توضیحات
Adaptive fault identification and classification methodology for smart power grids using synchronous phasor angle measurements
شناسایی و طبقه بندی خطای تطبیقی برای شبکه های برق هوشمند با استفاده از اندازه گیری زاویه فاز سنکرون
شناسایی خطا بعد از ایجاد خطا
طبق شکل ما بلوک دیاگرام مربوط به هر نوع خطایی را در متلب ایجاد کردیم و ان را ذخیره کردیم
ابتدا باید در مسیر متلب جایی که این برنامه ذخیره شده است را انتخاب کنیم تا در بنجره current folder فوق این شبیه سازی ها دیده شود.
یعنی در مسیر زیر :
جایی که برنامه در این ریخته شده مثل شکل فوق مسیرش را پیدا کنید و بعد در بنجره current folder این برنامه رو باز کنین تا خطاها و شبیه سازی ها فوق دیده شوند.
ما 10 نوع خطای مختلف داریم که سه تای ان تک فاز به زمین سه تای ان دو فاز و سه تای ان دوفاز به زمین و یکیش هم سه فاز می باشد.
برنامه ای با نام test که در current folder دیده می شود را باز کنید و بعد اجرا کنین بعد از اجرا پنجره زیر باز میشود که از کاربر می خواهد نوع خطا را میخاهد تست کند را انتخاب کند.
اولین گزینه خطای تک فاز می باشد.
دومین خطای خط به خط که همان خطای دوفاز می باشد و سومی خطا دوفاز به زمین اگر خطای مورد نطر شما هیج کدام نباشد باید این بنجره را بسته که در این صورت برنامه اتوماتیک وار خطای سه فاز را انتخاب میکند.
حال به دلخواه گزینه اول را که خطای فاز می باشد را انتخاب میکنیم بعد از انتخاب شکل زیر نشان داده میشود
بعد انتخاب خطای فاز به زمین ما سه نوع خطای فاز به زمین داریم که در شکل فوق دیده میشود در محل TypeFault نوع خطای تک فاز انتخاب میشود برای مثال خطای AG را در محل مورد نطر ثبت کنید به صورت زیر :
بعد از اجرای این قسمت از کاربر مقادیر و پاارمتر های موحود در حدول 4 را میخواهد که به صورت زیر است
طبق شکل فوق 7 پارامتر داریم که از کاربر این مقادیر را میخادهد
در محل مقادیر اولین پارامتر را طبق شکل فوق انتخاب میکنیم که برابر است ا 0.17
در محل دوم دومین مقدار را وارد میکنیم که برابر است با 0.49
و همینجور مقادیر دیگر پارامترها وارد میشود
بعد انتخاب این پارامترها شکل خطای تک فاز به صورت زیر حاصل می شود
حال برای تشخیص نوع خطا ما برای هر خطا 100 نمونه را تست کردیم و ذخیره کردیم تا ماشین یادگیرنده خودش را با این 1000نمونه که در کل ایجاد شده است خودش را تعلیم دهد.
جدول زیر جدول confusion مربوط به تعلیم یادگیری ماشین و مرجله ارزیابی را نشان میدهد.
در واقع ما 80 درصد داده های موحود را برای اموزش و 20 در صد ان را برای فرار کردن از بیش پردازش داده ها به مرحله validation اختصاص دادیم از این رو 800نمونه به تعلیم و 200 نمونه به مرحله ارزیابی داده میشود.
جدول فوق جدول درستی و نادرستی ماشین را نشان میدهد.
برای مثال تعداد نمونه ها برای خطای نوع اول در مرحله اموزش 80 نمونه هست که ماشین همه این 80 نمونه را به درستی به خطای نوع اول تشخیص داده و بقیه هم همینطور و طبق شکل فوق حدول فوق یک جدول قطری می باشد و هر جقد حدول confusion قطری باشد نشان دهنده درست بالای تشخیص می باشد.
جدول زیر حدول confusion مربوط به validation را نشان میدهد
طبق حدول در مرحله ولیدیشن ما برای هر خطای 20 نمونه داریم به عنوان مثال نمونه حاصل برای خطای نوع اول برابر است با 20 نمونه که ماشین بردار پشتیبان 18 نمونه اول را به همین خطای نوع اول و دو نمونه اش را به علط به خطای نوع4 اختصاص داده است.
لازم به ذکر هست که این ماتریس به اندازه کلاس می باشد یعنی 10*10 و هر ستون و سطر بیانگر یک خطاست.
به عنوان مثال دیگر سطراخر بیانگر خطای سه فاز می باشد که ماشین در مرحله ولیدیشن از تعداد 20 نمونه مربوط به خطای سه فاز 18 نمونه را به درستی به این خطا و 2 نمونه را به غلط به خطای نوع جهارم تشخیص داده است.
دقت مرحله اموزش برابر است با 100 درصد و دقت مرحله فرایند ولیدیشن برابر است با 91.54 درصد.
بعد اجرای این قسمت خطایی که کاربر انتخاب کرده بود و ان را به ماشین داده بود ماشین به درستی توانسته است این خطا را تشخیص دهد
برای همه اون 20 حالت کافی هست عین همین مرحله و همگام با پارامترهای حدول 4 پیش بروید تا نتیجه را مشاهد کنید.
کلید واژه:
smart power grids, fast Fourier transforms, fault diagnosis, frequency-domain analysis, phasor measurement, power system protection, power system stability, power transmission faults, پروژه متلب,
شبیه سازی مقاله Adaptive fault identification and classification methodology for smart power grids using synchronous phasor angle measurements
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.