ارزيابي شبكه هاي عصبي انعطاف پذير باساختار قابل بازسازي در حين آموزش جهت تخمين هارمونيكهاي جريان استاتور ژنراتور آسك نيروگاه ري بر اساس الگوريتم CFE/SS

Stator Current Harmonics Evaluation by Flexible Neural Network Method with Reconstruction Structure During Learning Step Based On CFE/SS Algorithm for ACEC Generator of Rey Power Plant

يكي از روشهاي تشخيص خطاي ژنراتور در حين كار، آناليز هارمونيكهاي جريان استاتور مي‌باشد. در اين مقاله از شبكه‌هاي عصبي انعطاف‌پذير با قابليت بازسازي خود در حين آموزش براي تعيين هارمونيكهاي جريان استاتور ژنراتور، در بارهاي مختلف استفاده شده است. داده‌هاي آموزش دهنده شبكه عصبي با استفاده از مدل سازي ژنراتور و استفاده از روش المان محدود (FE) و فضاي حالت (SS)، در نقاط مختلف بار روي منحني بهره برداري ژنراتور براي سه سطح مختلف ولتاژ پايانه به دست آمده است. شبكه عصبي كه با استفاده از اين داده ها آموزش داده شده است، يك شبكه پرسپترون با يك لايه پنهان و با قانون يادگيري پس انتشار خطا مي باشد. نتايج نشان مي دهد كه شبكه عصبي انعطاف‌پذير آموزش داده شده با خطاي كمتر از ده درصد مي‌تواند هارمونيكهاي جريان را براي نقاط بار دلخواه روي منحني بهره‌برداري، نسبت به نتايج حاصل از الگوريتم CFE-SS به دست آورد. پارامترهاي نامي ژنراتور آسك عبارتند از: 43950 كيلو ولت آمپر، 11 كيلو ولت، 3000 راديان بر دقيقه، 50 هرتز و ضريب توان 0.8.

One method for on-line fault detection in synchronous generator is stator current harmonics analysis. In this paper, the flexible neural network with reconstruction structure during learning has been used to evaluate the stator current harmonics in different loads. Generator modeling, finite element method and state space model make training set of flexible neural network. Many points from generator capability curve are used to complete this set. Flexible neural network that is used in this paper is a perception network with single hidden layer, flexible hidden layer neuron and back propagation algorithms. Results are show that the trained flexible neural network can identify stator current harmonics for desired load from the capability curve. The error is less than 10% in compared to the values obtained directly from the CFE-SS algorithms. The parameters of modeled generator are 43950(KVA), 11(kV), 3000(rpm), 50(HZ), (PF=0.5)