عنوان: شناسایی سیستم توزیع ترکیبی با استفاده از تبدیل موجک و شبکه های عصبی مصنوعی
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 تبدیل موجک و شبکه های عصبی مصنوعی طبقه بندی می شود. 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.
سیستم تولید پراکنده هیبریدی
نمودار شبیه سازی در متلب سیمولینک
جریان کار
شبیه سازی simulation_diagram.mdl با استفاده از script_get_training_data.m برای موقعیت های زیر و جمع آوری داده های آموزشی برای ANN
متصل به شبکه (معمولی)
جزیره ای
خطای L-L
خطای L-G
سوئیچ بار غیرخطی
از ولتاژ توالی منفی در PCC در طول این رویدادها، ویژگی های زیر را استخراج کنید
بارگیری DG
انحراف استاندارد ضرایب جزئیات تبدیل موجک سیگنال ولتاژ دنباله منفی در سطح 3 (SD3)
انحراف استاندارد ضرایب جزئیات تبدیل موجک سیگنال ولتاژ دنباله منفی در سطح 4 (SD4)
محتوای انرژی ضرایب جزئیات تبدیل موجک سیگنال ولتاژ دنباله منفی در سطح 3 (E3)
محتوای انرژی ضرایب جزئیات تبدیل موجک سیگنال ولتاژ دنباله منفی در سطح 4 (E4)
ANN در استودیوی یادگیری ماشینی Microsoft Azure با آپلود داده های آموزشی در فضای ابری به صورت فایل csv. آموزش دیده است.
ANN را به صورت محلی با استفاده از main_program_ann.m از پوشه ann_code به منظور آزمایش آموزش دهید.
نمونه داده های آموزشی به شرح زیر خواهد بود
Loading | SD4 | SD3 | E4 | E3 | Label |
---|---|---|---|---|---|
0.91 | 0.00016 | 0.000123 | 0.001321 | 0.001398 | Normal |
1.155 | 0.000165 | 0.000105 | 0.001364 | 0.001199 | Normal |
1.05 | 0.046179 | 0.035238 | 0.381349 | 0.403484 | Islanding |
1.12 | 0.046168 | 0.041096 | 0.38108 | 0.471473 | Islanding |
0.98 | 0.011971 | 0.004943 | 0.098714 | 0.056379 | L-G Fault |
1.085 | 0.011999 | 0.004949 | 0.098944 | 0.056448 | L-G Fault |
1.365 | 0.029071 | 0.009113 | 0.239756 | 0.10396 | L-L Fault |
1.715 | 0.028943 | 0.009125 | 0.238704 | 0.1041 | L-L Fault |
1.225 | 0.025061 | 0.012793 | 0.20666 | 0.146597 | Non-Linear Load Switch |
1.435 | 0.025036 | 0.012789 | 0.206452 | 0.146566 | Non-Linear Load Switch |
با استفاده از رابط کاربری گرافیکی پایتون، وب سرویس را به عنوان یک درخواست POST برای پیش بینی وضعیت های سیستم مصرف کنید (همانطور که در بالا ذکر شد)
رابط کاربری گرافیکی پایتون می تواند با gui_and_azure_api_consumption.py باشد
معماری وب سرویس Microsoft Azure
رابط کاربری گرافیکی پایتون
پروژه شامل فایل پایان نامه انگلیسی، دو مقاله چاپ شده و شبیه سازی متلب و پایتون می باشد.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.