هوش محاسباتی در مهندسی برق (سیستم های هوشمند در مهندسی برق)
سال:1401 | دوره:13 | شماره:2 |تعداد مقالات:8

مغناطیس های دایم، یکی از آسیب پذیرترین و مهم ترین اجزای ماشین های مغناطیس دایم جدیدند که به دلایلی همچون گرمایش بیش از حد و فرسودگی در خطر مغناطیس زدایی قرار دارند. یکی از مهم ترین وظایف مهندسین در صنعت، جلوگیری از بهره برداری ماشین در شرایط مغناطیس زدایی و تا حد امکان تعویض مغناطیس های دایم معیوب ماشین است؛ زیرا بهره برداری در این شرایط باعث کاهش شار دور پیوندی سیم پیچی، کاهش نیروی الکترومغناطیسی تولیدی، افزایش نوسانات نیرو و گرم شدن ناحیه ای در ماشین می شود. در این مقاله، یک راهکار جدید برای شناسایی مغناطیس زدایی در یک ژنراتور سنکرون خطی مغناطیس دایم با استفاده از تبدیل بسته ای موجک با هدف تعیین دقیق محل مغناطیس دایم معیوب ارایه می شود. با بررسی این روش روی موارد مختلف مغناطیس زدایی، مشخص شد این روش از عملکرد مطلوبی در شناسایی برخوردار است. در این روش از سیگنال ولتاژ القایی به عنوان سیگنال شناساگر استفاده شد. همچنین، از نرم افزار اجزای محدود ماکسول برای شبیه سازی ماشین و نرم افزار متلب برای تحلیل داده ها و ارایه روش مذکور بهره برده شد.

در این مقاله، عملکرد شبکه عصبی در تشخیص و جداسازی وضعیت های موتورالقایی (سالم، عیب حلقه بیرونی یاتاقان، اتصال کوتاه سیم پیچی استاتور و شکستگی میله روتور) با استفاده از ترکیب اطلاعات سیگنال های جریان و ولتاژ پیش پردازش شده با آنالیز مولفه های مستقل بررسی شده است. همچنین، مقاوم بودن روش پیشنهادی در حضور اغتشاشات (نامتعادلی منبع تغذیه و خشک کار کردن پمپ) بررسی شده است. نتایج حاصل از آزمایش نشان می دهند روش ترکیب داده عصبی با قابلیت اطمینان زیادی، عیوب ذکرشده را تشخیص می دهد و نسبت به اغتشاشات موجود، عملکرد مقاومی دارد.

یکی از راه های بهبود تاب آوری شبکه توزیع، استفاده از ژنراتورهای سیار (MEGs) در شبکه است. این ژنراتورها با قابلیت جابه جایی در شبکه و برق رسانی به قسمت های مختلف، امکان بازیابی بارهای مهم شبکه را افزایش می دهد؛ اما به دلیل سوخت محدود این ژنراتورها، جابه جایی آنها با محدودیت روبه رو خواهد شد که این موضوع باعث کاهش اثربخشی آنها می شود. در این مقاله با در نظر گرفتن این نوع از ژنراتورها و نیز سوخت محدود برای آنها الگوریتمی برای جابه جایی بهینه آنها در طول مدت حادثه ارایه شده است. همچنین، با در نظر گرفتن خودروهای سوخت رسان و برنامه ریزی برای جابه جایی آنها برای تزریق سوخت به این ژنراتورها سعی به کاهش اثر محدودیت سوخت این ژنراتورها شده است. درنهایت، با شبیه سازی الگوریتم پیشنهادی روی شبکه 33-باس IEEE با در نظر گرفتن بارهای متغیر روزانه، اثربخشی الگوریتم پیشنهادی بر بهبود تاب آوری شبکه توزیع نشان داده شده است.

