طبقه بندی خطای ریزشبکه دیفرانسیل مدل داده کاوی با استفاده از SVM با در نظر گرفتن اعوجاج های ولتاژ و جریان
این مقاله شناسایی و طبقه بندی عیب مبتنی بر ماشین برداری (SVM) را در ریزشبکه پشتیبانی می کند، در حالی که اعوجاج ها در ولتاژها و جریان ها، پارامترهای سری زمان و فرکانس و پارامترهای دیفرانسیل را در نظر می گیرد. برای طبقه بندی خطای مبتنی بر SVM، مجموعه داده ها با تحلیل عملکرد مدل ریزشبکه استاندارد IEC، با و بدون اتصال به شبکه، تحت سناریوهای مختلف خطا و بدون خطا تشکیل می شود. سناریوهای خطا همچنین شامل مکان های مختلف، مقاومت ها و زوایای وقوع خطا می شوند. در حالی که برای سناریوهای بدون خطا، تغییر بار در نظر گرفته می شود. ولتاژها و جریان های دو سر خط توزیع (DL) در فرکانس 1920 هرتز نمونه برداری شده و پارامترهای سری زمان و فرکانس، اعوجاج هارمونیک کل (THD) در جریان و ولتاژ و پارامترهای دیفرانسیل تعیین می شود. الگوریتم SVM از این پارامترها برای شناسایی و طبقه بندی خطاها استفاده می کند. عملکرد این الگوریتم مبتنی بر SVM توسعه یافته با الگوریتم های مختلف یادگیری ماشین مقایسه شده است. این تحلیل مقایسه ای نشان می دهد که SVM خطاهای ریزشبکه را با دقت بیش از 99.99% شناسایی و طبقه بندی می کند. عملکرد روش پیشنهادی نیز با نویزهای 30 دسی بل، 35 دسی بل و 40 دسی بل در داده های تولید شده، که نشان دهنده خطاهای اندازه گیری است، آزمایش می شود.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.