تشخيص و طبقه بندي اختلالات كيفيت توان با تبديل S چند رزولوشني و شبكه عصبي كانولوشن عميق

Detection and classification of power quality disorders with multi-resolution S-transform and deep convolutional neural network

امروزه بحث كيفيت توان از مسايل مهم در زمينه برق قدرت مي باشد به طوري كه كيفيت توان به عنوان يك پارامتر مهم در انتخاب و خريداري وسايل و خريداري برق از شركت هاي توزيع مي باشد. اولين موضوعي كه در اين زمينه مطرح مي شود، شناسايي و طبقه بندي اختلالات كيفيت توان است. براي طبقه بندي يك اختلال بايد مشخصات زماني و فركانسي آن در اختيار باشد. در اين مقاله از تبديل S چند رزولوشني براي استخراج مشخصات سيگنال اختلال استفاده مي شود. تبديل S كامل ترين روش زمان- فركانسي است كه بعد از تبديل فوريه و تبديل موجك مطرح شده است. خروجي تبديل S به صورت ماتريسي با درايه-هاي مختلط است كه اطلاعات مربوط به دامنه بر حسب زمان و فركانس و همچنين اطلاعات فاز سيگنال ورودي را در خود دارد. در اين مقاله براي طبقه بندي اختلالات، ابتدا ماتريس تبديل S چند رزولوشني اعمال شده بر روي سيگنال هاي اختلال را به تصاوير رنگي تبديل مي كنيم. سپس براي هر اختلال 300 نمونه تصوير رنگي ايجاد كرده و تصاوير رنگي بدست آمده از هر اختلال را به عنوان داده ورودي شبكه عصبي كانولوشن عميق در نظر مي گيريم. در اين مقاله از شبكه عصبي كانولوشن عميق با معماري گوگل نت استفاده مي شود. بعد از آموزش شبكه عصبي كانولوشن و رسيدن يادگيري به حد مطلوب، شبكه ويژگي هاي هر اختلال را ذخيره و بر اساس آنها اختلالات كيفيت توان را طبقه بندي مي كند. دقت طبقه بندي در روش ارائه شده 99.26 درصد مي باشد.

Today, the issue of power quality is one of the most important issues in the field of power, so that power quality is an important parameter in the selection and purchase of equipment and the purchase of electricity from distribution companies. The first issue raised in this field is the identification and classification of power quality disorders. To classify a disorder, its time and frequency characteristics must be available. In this article, multi-resolution S transform is used to extract the characteristics of the disturbance signal. S transform is the most complete time-frequency method proposed after Fourier transform and wavelet transform. The output of the S transformation is in the form of a matrix with mixed roots, which contains information about the amplitude in terms of time and frequency, as well as the phase information of the input signal. In this article, to classify the disturbances, we first convert the multi-resolution S transformation matrix applied to the disturbance signals into color images. Then we create 300 color image samples for each disorder and consider the color images obtained from each disorder as the input data of the deep convolutional neural network. In this article, deep convolutional neural network with Google Net architecture is used. After training the convolutional neural network and reaching the optimal level of learning, the network stores the characteristics of each disorder and classifies the power quality disorders based on them. The classification accuracy in the presented method is 99.26%.