سیستم تنظیم خودکار ولتاژ (AVR) یکی از سیستم های بااهمیت در سیستم های قدرت است. در صنعت، بیشتر از کنترل کننده تناسبی انتگرالی (PI) برای کنترل سیستم AVR استفاده می شود؛ با این حال، برای افزایش انعطاف پذیری یا بهبود عملکرد کنترل کننده PI می توان از کنترل کننده های PID مرتبه کسری یا ترکیب آن با کنترل کننده فازی استفاده کرد. در این مقاله، روش جدیدی به منظور کنترل سیستم AVR ارایه شده است. در این روش، کنترل کننده Fuzzy-PID با توابع عضویت بهینه شده برای انجام این امر به کار گرفته شده است. بدین منظور، در ابتدا توابع عضویت کنترل کننده مذکور، ایجاد و سپس توابع عضویت ورودی به همراه بهره های این کنترل کننده بهینه می شوند. برای بهینه سازی از الگوریتم رقابت استعماری استفاده می شود. بهینه سازی ها با توابع هدف مختلفی صورت می گیرد و به منظور مقایسه، شبیه سازی ها با کنترل کننده PID مرتبه کسری (FOPID) بهینه شده نیز انجام می شود. نتایج حاصل از شبیه سازی ها در همه موارد، عملکرد بهتر کنترل کننده پیشنهادی را نسبت به کنترل کننده FOPID بر حسب زمان نشست، فراجهش، مقدار تابع هدف و حداکثر سیگنال کنترلی نشان می دهند؛ به گونه ای که فراجهش حداقل به مقدار 59%، زمان نشست حداقل به اندازه 33%، سیگنال کنترلی حداقل به میزان 65% و مقدار تابع هدف حداقل به میزان 3% بهبود یافته اند. همچنین، به منظور بررسی میزان مقاوم بودن کنترل کننده پیشنهادی نسبت به عدم قطعیت های موجود در سیستم، شبیه سازی ها با تغییر پارامترهای سیستم نیز انجام شده اند که نتایج حاصل از آن، عملکرد مطلوب کنترل کننده پیشنهادی را نشان می دهند.

در این مقاله به تنظیم بهینه رله های اضافه جریان جهتی با استفاده از روش های هوشمند پرداخته شده است؛ البته هنگامی که مسیله دارای چندین تابع هدف با قیود مختلف است. با توجه به قیود خطی و غیرخطی در هماهنگ کردن رله های اضافه جریان جهتی، روش به کاررفته مبتنی بر الگوریتم انتخاب براساس شکل دهی پارتو و با هدف به دست آوردن مقادیر بهینه تنظیم ضریب زمان، تنظیم پیک جریان و نوع منحنی مشخصه رله است. در این مطالعه، به طور هم زمان کاهش زمانی بین عملکرد رله های اصلی و پشتیبان صورت می پذیرد. همچنین، علاوه بر حل یک تابع چندهدفه، بدون نیاز به فاکتورهای وزنی از یک تابع جریمه نیز برای بررسی هماهنگی صحیح رله های اصلی و پشتیبان استفاده شده است. روش پیشنهادی روی دو شبکه استاندارد مختلف اجرا شده که شامل شبکه 3 باسه و شبکه اصلاح شده 14 باسه IEEE است. نتایج به دست آمده کارایی روش به کاررفته و بهینه بودن مقادیر را نسبت به سایر الگوریتم های به کاررفته نشان می دهند.

