مدیریت نیروگاه برق آبی با تکیه بر شبکه های عصبی و ادغام سیستم های خبره

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

مدیریت نیروگاه برق آبی با تکیه بر شبکه های عصبی و ادغام سیستم های خبره

عنوان لاتین

Hydroelectric power plant management relying on neural networks and expert system integration

استفاده از شبکه های عصبی (NN) یک رویکرد جدید است که می تواند در تصمیم گیری در هنگام یکپارچگی در یک سیستم عمومی تر، به ویژه با سیستم های خبره، مفید باشد. در این مقاله معماری مدیریت نیروگاه های برق آبی معرفی شده است. این امر به نظارت بر تعداد زیادی از سیگنال ها متکی است و نشان دهنده پارامترهای فنی نیروگاه واقعی است. معماری کلی متشکل از سیستم خبره و دو ماژول NN است: پیش بینی آکوستیک (NNAP) و تعمیر و نگهداری پیش بینی کننده (NNPM). ماژول NNAP براساس شبکه (LVQ) اندازه گیری بردار یادگیری کوهونن است و به منظور تشخیص صداهایی که توسط گروههای تولید کننده برق تولید می شود، طراحی شده است. NNPM از یک ART-MAP برای شناسایی موقعیت های مختلف متغیرهای حالت نیروگاه استفاده می کند تا از ناهنجاری های آینده جلوگیری کند. علاوه بر این، یک فرآیند ویژه برای تولید یک مجموعه آموزش کامل برای ماژول ART-MAP طراحی شده است. این فرآیند برای رسیدگی به فقدان اطلاعات در مورد وضعیت های غیر طبیعی نیروگاه توسعه داده شده است و بر اساس شبکه های عصبی آموزش دیده با الگوریتم انتشار رو به عقب است.

The use of Neural Networks (NN) is a novel approach that can help in taking decisions when integrated in a more general system, in particular with expert systems. In this paper, an architecture for the management of hydroelectric power plants is introduced. This relies on monitoring a large number of signals, representing the technical parameters of the real plant. The general architecture is composed of an Expert System and two NN modules: Acoustic Prediction (NNAP) and Predictive Maintenance (NNPM). The NNAP is based on Kohonen Learning Vector Quantization (LVQ) Networks in order to distinguish the sounds emitted by electricity-generating machine groups. The NNPM uses an ART-MAP to identify di€erent situations from the plant state variables, in order to prevent future malfunctions. In addition, a special process to generate a complete training set has been designed for the ART-MAP module. This process has been developed to deal with the absence of data about abnormal plant situations, and is based on neural nets trained with the backpropagation algorithm.