عنوان پایان‌نامه
تشخیص خطا در سیستم HVDC
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41836;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1606
- تاریخ دفاع
- ۰۵ اسفند ۱۳۸۷
- دانشجو
- محمد طحان
- چکیده
- چکیده در این تحقیق، یک الگوریتم ترکیبی جدید به منظور تمایز انواع خطا در سیستم HVDC مبتنی بر مفاهیم تبدیل موجک و مدل مارکوف مخفی (HMM) ارائه می¬گردد. مدل مارکوف مخفی ابزاری قدرتمند در طبقه بندی حالات گذرا است که با محاسبه احتمال شباهت بین داده¬های آموزش و آزمایش نوع خطا را شناسایی می¬کند. الگوریتم HMM بر اساس رفتار مولفه¬های استخراج شده توسط تبدیل موجک از جریان و ولتاژ خط DC طراحی شده است. تبدیل موجک گسسته به منظور کاهش زمان محاسبات HMM و افزایش دقت شناسایی، مشخصه های خاصی را از شکل موج جریان و ولتاژ استخراج می¬کند. این مشخصه جدید در شرایط مختلف خطا رفتارهای مختلفی از خود نشان می¬دهد. الگوریتم خوشه¬بندی k-means به منظور کاهش حجم داده¬های آموزش، بهبود آموزش و همچنین رفع مشکل واگرایی بکار رفته است. در این روش تابع معیار مقایسه چند احتمال است. با استفاده از این تابع می¬توان حالت خطا را از حالت عادی در ms5 تشخیص داد. از مزایای دیگر روش پیشنهادی، عدم نیاز به انتخاب مقادیر آستانه در الگوریتم تشخیص خطا است. از آنجایی که روش پیشنهادی بر اساس مشخصات آماری و احتمالاتی سیگنال¬های خطا استوار است و نیازی به تعیین تابع معیار معینی ندارد، انعطاف¬پذیری بالایی از خود نشان می¬دهد. ارزیابی این روش با استفاده از شبیه¬سازی حالت¬های مختلف خطای سیستم HVDC انجام شده است. به این منظور شبکه نمونه¬ CIGRE-HVDC جهت انجام شبیه¬سازی¬ها توسط نرم¬افزار PSCAD/EMTDC مدل شده است. نتایج این ارزیابی نشانگر صحت و دقت عملکرد روش پیشنهادی در تشخیص انواع خطای سیستم HVDC است. کلید واژه¬ها تشخیص خطا در سیستم HVDC( Fault detection in HVDC system) ، مدل مارکوف مخفی گسسته ( Discrete Hidden Markov Model) ، تبدیل موجک گسسته ( Discrete Wavelet Transform) ، شناسایی الگو ( Pattern Recognition).
- Abstract
- Abstract This project proposed a new combinatorial classification method based on Hidden Markov Models (HMMs) and wavelet transform to discriminate HVDC system faults. HMM is a probabilistic algorithm which is able to be trained in order to identify the signal by computing the maximum likelihood probability of the signal for a trained model. Proposed HMM algorithm is based on features extracted by wavelet transform from DC line current and voltage. To reduce the computational time of HMM training procedure and enhance the discrimination accuracy, some principle characteristic of the input signals is extracted by using Discrete Wavelet Transform (DWT). This new characteristic has different behavior in different fault conditions. k-means algorithm is presented to enhance learning capabilities and to reduce the training computation burden of HMM. In this technique the criterion function is achieved by comparing Maximum Likelihood Probability of models. By this criterion, the faulty conditions discriminate in 5ms from normal condition. Another advantage is this method don’t need to threshold value. In proposed technique, probabilistic characteristics of signals, discriminate fault signals without any deterministic index, so more flexible classification in different system conditions is achieved. CIGRE HVDC benchmark model, performed using EMTDC/PSCAD simulations, demonstrate suitable performance of this scheme for different fault types and system conditions. All simulation results, validate the stability and robustness of proposed scheme in different conditions such as noisy system. Key words: Fault detection in HVDC system, Discrete Hidden Markov Model, Discrete Wavelet Transform, Pattern Recognition
