عنوان مقاله :
به‌كارگيري ويژگي بردار هويت و ماشين بردار پشتيبان به‌منظور شناسايي و طبقه بندي اغتشاشات كيفيت توان
عنوان به زبان ديگر :
Power Quality Disturbances Classification Using Identity Feature Vector and Support Vector Machine
پديد آورندگان :
بني اسدي، عاطفه دانشگاه سمنان - دانشكده مهندسي برق و كامپيوتر , دانشگاه تهران - دانشكده رياضي آمار و علوم كامپيوتر
كليدواژه :
طبقه بندي اغتشاشات كيفيت توان , ضرايب موجك , بردار هويت , نرمال‌سازي ويژگي , ماشين بردار پشتيبان
چكيده فارسي :
يكي از مسائل مهم در سيستم‌هاي قدرت، تشخيص صحيح اغتشاشات كيفيت توان است. در اين مقاله يك روش هوشمند به منظور شناسايي اغتشاشات كيفيت توان ارائه شده است. در روش پيشنهادي كه بر مبناي ويژگي بردار هويت است، براي هرسيگنال اغتشاش يك بردار با طول ثابت استخراج مي‌شود. به‌اين‌صورت‌كه در مرحله اول، تبديل موجك به منظور استخراج ويژگي از سيگنال اغتشاش ورودي به‌كارگرفته شده است و سپس با استفاده از دنباله ضرايب موجك استخراج شده، بردار هويت توليد مي-شود. در ادامه بعد از انجام نرمال‌سازي‌هاي لازم، بردار هويت نرمال شده استخراج شده توسط ماشين بردار پشتيبان طبقه‌بندي مي-شود. به‌منظور ارزيابي عملكرد روش پيشنهادي دوازده نوع اغتشاش اعم از تكي و تركيبي ايجاد و كارايي سيستم در شرايط تميز و نويزي بررسي‌شده است. نويز اعمال شده به هر سيگنال نويز سفيد گاوسي با مقادير سيگنال به نويز 30، 40 و 50 دسي‌بل است. نتايج آزمايش‌ها ميانگين دقت روش پيشنهادي را 99/2 درصد نشان مي‌دهد.
چكيده لاتين :
Correct detection and classification of power quality disturbances is an essential issue in power
systems. In this paper, an intelligent method is proposed to detect the power quality disturbances. This method is
based on an identity vector framework that produces a fixed-length vector for each perturbation. In the first step
of the proposed pipeline, the discrete wavelet transform is used to analyze power quality events and extract the
features of each input signal, and then the identity vector is built using the approximation coefficients. After
applying some normalization on the obtained identity, it is classified using a support vector machine classifier.
In order to evaluate the proposed method, twelve types of disturbances have been synthesized and the efficiency
of the proposed system is investigated using them. In addition, to verify the robustness of the proposed approach
towards the noise, the synthesized signals are contaminated with white Gaussian noise with different SNR values,
30 dB, 40 dB and 50 dB. The results of the experiments demonstrate the efficiency of the proposed method for
the classification of power quality signals with an accuracy of 99.2%.
عنوان نشريه :
رايانش نرم و فناوري اطلاعات
