طرح تشخیص خرابی (خطای) هوشمند برای میکرو گریدها (ریز شبکه ها) با شبکه های عصبی عمیق مبتنی بر موجک

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طرح تشخیص خرابی (خطای) هوشمند برای میکرو گریدها (ریز شبکه ها) با شبکه های عصبی عمیق مبتنی بر موجک

عنوان لاتین

Intelligent Fault Detection Scheme for Microgrids with Wavelet-based Deep Neural Networks

تشخیص خطا در کنترل و عملیات میکرو گرید ضروری است، زیرا سیستم را قادر می سازد تا جداسازی و بازیابی خرابی های سریع را اجرا کند. پذیرش نسل توزیع شده با رابط اینورتر در میکرو گریدها، باعث می شود که طرح های تشخیص خرابی سنتی، به دلیل وابستگی خود به جریان های خرابی قابل توجه، نامناسب باشند. در این مقاله، براساس تبدیل موجک و شبکه های عصبی عمیق، یک طرح تشخیص خرابی هوشمند برای میکرو گرید طراحی می کنیم. هدف طرح پیشنهادی، ارائه سریع اطلاعات نوع، فاز و محل خطا یا خرابی برای حفاظت از میکرو گرید و بازیابی خدمات است. در این طرح، اندازه گیری های جریان شاخه که با استفاده از رله های حفاظتی نمونه برداری می شوند، با تبدیل موجک گسسته و به منظور استخراج ویژگی های آماری پیش پردازش می شوند. سپس، تمام داده های موجود برای توسعه اطلاعات خرابی، به عنوان وارد شبکه های عصبی عمیق می شوند. طرح پیشنهادی، در مقایسه با کار قبلی، می تواند دقت طبقه بندی نوع خرابی بسیار بهتری را فراهم کند. علاوه بر این، این طرح می تواند مکان های خرابی را نیز مشخص کند، که در کار قبلی در دسترس نیستند. برای ارزیابی عملکرد طرح قبلی تشخیص خرابی، یک مطالعه ارزیابی جامع روی سیستم میکرو گرید CERTS و 34 گذرگاهی IEEE انجام می دهیم. نتایج شبیه سازی، کارایی طرح پیشنهادی را از نظر دقت تشخیص، زمان محاسبه و نیرومندی در برابر عدم قطعیت اندازه گیری ثابت می کند.

Fault detection is essential in microgrid control and operation, as it enables the system to perform fast fault isolation and recovery. The adoption of inverter-interfaced distributed generation in microgrids makes traditional fault detection schemes inappropriate due to their dependence on significant fault currents. In this paper, we devise an intelligent fault detection scheme for microgrid based on wavelet transform and deep neural networks. The proposed scheme aims to provide fast fault type, phase, and location information for microgrid protection and service recovery. In the scheme, branch current measurements sampled by protective relays are pre-processed by discrete wavelet transform to extract statistical features. Then all available data is input into deep neural networks to develop fault information. Compared with previous work, the proposed scheme can provide significantly better fault type classification accuracy. Moreover, the scheme can also detect the locations of faults, which are unavailable in previous work. To evaluate the performance of the proposed fault detection scheme, we conduct a comprehensive evaluation study on the CERTS microgrid and IEEE 34-bus system. The simulation results demonstrate the efficacy of the proposed scheme in terms of detection accuracy, computation time, and robustness against measurement uncertainty.