پایان نامه با عنوان: تشخیص و طبقه بندی اختلالات در یک سیستم پراکنده هیبریدی با استفاده از تبدیل موجک و شبکه های عصبی مصنوعی
DETECTION AND CLASSIFICATION OF DISTURBANCES IN A HYBRID DISTRIBUTED SYSTEM USING WAVELET TRANSFORM AND ARTIFICIAL NEURAL NETWORKS
شامل فایل کامل پایان نامه و شبیه سازی متلب
در این پایان نامه، مسائل جزیره ای و کیفیت برق (PQ) در سیستم تولید پراکنده هیبریدی (DG) شامل سیستم فتوولتائیک (PV) و نیروگاه بادی متصل به شبکه از طریق یک نقطه اتصال مشترک (PCC) شناسایی و با استفاده از طبقه بندی می شود. تبدیل موجک و شبکه های عصبی مصنوعی. شاخصهای تبدیل موجک از مؤلفه توالی منفی سیگنال ولتاژ در PCC برای تشخیص اختلالات استخراج میشوند. یک بردار ویژگی با شاخصهای WT و بارگذاری سیستم DG برای آموزش شبکه عصبی مصنوعی مدلسازی شده است. . روش پیشنهادی با روش مرسوم مقایسه شده است. نتایج نشاندهنده مزایای موجک نسبت به روش متداول در تشخیص و طبقهبندی اختلالات در سیستم و استحکام در کاربرد طبقهبندیکننده یادگیری ماشینی (ML) است. ANN آموزش دیده به عنوان یک وب سرویس با استفاده از Microsoft Azure Machine Learning Studio مستقر شده است. امکان اجرای روش پیشنهادی را افزایش می دهد
ABSTRACT
i
ACKNOWLEDGEMENT
ii
LIST OF FIGURES
v
LIST OF TABLES
vii
LIST OF ABBREVIATIONS
viii
CHAPTER 1 INTRODUCTION
1
1.1.Conventional Electric Power Grid
1
1.2.Distributed Generators
2
1.3.Benefits of Connecting DG’s into Existing Distribution Network
5
1.4.Technical Challenges
6
1.5.Problem Statement
8
1.6.Thesis Objectives
9
1.7.Thesis Outline
10
CHAPTER 2 LITRATURE REVIEW
11
2.1. Review of Established Islanding Detection Methods
11
2.1.1. Remote Islanding Detection Techniques
11
2.1.2. Active Islanding Detection Method
13
2.1.3. Passive Islanding Detection Method
13
CHAPTER 3 DETCTION OF HARMONICS METHOD
15
3.1. Theory of Detection of Harmonics Method
15
3.2. Hybrid System
16
3.3. Simulation Results
22
CHAPTER 4 PROPOSED DETECTION TECHNIQUE
26
4.1. Wavelet Transform
26
4.2. Artificial Neural Networks
32
4.3. Methodology
35
CHAPTER 5 SIMULATION RESULTS AND DATA COLLECTION
40
5.1. Normal Operation
40
5.2. Islanding
42
5.3. L-G Fault
44
5.4. L-L Fault
46
5.5. L-L Nonlinear Load Switch
48
5.6. Results
50
CHAPTER 6 IMPLEMENTATION
51
6.1. Microsoft Azure Machine Learning Studio
51
6.1.1 Request Response Service (RRS)
52
6.1.2 Batch Execution Service (BES)
52
CHAPTER 7 CONCLUSION AND FUTURE SCOPE
56
REFERENCES
58
APPENDIX
62
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.