مهندسی برق و مهندسی کامپیوتر ایران، الف- مهندسی برق
سال:1392 | دوره:11 | شماره:1 |تعداد مقالات:6

پنل های خورشیدی دارای مشخصه جریان- ولتاژ غیر خطی بوده و تنها در یک نقطه کار خاص، حداکثر توان را تولید می کنند. این نقطه بهینه توان با تغییر دما و شدت نور تغییر می کند. روش های مختلفی برای ردیابی نقطه حداکثر توان به صورت online و offline معرفی شده است. این مقاله روش جدیدی جهت بهبود عملکرد ردیابی نقطه حداکثر توان پنل های خورشیدی جدا از شبکه ارائه می دهد و الگوریتم روش پیشنهادی از دو بخش محاسبه نقطه کار و تنظیم دقیق تشکیل شده است. ابتدا بخش محاسبه نقطه کار که بر اساس روش ولتاژ مدار باز می باشد، حداکثر توان را تقریب می زند و سپس بخش تنظیم دقیق بر اساس روش اغتشاش و مشاهده مقدار دقیق حداکثر توان را دنبال می کند. روش پیشنهادی در محیط Matlab/Simulink شبیه سازی و برای یک نمونه آزمایشگاهی پیاده سازی شده و تاثیر تغییر فرکانس و دامنه اغتشاش بر روی پاسخ دینامیکی و عملکرد حالت پایدار ردیابی نقطه حداکثر مورد بررسی قرار می گیرد. نتایج حاصل از شبیه سازی و آزمایشگاه برای حالت راه اندازی و حالت پایدار با روش های موجود مقایسه می گردد و موثر بودن روش پیشنهادی نشان داده می شود.

یکی از روش های کنترلی مرسوم در توربین های بادی، کنترل زاویه گام پره های توربین می باشد که این کار به منظور داشتن توان نامی در خروجی توربین، برای سرعت های باد بالاتر از سرعت باد نامی انجام می گیرد. با توجه به اهمیت زیاد کیفیت توان تولیدی توسط توربین و از آنجا که عملکرد بهتر کنترل کننده زاویه گام، کیفیت بهتر خروجی سیستم زاویه گام و متعاقبا کیفیت بهتر توان تولیدی توربین را به دنبال دارد، بهینه سازی عملکرد این کنترل کننده امری حیاتی است. در این مقاله ابتدا برای کنترل زاویه گام از یک کنترل کننده PI استفاده شده و سپس یک کنترل کننده هوشمند عاطفی جدید (برگرفته از مکانیسم یادگیری عاطفی مغز انسان) جایگزین آن گردیده است. با توجه به نتایج شبیه سازی با این جایگزینی، عملکرد سیستم کنترل زاویه گام در حد بسیار خوبی بهبود یافته است. این کنترل کننده هوشمند عملکرد خوبی از لحاظ سرعت پاسخ دهی، ریپل پاسخ و بالاخره خطای ماندگار ردیابی داشته و در ضمن از قوام قابل ملاحظه ای در قبال تغییرات سرعت باد (نقطه کار) و پارامترهای سیستم زاویه گام برخوردار است.

در این مقاله برای تشخیص جزیره های الکتریکی، یک الگوریتم جدید مبتنی بر تحلیل سیگنال های حالت گذرا با استفاده از تبدیل موجک گسسته (DWT) و شبکه عصبی مصنوعی (ANN) ارائه می گردد. شبکه عصبی برای دسته بندی حوادث به حالت های "جزیره" یا "غیر جزیره" آموزش داده می شود. ویژگی های مورد نیاز دسته بندی، از طریق تبدیل موجک گسسته سیگنال های گذرای ولتاژ و جریان DGها استخراج می شوند. برای شبیه سازی الگوریتم از نرم افزارهای DIGSILENT،MATLAB  و WEKA استفاده شده است. روش پیشنهادی روی یک سیستم توزیع ولتاژ متوسط CIGRE با دو نوع DG مختلف آزمایش می شود. این مقاله، الگوریتم رله نهایی را با تحلیل انجام گرفته از میان 162 طرح انتخاب می کند تا رله انتخابی از نظر شاخص های مختلف از جمله دقت، سرعت، سادگی و هزینه، بهترین کارایی را داشته باشد. با تحلیل و بررسی های صورت گرفته در رله انتخابی DGها، از سیگنال ولتاژ، موجک مادر db 4 و سطح هفتم تبدیل موجک استفاده می شود. نتایج شبیه سازی نشان می دهد که این روش می تواند جزیره های الکتریکی را در مقایسه با روش های موجود در زمان کوتاه تر و با دقت بالاتری تشخیص دهد.

