دانلود ترجمه مقاله شبکه های عصبی مصنوعی اعمال شده برای بارگذاری تک فاز مشخصه هارمونیک (IEEE – 2009) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

شبکه های عصبی مصنوعی اعمال شده برای بارگذاری تک فاز مشخصه هارمونیک

Artificial neural networks applied to single-phase load harmonic characterization

چکیده
1 مقدمه
2 بارهای غیرخطی
3 شناسایی هارمونیکی
A کاربرد شبکه‌های عصبی مصنوعی
B نتایج آزمایشی
C. ANN (شبکه عصبی مصنوعی) و روشهای FFT (تبدیل فوریه سریع) کوتاه شده
4 نتیجه گیری
سپاس و قدردانی
منابع

چکیده

در این مقاله، یک روش جایگزین مبتنی بر شبکه‌های عصبی مصنوعی برای تعیین مؤلفه‌های هارمونیک جریان بار در یک سیستم قدرت الکتریکی تک فاز ارائه می‌شود. شش مؤلفه هارمونیک اول از شکلهای موج جریان یک کنترلگر AC و یک یکسو ساز پل دیود تک فاز محاسبه می‌شوند که از متداول‌ترین بارها در کاربردهای صنعتی، تجاری و مسکونی می‌باشند. تأثیر این بارهای غیرخطی در رابطه با مسائل کیفیت توان نیز توصیف می‌شود. روش پیشنهادی با FFT (تبدیل فوریه سریع) کوتاه شده مقایسه می‌شود. نتایج شبیه سازی و آزمایشی به منظور اعتبارسنجی رویکرد پیشنهادی ارائه می‌شوند.

1 مقدمه

استفاده از دستگاه‌ها و تجهیزات مبنی بر مبدل استاتیک بطور مداوم در حال رشد بوده است و توجه را به سمت مسائل متعددی از جمله تأثیر بارهای غیر خطی بر کیفیت توان (PQ) معطوف می‌کند. در (1)، نشان داده شده که PQ (کیفیت توان)را می‌توان با استفاده از یک شبکه عصبی مصنوعی (ANN) ارزیابی کرد.

چنین بارهایی موجب اختلال در سیستم توان الکتریکی می‌شوند و متعاقباً به کاهش PQ (کیفیت توان) می‌انجامند. مقادیر زیادی از بارهای تک فاز غیرخطی می‌تواند اعوجاج هارمونیکی زیادی را در محیطهای صنعتی ، مسکونی و تجاری بوجود آورد (2)، (3).

4 نتیجه گیری

در این مقاله، دامنه‌ها و فاز شش مؤلفه هارمونیکی اول جریانهای دیمر و یکسوساز پل دیود از برآورد ضرایب سری فوریه (An و Bn) پس از توصيف نظري و تجربي آن دو بار غير خطي كه کاربرد گسترده‌ای دارند در مدارهای الکترونیکی تک فاز محاسبه شدند. برای برآورد این ضرایب، یک روش جایگزین مبتنی بر ANN(شبکه عصبی مصنوعی) طراحی شد. روش ANN(شبکه عصبی مصنوعی )، دیمر و مجموعه‌ای از دیمر و یکسوساز پل دیود را در نقطه اتصال مشترک (PCC) در نیم چرخه سیگنال جریان به عنوان یک راه حل کارآمد برای تعیین مؤلفه جریان هارمونیک نشان داد. نتایج به دست آمده با روشهای عصبی با نتایج به دست آمده با FFT کوتاه شده که کاربردپذیری آن را نشان می‌دهند مورد مقایسه قرار گرفتند.

Abstract 

 In this paper, an alternative method based on artificial neural networks is presented for the determination of load current harmonic components in a single-phase electric power system. The first six harmonic components are calculated from current waveforms of an AC controller and a single-phase diode bridge rectifier, which are the most common loads in industrial, commercial and residential applications. The influences of such nonlinear loads in power quality issues are also characterized. The proposed method is compared with truncated FFT. Simulation and experimental results are presented in order to validate the proposed approach.

I INTRODUCTION

The use of devices and equipments based on static converter has been in constant growing which awakes the attention to several problems such that nonlinear loads cause in the Power Quality (PQ). In [1], it is showed that the PQ can be evaluated by using an Artificial Neural Network (ANN).

Such loads produce perturbations to the electric power system and, consequently, results in a decreasing PQ. In large quantities, nonlinear single-phase loads can cause a great harmonic distortion in industrial, residential and commercial environments [2], [3].

IV CONCLUSION

In this paper, the amplitudes and phase of first six harmonic components of dimmer and diode bridge rectifier currents were calculated from the estimative of Fourier series coefficients (An e Bn) after the theoretical and experimental characterization of those two widely applied nonlinear loads in single-phase electronic circuits. An alternative method based on ANN was developed for such coefficient estimative. The ANN method showed as an efficient solution for the harmonic current component determination both dimmer and the set of dimmer and diode bridge rectifier at PCC in half-cycle of current signal. The results obtained by neural methods were compared to those of truncated FFT, which demonstrate its applicability.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه های عصبی مصنوعی اعمال شده برای بارگذاری تک فاز مشخصه هارمونیک

Artificial neural networks applied to single-phase load harmonic characterization