در کابل های فشارقوی به دلیل القای متقابل بین هسته و غلاف و نیز خاصیت خازنی بالای کابل، مکان یابی خطا نسبت به خطوط هوایی پیچیده شده است. با به کارگیری حفاظت دیستانس به منظور حفاظت کابل های فشارقوی AC، امپدانس دیده شده نسبت به مکان خطا دارای رفتار غیرخطی خواهد بود. در این مقاله، مکان یابی خطا با استفاده از مقادیر اندازه گیری شده ولتاژ و جریان هسته و غلاف در دو طرف کابل و به کمک ماشین یادگیری بی نهایت انجام می گیرد. الگوریتم پیشنهادی قادر به شناسایی روابط غیرخطی و پیچیده بین کمیت های اندازه گیری شده و محل خطا است. در سیستم مطالعه شده ابتدا خطای هسته به غلاف در فواصل مختلف با در نظر گرفتن مقاومت های متعدد در نرم افزار PSCAD/EMTDC شبیه سازی می شود. سپس به منظور آموزش هسته هوشمند الگوریتم پیشنهادی، بردارهای ورودی در شرایط مختلف، استخراج و برای هر کدام، یک خروجی مطلوب متناظر با محل خطا در نظر گرفته می شود. بررسی نتایج به دست آمده از به کارگیری ابزارهای هوشمند مختلف، برتری ماشین یادگیری بی نهایت را نسبت به شبکه های عصبی مصنوعی و ماشین بردار پشتیبان از جهت دقت نتایج و سرعت یادگیری نشان می دهد.

در این مقاله، یک روش هوشمند به منظور تخمین آنلاین حد پایداری ولتاژ (VSM) براساس سیستم فازی-عصبی تطبیقی (ANFIS) بهینه شده ارایه شده است. الگوریتم بهینه سازی شاهین هریس (HHOA) به عنوان الگوریتم آموزش ANFIS استفاده شده است و روش مرسوم تبدیل موجک نیز به عنوان تکنیک استخراج ویژگی روی پروفیل ولتاژ شبکه اعمال خواهد شد. مشخصه های بارگذاری سیستم به عنوان ویژگی های اولیه به منظور تخمین VSM به کار می روند؛ به دلیل اینکه حاوی اطلاعات لازم درباره ساختار شبکه، سطوح بار، الگوی تولید و عملکرد سیستم کنترلی در شبکه است. به کمک تکنیک تبدیل موجک با قدرت تفکیک بالا (MRWT)، ویژگی های لازم برای ورود به بلوک ANFIS استخراج می شوند؛ اما به دلیل تنوع و تعدد این ویژگی ها به خصوص در شبکه های بزرگ، روش تحلیل مولفه اساسی (PCA) با هدف انتخاب ویژگی های غالب به کار خواهد رفت که بیشترین تاثیر را بر پایداری شبکه دارند. ویژگی این الگوریتم ترکیبی این است که می توان از آن، هم در شرایط دینامیکی و هم در شرایط استاتیکی شبکه استفاده کرد. درنهایت، الگوریتم پیشنهادی روی سیستم های تست 39 و 118 باس IEEE، پیاده سازی و نتایج آن ارزیابی شده است. مقایسه نتایج با مدل های مشابه تخمین VSM، نشان دهنده اثربخشی مدل پیشنهادی برای شبکه های قدرت بزرگ است.

پیش بینی بار مسکونی نقش مهمی در مدیریت و برنامه ریزی در شبکه های هوشمند مدرن دارد. در برنامه ریزی برای متعادل نگه داشتن تقاضا و تولید توان، لازم است پیش بینی دقیقی از بار مناطق مسکونی انجام شود. در این مقاله، یک روش پیش بینی میان مدت بار مسکونی مبتنی بر انتخاب ویژگی برای حل مسیله رگرسیون خطی ارایه شده است؛ به این ترتیب که برای انتخاب ویژگی به منظور انجام رگرسیون، از روش تحلیل اجزای مجاور استفاده می شود. بنابراین، یک مسیله بهینه سازی طرح شده است؛ مسیله مذکور با استفاده از الگوریتم حافظه محدود BFGS (LBFGS) حل می شود. مجموعه داده های AMPds2 برای اجرای روش پیشنهادی استفاده شد و نتایج به دست آمده با نتایج شش روش پیش بینی دیگر مقایسه شدند. مقایسه ازطریق شاخص های میانگین مربعات خطا، جذر میانگین مربعات خطا و میانگین مطلق درصد خطا انجام شد و نتایج شبیه سازی موثربودن روش پیشنهادی را برای پیش بینی دقیق بار مسکونی تایید کردند.