فصل دوم
مروری بر ادبیات
تحقیق
۲-۱- ادبیات تحقیق:
مشکل اصلی روش های آنالیز قبلی این بوده است که آن ها اطلاعات کافی در حوزه زمان ارائه نمی دادند. تکنیک نوظهوری که بر روش قبلی غلبه کرده بررسی سیگنال را با بهره گرفتن از تبدیل موجک انجام داده و برای تجهیزات فرکانس بالا از وقفه های کوتاه مدت و تجهیزات فرکانس پایین از وقفه ای بلند مدت استفاده کردهاست. برای اطمینان بیشتر، قابلیت تبدیل موجک برای آنالیز سیگنال با اعمال پالس و نوسانات مناسب ارزیابی شده است.
در سال ۱۹۹۴، تبدیل موجک جهت مطالعه اغتشاشات هارمونیکی سیستمهای قدرت مورد استفاده قرار گرفت. [۳۰] در ۱۹۹۶، این تکنیک به عنوان یک ابزار قدرت که قابلیت آنالیز در حوزه زمان و فرکانس را دارد برای آشکارسازی مشکلات کیفیت توان مورد استفاده قرار گرفت. [۴۲] بعد از این مقاله ها مطالعات زیادی در مورد طبقه بندی اغتشاشات کیفیت توان انجام گرفت. گودا و همکاران روش آنالیز چند مرحله ای موجک را جهت شناسایی و طبقه بندی مشکلات کیفیت توان پیشنهاد کردند.یک روش ترکیبی جدید بدین صورت که انحراف معیار استاندارد در سطوح تجزیه مختلف به عنوان ورودی شبکه عصبی اعمال شد تا انواع اغتشاشات کیفیت توان دسته بندی گردد. [۴]
المیتوالی و همکاران یک طبقه بندی کننده با بهره گرفتن از تکنیک شبکه های عصبی پیشنهاد کردند. که در آن یک سیستم تشخیص اغتشاش توان با بهره گرفتن از ترکیب های آماری موجک استفاده گردید. [۲]برای به دست آوردن ترکیبها جهت نمونه برداری از سیگنالهای کیفیت توان از آنتروپی تبدیل موجک استفاده گردید. [۱۸] یک روش طبقه بندی جدید بر مبنای یادگیری قیاسی ماشین که از الگوریتم c4.5 استفاده شده و تجزیه موج با بهره گرفتن از تبدیل موجک صورت گرفته در این مقاله پیشنهاد شده است. [۴۷]نشان داده شده که اغتشاشات کیفیت توان به طور صحیح طبقه بندی می شود. یک طبقه بندی جدید برای کاربردهای کیفیت توان با بهره گرفتن از شبکه عصبی اجرا شد. [۵۰]در این برنامه، برای طبقه بندی و تشخیص اغتشاشات کیفیت توان از آنالیز موجک و تئوری پارسوال استفاده شده. او و استارزیک روش میانبر جدید برای طبقه بندی اغتشاشات کیفیت توان بر مبنای تبدیل موجک و سیستم یادگیری(آرایه های آموزشی خود سازمانده سولار[۱] در این مقاله پیشنهاد کردند. [۲۰] مقدار انرژی در هر سطح تجزیه با بهره گرفتن از روش آرایه های آموزشی خودسازمانده اندازه گیری شد.عملکرد سیستم با بهره گرفتن از اعمال نویزهای مختلف ارزیابی شده و اغتشاشات کیفیت توان را به خوبی طبقه بندی کردهاست .
استخراج ویژگی، معمولا به روش های گوناگونی مانند تحلیل حوزه زمان، تحلیل حوزه فرکانس و یا تحلیل دینامیکهای غیرخطی انجام میگیرد که در این میان ضرایب تبدیل فوریه و بالاخص ضرایب تبدیل موجک ابزارهای مناسبی برای استخراج ویژگی محسوب میشوند. اخیراً روش جدید و مؤثر تبدیل s نیز، به این مجموعه افزوده شده است که در این پایان نامه از از روش تعمیم یافته آن استفاده شده است. لازم به ذکر است که روش تبدیل HS دارای دقت بالاتری از روش تبدیل S میباشد.
تبدیل موجک قابلیت خود را برای تشخیص انواع اغتشاشات نشان داده است. اما قابلیت های آن در کاربردهای عملی تحت شرایط نویزی محیط به طور قابل توجه تنزل مییابد. این نقیصه تا حدی با به کارگیری تبدیل S جبران می شود. این قابلیت تبدیل S، توجه محققین را برای تشخیص و طبقه بندی وقایع کیفیت توان به خود معطوف داشته است. در سالهای اخیر تبدیل S به دلیل مشخصات زمان-فرکانسی بسیار خوبی که دارد برای تحلیل اغتشاشات کیفیت توان مورد استفاده قرار گرفته است.اخیراً هانگ و همکاران با بهره گرفتن از تبدیل MGS[2] آنالیز و مونیتورینگ وقایع کیفیت توان را در شبکه های میکرو گراید[۳] انجام داده است. در این تبدیل ابتدا سیگنالهای مختلفی از وقایع کیفیت توان به حوزه زمان-فرکانس برده شد و حوزه فرکانس به سه ناحیه فرکانسی تقسیم شده و با بهره گرفتن از تبدیل s به نواحی مختلف فرکانسی برده شد سپس با گروه اجتماع ذرات[۴] استخراج ویژگی صورت گرفته و از طبقه بندی کننده درخت تصمیم گیری جهت طبقه بندی وقایع کیفیت توان استفاده شد. [۲۸] همچنین از تبدیل s در طبقه بندی وقایع کیفیت توان برای یک نیروگاه بادی که دی-جی[۵] ها در آن به کار برده شده بود، استفاده شده و با تکنیک های شبکه عصبی مدوله شده[۶] و حداقل مربعات ماشین بردار پشتیبان[۷] طبقه بندی صورت گرفت. [۲۹]
در نظر گرفتن ویژگیهای زیاد نیاز به حجم حافظه و زمان محاسباتی بیشتری دارد. به همین دلیل در سالهای اخیر، روشهای کاهش بعد و انتخاب ویژگی در یادگیری ماشین، به شدت مورد توجه بوده اند. دو روش اصلی برای انتخاب ویژگی وجود دارد: روش فیلتر کردن و روش فراگیر یا روکشی.
روش های یادگیری مختلفی برای کلاس بندی الگوها وجود دارد که از جمله آن ها میتوان به توابع احتمال شباهت، K نزدیکترین همسایه، روش های مبتنی بر قوانین، ماشین بردار پشتیبان، شبکه های عصبی، درخت تصمیم و روش های بیزی اشاره کرد. هر کدام از این روشها نقاط قوت و ضعفی داشته و بسته به تعریف مسئله و هدف، می تواند در کاربردهای مختلف به نحو مناسبی استفاده شود. در سالهای اخیر، تعدادی روش دستهبندی آماری و روش یادگیری ماشین به منظور دستهبندی اغتشاشات کیفیت توان پیشنهاد شده است. از جمله این روشها میتوان به روش دستهبندی نزدیکترین همسایه، درختهای تصمیم، ماشین بردار پشتیبان و روش شبکه های عصبی اشاره نمود.
در سالهای اخیر تحقیقات بسیاری به منظور بهبود سیستمهای تشخیص کیفیت توان صورت گرفته است که در آن ها استفاده از آنالیز موجک جهت استخراج ویژگی بسیار متداول است.