ارائه ی یک روش جدید مبتنی بر ترکیب الگوریتم یادگیری عمیق و توابع هوشمند فازی به منظور طبقه بندی اختلالات کیفیت توان در سیستم های قدرت

طبقه بندی خودکار اختلالات کیفیت توان پایه و اساس حل مشکل کیفیت توان است. از نقطه نظر سنتی، فرآیند شناسایی اختلالات کیفیت توان باید به سه مرحله مستقل تقسیم شود: تحلیل سیگنال، انتخاب ویژگی و طبقه بندی. با این حال، برخی نواقص ذاتی در آنالیز سیگنال وجود دارد و روند انتخاب ویژگی دستی خسته کننده و غیردقیق است که منجر به دقت طبقه بندی پایین اختلالات چندگانه می شود. با توجه به این مشکلات، در این مقاله یک سیستم خودکار به منظور شناسایی و طبقه بندی اختلالات کیفیت توان ارایه شده است. در سیستم پیشنهادی پس از دریافت سیگنال ورودی پیش پردازش هایی نظیر تغییر بازه مقادیر با تقسیم سیگنال ها به دامنه پایه خود انجام می شود. در مرحله بعد مقدار RMS سیگنال برای بررسی رخداد اختلال مورد ارزیابی قرار می گیرد. در صورتی که RMS سیگنال ورودی با مقدار RMS سیگنال نرمال یکسان نباشد، به معنی رخداد اختلال در سیگنال است. به منظور شناسایی و دسته بندی اختلال ها از یک روش جدید مبتنی بر الگوریتم یادگیری عمیق استفاده شده است. در این روش، توابع فعال ساز به کمک توابع فازی تعریف می گردد. با این کار، انعطاف پذیری سیستم افزایش می یابد. مزیت روش ارایه شده در این است که به خوبی اختلالات ایجاد شده را از فرکانس پایه جدا می سازد و از ماهیت سیگنال های کیفیت توان به منظور استخراج ویژگی استفاده می کند. این در حالی است که جداسازی اجزای سیگنال در روش های کلاسیک مانند تجزیه مد تجربی به خوبی امکان پذیر نبوده است. برای ارزیابی الگوریتم از شبیه سازی شبکه توزیع قدرت 33 باسه استفاده شده است. دقت ارزیابی به دست آمده با استفاده از الگوریتم پیشنهادی در مقایسه با کارهای مشابه، بهبود نسبی پیدا کرده است.