هوش محاسباتی در مهندسی برق (سیستم های هوشمند در مهندسی برق)
سال:1398 | دوره:10 | شماره:3 |تعداد مقالات:6

در این مقاله یک مبدل اصلاح ضریب توان تک مرحله ای جدید ارائه می شود. در طبقه ورودی این ساختار، از مبدل باک برای اصلاح ضریب توان استفاده می شود؛ درنتیجه، مشکل استرس ولتاژ خازن ذخیره ساز انرژی، یکی از مشکلات مبدل های اصلاح ضریب توان تک مرحله ای، در این مبدل برطرف شده است. این مدار، علاوه بر داشتن مزیت استرس ولتاژ پایین روی خازن ذخیره ساز انرژی، مشکل اعوجاج گذر از صفر نیز ندارد و اعوجاج هارمونیکی جریان ورودی بسیار پایین است. اعوجاج هارمونیکی بالا دراثر زاویه مرده گذر از صفر در ساختارهای مبتنی بر مبدل اصلاح ضریب توان باک ایجاد می شود که در این ساختار پیشنهادی با سیم پیچ کمکی فوروارد حذف شده است. همچنین، قسمتی از توان ورودی به صورت مستقیم به خروجی ارسال شده است که بهبود راندمان را سبب می شود. مبدل پیشنهادی تحلیل شده و درستی راهکار پیشنهادی در قالب تحلیل های نظری و نتایج شبیه سازی و عملی اثبات شده است.

سیگنال های الکتروانسفالوگرام (EEG)[i]، فعالیت های الکتریکی سلول های عصبی مغز را نشان می دهند. استخراج سیگنال EEG روشی غیرتهاجمی است که برای تشخیص فعالیت های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت های غیرعادی مغز و مهم ترین تظاهر بیماری صرع است. دشارژهای صرعی شکل (امواج سوزنی)[ii] مهم ترین مشخصه سیگنال های فرد درحال تشنج است. با آشکارسازی امواج سوزنی، امکان تشخیص بیماری صرع از سیگنال EEG وجود دارد. سیگنال های EEG از نوع سیگنال های غیرایستان هستند؛ پس تبدیل موجک[iii] که قدرت تفکیک مناسب زمانی و فرکانسی دارد، گزینه مناسبی برای استخراج ویژگی های سیگنال های EEG است. در این مقاله، پس از مرحله استخراج ویژگی، با استفاده از تبدیل موجک، شبکه های عصبی مصنوعی (ANN)[iv] برای طبقه بندی سیگنال های سالم و سیگنال های دارای بیماری صرع استفاده می شوند. همچنین، الگوریتم بهینه سازی انبوه ذرات (PSO)[v] روشی جدید برای انتخاب وزن ها و بایاس های شبکه است تا عملکرد شبکه بهبود یابد. نتایج پیاده سازی الگوریتم پیشنهادی، صحت 2/96% را داشته اند که نسبت به روش های موجود، طبقه بندی سیگنال های EEG عملکرد بهتری را نشان می دهد.

ریزشبکه در دو مد متصل به شبکه و جزیره ای بهره برداری می شود. جزیره ای شدن به صورت برنامه ریزی شده یا ناخواسته است. در صورت جزیره ای شدن ناخواسته، ریزشبکه باید بتواند پایداری خود را حفظ کند؛ بنابراین، تعیین و تامین مقدار ذخیره چرخان لازم ریزشبکه برای جزیره ای شدن پایدار ضروری است. در این مقاله برای تامین ذخیره لازم ریزشبکه با در نظر گرفتن جزیره ای شدن ناخواسته، عدم قطعیت بار و منابع تجدیدپذیر، یک استراتژی برنامه ریزی دو مرحله ای پیشنهاد شده است. در مرحله نخست، برنامه ریزی توان و ذخیره با حضور منابع تولید پراکنده و باتری ها انجام می شود. در مرحله دوم، برای جبران کمبود منابع تولید پراکنده و باتری ها در تامین ذخیره لازم، از بار به عنوان ذخیره استفاده می شود. برای تعیین مقدار بهینه ذخیره بار، یک تابع هدف جدید پیشنهاد شده است؛ به طوری که مجموع هزینه های آمادگی رزرو، هزینه مورد انتظار فراخوانی رزرو بار و هزینه مورد انتظار قطع اضطراری بار کمینه شود. یکی از ویژگی های بارز مدل پیشنهادی، قابلیت سازگاری آن است؛ یعنی به راحتی می تواند به هر مدل برنامه ریزی دیگری اضافه شود که بار را ذخیره چرخان در نظر نگرفته است. تحلیل های ریاضی و شبیه سازی های عددی بیان کننده صحت و کارآمدبودن روش پیشنهادی اند.

