلی ثانیه 41
شکل 4‑8 : نمونه سیگنال جریان خروجی پست شماره 2 به ازای اتصال کوتاه در 25 میلی ثانیه از دید ثانویه CT 41
شکل 4‑9 : آشکارسازی پدیده اشباع مبتنی بر روش مشتق مرتبه سوم به ازای وقوع خطا در زاویه صفر درجه جریان 42
شکل 4‑10 : آشکارسازی پدیده اشباع مبتنی بر روش مشتق مرتبه سوم به ازای وقوع خطا در زاویه 180 درجه جریان 42
شکل 4‑11 : آشکارسازی پدیده اشباع مبتنی بر روش تبدیل موجک به ازای خطا در زاویه صفر درجه جریان 44
شکل 4‑12 : آشکارسازی پدیده اشباع مبتنی بر روش تبدیل موجک به ازای خطا در زاویه 180 درجه جریان 44
شکل 4‑13 : سیگنال اجزا ساختاری مناسب برای سیستمهای قدرت با طول 20 نمونه 45
شکل 4‑14 : آشکارسازی پدیده اشباع مبتنی بر روش MM به ازای خطا در زاویه صفر درجه جریان 46
شکل 4‑15 : آشکارسازی پدیده اشباع مبتنی بر روش MM به ازای خطا در زاویه 180 درجه جریان 46
شکل 4‑16 : آشکارسازی پدیده اشباع مبتنی بر روش MLS به ازای خطا در زاویه صفر درجه جریان 47
شکل 4‑17 : آشکارسازی پدیده اشباع مبتنی بر روش MLS به ازای خطا در زاویه 180 درجه جریان 48
شکل 5‑1 : جریانهای اولیه ارجاع داده شده به ثانویة و جریان ثانویه CT در حالت اشباعشده 54
شکل 5‑2 : جبرانسازی جریان ثانویه CT با بهره گرفتن از روش LSE به ازای خطا در زاویه صفر درجه جریان 55
شکل 5‑3 : جبرانسازی جریان ثانویه CT با بهره گرفتن از روش LSE به ازای خطا در زاویه 180 درجه جریان 55
شکل 5‑4 : مدار معادل CT 56
شکل 5‑5 : جریانهای اولیه و ثانویة معوج CT 56
شکل 5‑6 : جبرانسازی جریان ثانویه CT با بهره گرفتن از روش MLS به ازای خطا در زاویه صفر درجه جریان 58
شکل 5‑7 : جبرانسازی جریان ثانویه CT با بهره گرفتن از روش MLS به ازای خطا در زاویه 180 درجه جریان 59
شکل 5‑10 : ساختار شبکه عصبی مصنوعی انتخاب شده 60
شکل 5‑8 : جبرانسازی جریان ثانویه CT با بهره گرفتن از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با ساختار ثابت 61
شکل 5‑9 : جبرانسازی جریان ثانویه CT موجود در شبکه تغییر ساختار یافته با بهره گرفتن از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با ساختار ثابت 62
شکل 5‑11 : جبرانسازی جریان ثانویه CT موجود در شبکه تغییر ساختار یافته با بهره گرفتن از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با در نظر گرفتن تغییرات ساختاری ممکن در شبکه نمونه 69
شکل 5‑12 : جبرانسازی جریان ثانویه CT موجود در شبکه تغییر ساختار یافته با بهره گرفتن از شبکه عصبی مصنوعی آموزش دیده بوسیله اطلاعات شبکه با در نظر گرفتن تغییرات ساختاری ممکن در شبکه نمونه 69
شکل 6‑1 : آشکارسازی پدیده اشباع مبتنی بر روش MM در شرایط Online به ازای خطا در زاویه صفر درجه جریان 74
شکل 6‑2 : آشکارسازی پدیده اشباع مبتنی بر روش MM در شرایط Online به ازای خطا در زاویه 180 درجه جریان 74
شکل 6‑3 : آشکارسازی پدیده اشباع مبتنی بر روش MM در شرایط Online به ازای خطا در زاویه صفر درجه جریان 75
شکل 6‑4 : جبرانسازی جریان ثانویه CT با بهره گرفتن از روش MLSE به ازای خطا در زاویه صفر درجه جریان 76
شکل 6‑5 : جبرانسازی جریان ثانویه CT با بهره گرفتن از روش MLSE به ازای خطا در زاویه 180 درجه جریان 77
این مطلب را هم بخوانید :
شکل 6‑6 : فلوچارت آشکارسازی پدیده اشباع CT و جبران سازی جریان معوج ثانویه در شرایط Online 78
فصل 1- مقدمه
فصل اول: مقدمه |