ارائه‌ي يك روش جديد مبتني بر تركيب الگوريتم يادگيري عميق و توابع هوشمند فازي به منظور طبقه‌بندي اختلالات كيفيت توان در سيستم‌هاي قدرت

A novel method based on a combination of deep learning algorithm and fuzzy intelligent functions for classifying power quality disturbances in power systems

طبقه‌بندي خودكار اختلالات كيفيت توان پايه و اساس حل مشكل كيفيت توان است. از نقطه‌نظر سنتي، فرآيند شناسايي اختلالات كيفيت توان بايد به سه مرحله مستقل تقسيم شود: تحليل سيگنال، انتخاب ويژگي و طبقه‌بندي. با اين حال، برخي نواقص ذاتي در آناليز سيگنال وجود دارد و روند انتخاب ويژگي دستي خسته‌كننده و غيردقيق است كه منجر به دقت طبقه‌بندي پايين اختلالات چندگانه مي‌شود. با توجه به اين مشكلات، در اين مقاله يك سيستم خودكار به منظور شناسايي و طبقه‌بندي اختلالات كيفيت توان ارائه شده است. در سيستم پيشنهادي پس از دريافت سيگنال ورودي پيش‌پردازش‌هايي نظير تغيير بازه‌ مقادير با تقسيم سيگنال‌ها به دامنه‌ پايه خود انجام مي‌شود. در مرحله بعد مقدار RMS سيگنال براي بررسي رخداد اختلال مورد ارزيابي قرار مي‌گيرد. در صورتي‌كه RMS سيگنال ورودي با مقدار RMS سيگنال نرمال يكسان نباشد، به معني رخداد اختلال در سيگنال است. به منظور شناسايي و دسته‌بندي اختلال‌ها از يك روش جديد مبتني بر الگوريتم يادگيري عميق استفاده شده است. در اين روش، توابع فعال‌ساز به كمك توابع فازي تعريف مي‌گردد. با اين كار، انعطاف‌پذيري سيستم افزايش مي‌يابد. مزيت روش ارائه شده در اين است كه به خوبي اختلالات ايجاد شده را از فركانس پايه جدا مي‌سازد و از ماهيت سيگنال‌هاي كيفيت توان به منظور استخراج ويژگي استفاده مي‌كند. اين در حالي است كه جداسازي اجزاي سيگنال در روش‌هاي كلاسيك مانند تجزيه مُد تجربي به خوبي امكان‌پذير نبوده است. براي ارزيابي الگوريتم از شبيه‌سازي شبكه توزيع قدرت 33 باسه استفاده شده است. دقت ارزيابي به دست آمده با استفاده از الگوريتم پيشنهادي در مقايسه با كارهاي مشابه، بهبود نسبي پيدا كرده است.

Automatic classification of power quality disturbances is the foundation to deal with the power quality problem. From a traditional viewpoint, the identification process of power quality disturbances should be divided into three independent stages: signal analysis, feature selection, and classification. However, there are some inherent defects in signal analysis and the procedure of manual feature selection is tedious and imprecise, leading to a low classification accuracy of multiple disturbances. To deal with these problems, this paper presents an automated system for the classification and identification of power quality disturbances. After receiving input signals, the proposed system requires some preprocessing such as changing the range of values by dividing the signals into their basic domains. In the next stage, the RMS value of the signal can be appraised to know the occurrence of the disturbance. If the RMS value of the input signal is not equal to the normal signal, the disturbance is occurring. To identify and classify disturbances, a novel deep learning-based method is developed. In this method, the activation function is expressed by a fuzzy approach. This makes the system more flexible. The benefits of the proposed strategy are separating the disturbances of basic frequency and using the nature of power quality signals as a tool for feature extraction. However, in the traditional method, for example, in empirical mode decomposition, the separation of signals from their components is not conveniently possible. To evaluate the proposed algorithm, a 33-bus distribution power network has been applied. The results reveal good agreement in comparison with other assessment tests.