امروزه برای بهبود کیفیت ولتاژ شبکه، تعیین سهم هریک از منابع ایجادکننده هارمونیک از آلودگی هارمونیکی شبکه ضروری است. با توجه به اینکه خطوط، ترانسفورماتورها، بارها و ژنراتورها در طول زمان تغییر وضعیت می دهند، شرایط عملکردی شبکه و امپدانس بخش های مختلف به طور مکرر تغییر می یابند که به تغییر سهم هریک از منابع هارمونیکی منجر می شوند. در این مقاله روشی سه مرحله ای مبتنی بر روش های هوشمند، برای تعیین سهم پیوسته منابع هارمونیک از هارمونیک ولتاژ باس های مختلف شبکه بدون نیاز به اطلاعات فاز ولتاژ باس های مختلف طراحی شده است. در این الگوریتم به منظور کاهش اثر مخرب هارمونیک پس زمینه در مرحله پیش پردازش اطلاعات اندازه گیری از روش خوشه بندی k-میانگین[i] استفاده شده است. بعد از محاسبه سهم هارمونیک، از روش دسته بندی k-نزدیک ترین همسایه[ii] برای تعمیم نتایج و ایجاد ماتریس پیوست سهم استفاده شده است. در پایان روش پیشنهادی بر یک مثال محاسباتی مبتنی بر شبکه استاندارد اعمال شده است. نتایج نشان می دهد الگوریتم پیشنهادی توان آنالیز تاثیر منابع مختلف هارمونیک بر شبکه را دارد.

در این مقاله از کنترل کننده عصبی فازی برای کنترل سرعت موتور سنکرون مغناطیس دائم سطحی با وجود نامعینی در پارامترها و گشتاور بار استفاده شده است. در این روش ابتدا از انواع کنترل کننده های محلی (مانند PID، LQR و. . . ) برای نقاط کار مختلف موتور و برای حالات مختلف نامعینی و گشتاور بار برای کنترل دقیق موتور استفاده می شود. سپس کنترل کننده عصبی فازی تطبیقی به گونه ای آموزش می بیند که تمامی کنترل کننده های محلی را شامل شود و درنتیجه، باوجود نامعینی در پارامترها و گشتاور بار در موتور، سرعت مرجع با پاسخ سریع و کمترین خطای حالت ماندگار دنبال می شود. الگوریتم آموزش شبکه عصبی فازی، روش مختلط است که ترکیبی از دو روش حداقل مربعات و گرادیان نزولی با روش پس انتشار خطا است. از روش حداقل مربعات برای تنظیم پارامترهای خطی لایه خروجی و از الگوریتم گرادیان نزولی با روش پس انتشار خطا برای تنظیم و به روزرسانی پارامترهای غیرخطی لایه فازی ساز استفاده می شود. در پایان به کمک شبیه سازی، این کنترل کننده با کنترل کننده های، Fuzzy و PID مقایسه شده است. نتایج شبیه سازی نشان دهنده کارایی روش پیشنهادی در مقاله است.

شبکه برق آینده، با نفوذ بی سابقه منابع انرژی تجدیدپذیر، با عدم قطعیت های شدیدی روبه رو خواهد شد که ممکن است مشکلاتی را در بهره برداری از شبکه سبب شوند. ارزیابی عدم قطعیت عملکرد سیستم در این شبکه امری ضروری است؛ بنابراین، روش های بهره برداری سنتی با در نظر گرفتن قیود شبکه برق و گاز، ممکن است برای شبکه توزیع مانند ریزشبکه های چندحامل مناسب نباشند. این مقاله روش موثری برای بهینه سازی بهره برداری هم زمان زیرساخت های انرژی مختلف در یک محیط با عدم قطعیت های گوناگون را با در نظر گرفتن قیود شبکه ارائه کرده است. هدف این مقاله، مطالعه اثرات عدم قطعیت بر مدیریت بهینه این شبکه از ریزشبکه های چندحامل است. رفتار ناپایدار بارها، منابع تجدیدپذیر و قیمت برق در مدل پیش رو، براساس روش پخش بار احتمالاتی هم زمان چندحامل بررسی شده است. نتایج سیستم به صورت متغیرهای تصادفی استخراج شده اند؛ این متغیرها به شکل تابع توزیع تجمعی و احتمالی نمایش داده شده اند. در این مقاله، ریزشبکه های چندحامل، با شبکه بالادست مبادله می کنند و همچنین، مبادله انرژی بین ریزشبکه ها میسر است. شبیه سازی روی یک شبکه متشکل از سه ریزشبکه چندحاملی متصل به هم اعمال شده و نتایج، اثرگذاری روش پیشنهادی را تایید کرده اند.