یک روش مناسب برای رسیدن به بازده و ضریب توان بالا در ماشین های سنکرون رلوکتانسی، افزایش برجستگی مغناطیسی (Ld/Lq) در این ماشین ها است. این کار معمولا از طریق تغییر ساختار هندسی ماشین و به ویژه با تغییر تعداد و شکل سدهای شار رتور انجام می شود. در این مقاله از یک روش هوشمند برای بهینه سازی موتور سنکرون رلوکتانسی بر مبنای برجستگی مغناطیسی استفاده شده است. به این منظور مشخصات موتور از جمله هندسه ورق های استاتور، طول محوری ماشین، نوع سیم بندی و تعداد سدکننده های شار رتور ثابت فرض شده و شش پارامتر برای تعیین مکان سدهای شار رتور تعریف شده است. سپس به ازای تغییرات پله ای این پارامترها، برجستگی مغناطیسی رتور با استفاده از روش اجزای محدود (FEM) محاسبه شده و با به کارگیری این مقادیر برای آموزش یک شبکه عصبی (NN)، تابعی برای مدل کردن برجستگی مغناطیسی در موتور فراهم شده است. با در نظر گرفتن این مدل عصبی به عنوان تابع هدف درون الگوریتم ژنتیک (GA)، پارامترهای ماشین سنکرون رلوکتانسی بهینه سازی شده و بهترین ساختار موتور با بیشترین برجستگی مغناطیسی به دست آمده است. در پایان توانایی تخمین درست شبکه عصبی توسط شبیه سازی FEA، و قابلیت سنکرون ماندن موتور در بار نامی توسط شبیه سازی دینامیکی تایید شده است.

در مقاله حاضر با تلفیق دو دیدگاه سری های تیلور برداری و گسترش پهنای باند مصنوعی، ایده جدیدی در زمینه بهبود کیفیت سیگنال گفتار باند محدود تخریب شده توسط نویز ارائه شده است. بدین ترتیب که ابتدا پارامترهای بازنمایی MFCC استخراج شده از گفتار نویزی باند محدود به روش سری های تیلور برداری اصلاح شده و سپس با استفاده از مدل گسترش پهنای باند مبتنی بر GMM، بردارهای بازنمایی گفتار باند گسترده برای این پارامترهای اصلاح شده تخمین زده می شوند. سپس به کمک دو معیار اندازه گیری PESQ و LSD، میزان شباهت پوش طیف و سیگنال گفتار تخمین زده شده باند گسترده با پوش طیف باند گسترده و گفتار تمیز مرجع سنجیده می شود. نتایج به دست آمده از پیاده سازی این الگوریتم به وضوح بیانگر کارایی مناسب ایده پیشنهادی در جهت بهبود کیفیت بردارهای بازنمایی گفتار باند محدود آلوده به نویز و نزدیک تر کردن آنها به بردارهای ویژگی سیگنال گفتار باند گسترده مرجع هستند.

در این مقاله یک الگوریتم استخراج ویژگی مقاوم به نویز را پیشنهاد می دهیم. در این الگوریتم به منظور استخراج ویژگی از یک فیلتر غیر خطی و پوشش موقتی استفاده می شود و با بهره گیری ازویژگی دلتا- طیفی به جای ویژگی کپسترال- دلتا دقت بازشناسی صحبت به طور مطلوبی افزایش می یابد. تقریبا همه سیستم های خودکار تشخیص صحبت (ASR) کنونی از ویژگی های کپسترال- دلتا و دلتا- دلتا برای استخراج ویژگی صحبت استفاده می کنند. در این مقاله هدف، رسیدن به ویژگی های مقاومی است که در شرایط مختلف نویزی بهبود بیشتری برای بازشناسی صحبت فراهم می آورد. برای تحقق این امر بر روی برخی از مشخصات کلیدی صحبت (خصوصا مشخصات غیر ایستان صحبت) متمرکز شده که با سیگنال های نویزی اختلاف دارد. نتایج آزمایش های انجام گرفته نشان می دهد که دقت بازشناسی در مقایسه با MFCC و PLP در حضور انواع مختلف نویز بهبود یافته است.