شناسايي و دسته‌بندي اغتشاشات تكي و تركيبي كيفيت توان با استفاده از روشي مبتني بر تحليل مولفه‌هاي مستقل

Detection and Classification of Single and Multiple Power Quality Disturbances Based on Independent Component Analysis

تشخيص اغتشاشات كيفيت توان، نياز به روش‌هايي جهت تجزيه، شناسايي و دسته‌بندي شكل موج‌ها دارد. در اين مقاله از روشي آماري موسوم به تحليل مؤلفه‌هاي مستقل تك‌كاناله براي اين منظور استفاده شده است. در اين روش با استفاده از ويژگي استقلال آماري و همچنين توزيع غيرگوسي منابع، سيگنال‌هاي منبع از سيگنال‌هاي مشاهده‌شده جداسازي مي‌شوند. روش ارائه‌شده جهت دسته‌بندي اغتشاشات كيفيت توان شامل سه مرحله مي‌باشد؛ الف) توليد داده، ب) استخراج ويژگي و ج) دسته‌بندي اغتشاشات. از مزاياي اين روش مي‌توان به هزينه كم‌تر (به‌دليل استفاده از يك سنسور)، دقت بالا در استخراج اجزاي مستقل سيگنال‌هاي غيرگوسي، غيرخطي و غيرساكن، ممتاز بودن سيگنال‌هاي استخراج‌شده، دسته‌بندي اغتشاشات تركيبي با بيش از دو اغتشاش تكي در هر تركيب (اغتشاشات سه‌تايي و چهارتايي) و تخمين زمان شروع، زمان پايان و مدت‌زمان اغتشاشات كمبود ولتاژ، بيشبود ولتاژ، فليكر (سوسو زدن يا چشمك زدن نور) و گذراي نوساني با دقت بالا اشاره كرد. نتايج حاصل از شبيه‌سازي‌ها روي شكل موج‌هاي توليدي و واقعي، كاربردي بودن و دقت بالاي روش پيشنهادي را نشان مي‌دهد.

Detection of power quality disturbances requires some methods to decompose, identify and then classify waveforms. In this paper, a statistical method called Single Channel Independent Component Analysis (SCICA) is used for this means. In this method, source signals are separated from observed signals by using the characteristics of statistical independence as well as the non-Gaussian distribution of disturbance sources. The proposed method for classification of PQ disturbances consists of three stages: a) data generation, b) feature extraction and c) disturbances classification. The advantages of this method are its lower cost (due to the using of only one sensor), high accuracy in extracting independent components of non-Gaussian, non-linear and non-static signals, excellence of estimated signals, classification of multiple power quality disturbances that include more than two disturbances for any combination (ternary and quaternary disturbances) and estimation the starting time, ending time and duration of voltage swell, voltage sag, flicker and oscillatory transients with great accuracy. The results of the simulations on generated and real waveform show capability and high performance of the proposed method.