-
شماره ركورد
5420
-
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
5420
-
پديد آورنده
رحيم خورسندي گاوگاني
-
عنوان
تعيين ميزان چگالي رسوب نمك معادل(ESDD)روي عايقهاي ولتاژ بالا بااستفاده از شبكه هاي عصبي مصنوعي
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
برق - قدرت
-
سال تحصيل
1389
-
تاريخ دفاع
1389
-
استاد راهنما
دكتر احمد غلامي
-
چكيده
شبكه هاي انتقال انرژي الكتريكي در معرض انواع آلودگ يها قرار داشته بنابراين مقدار جريان خزشي سطح
مقره ها افزايش يافته و امكان بروز قوس الكتريكي افزايش مي يابد، كه باعث به وجود آمدن ضررهاي
اقتصادي و همچنين نارضايتي مصرف كنندگان م يشود. در طي سال هاي گذشته معيارهاي مختلفي براي
مي باشد. روش هاي مختلفي براي ESDD ارزيابي ميزان آلودگي معرفي شده است كه يكي از رايج ترين آنها
از جمله روش رگرسيون مبتني ESDD وجود دارد. بعضي از روش هاي ارزيابي ميزان ESDD تعيين مقدار
بر يافتن يك رابطه رياضي بين عوامل موثر بر ميزان آلودگي هستند. اين روش ها همواره به جواب نخواهند
در بعضي موارد لازم است ،ESDD رسيد زيرا در حين انجام عمليات رياضياتي براي محاسبه مقدار
معكوس ماتريسي محاسبه شود كه معكوس ناپذير م يباشد (دترمينان ماتريس صفر باشد). از طرفي يافتن
كار نسبتا مشكلي است. از ديگر روش هاي ارزيابي ESDD يك رابطه دقيق بين عوامل موجود و ميزان
ميزان آلودگي، اندازه گيري واقعي مقدار آلودگي با استفاده از نمونه برداري از مقره هاي موجود در خط
انتقال است كه اين كار بسيار وقت گير و هزينه بر است.
براي رفع مشكلات ذكر شده، استفاده از روش هاي هوشمند يك انتخاب مناسب است زيرا اين رو شها
معمولا داراي دقت و سرعت مناسبي هستند و مي توان براي ارزيابي به هنگام نيز از آنها استفاده نمود. از
بين روش هاي هوشمند روش شبكه هاي عصبي مصنوعي براي انجام اين پايان نامه انتخاب شده است زيرا
به دست آوردن رابطه رياضي بين پارامترهاي موجود لازم نبوده و م يتوان خطاي پيش بيني مقدار آلودگي
و تغيير ساختار تعداد نرون هاي MLP را به حداقل رساند. در اين پايان نامه با استفاده از يك شبكه عصبي 1
با دقتي مناسب به دست آمده است. شبيه سازي هاي انجام شده نشان م يدهد ESDD لايه پنهان ميزان
توسط شبكه عصبي ESDD كه تعداد لاي ههاي شبكه عصبي يكي از عوامل موثر بر دقت پي شبيني ميزان
آلودگي به 4 دسته كم، متوسط، زياد و بسيار زياد ،ESDD است. براي تعيين ميزان آلودگي توسط معيار
دسته بندي مي نمايند و با توجه به دقت به دست آمده، شبكه عصبي قادر است به صورت به هنگام سطح
آلودگي مقره را تعيين نمايد. در اينجا براي پيش بيني ميزان آلودگي از عوامل محيطي مانند دما و سرعت
باد استفاده شده است. ابعاد مقره و در بعضي موارد ميزان ولتاژ شكست عايق نيز براي تشخيص سطح
آلودگي مورد استفاده قرار گرفته اند. نحوه نرماليزه كردن داد هها بسيار مهم است. در شبيه سازي هاي انجام
شده، داده ها به طوري نرماليزه شد هاند كه اثر داده هايي كه مقادير نزديك صفر دارند ناديده گرفته نشود وداده هاي با مقدار زياد باعث اشباع خروجي نشوند. اين استراتژي باعث شده تا ميزان دقت پي شبيني انجام
شده بهتر از نتايج مقالات مرجع باشد
-
لينک به اين مدرک :