عنوان : تعیین پارامترهای دینامیکی ژنراتورهای سنکرون با بهره گیری از شبکه عصبی

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

پایانامه برای دریافت درجه کارشناسی ارشد “M.Sc”

مهندسی برق قدرت

عنوان :

تعیین پارامترهای دینامیکی ژنراتورهای سنکرون با بهره گیری از شبکه عصبی

استاد راهنما :

دکتر محمد رضا آقا محمدی

استاد مشاور :

دکتر حمید لسانی

بهمن 1385

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد
(در فایل دانلودی نام نویسنده موجود می باشد)
تکه هایی از متن پایان نامه به عنوان نمونه :
فهرست مطالب
عنوان                                                                    شماره صفحه
فصل اول: کلیات………………………………………………………………………………… 16
 
فصل دوم: مدلسازی ماشینهای سنکرون…………………………………………. 21
 
-1-2 پیشگفتار……………………………………………………………………………… 22
 
-2-2 ساختار فیزیکی ماشین سنکرون……………………………………… 22
 
-1-2-2 ساختار روتور و استاتور……………………………………………. 22
 
-2-2-2 سیم بندی های ماشین سنکرون 23………………………… …………..
 
-3-2 توصیف ریاضی ماشین سنکرون 23………………………………………………………………………………………. …………………………
 
-1-3-2 معادلات ریاضی حاکم بر ماشین سنکرون 23……… ……………
 
-2-3-2 معادلات حرکت 28                                            ………………………………………………………………………………………
 
-4-2 پارامترهای ماشین سنکرون 29…………………………………………………………… …………………………………………………………..
 
-1-4-2 پارامترهای اساسی………………………………………………………… 29
 
-2-4-2 پارامترهای عملیاتی 30………………………………………………………………………………. ………………………………….
 
-3-4-2 پارامترهای دینامیکی………………………………………………….. 31
 
-5-2 محاسبه پارامترهای دینامیکی ماشین سنکرون بر اساس پارامترهای اساسی
 
ماشین……….. 31
 
-1-5-2 محاسبه راکتانسهای ماشین 33
 
-2-5-2 محاسبه ثابت زمانی های ماشین………………………………… 35
-6-2 مراتب مختلف مدلهای ماشین سنکرون بر اساس مدل دو محوری پارک    37
 
فصل سوم: مطالعه روشهای شناسایی پارامترهای دینامیکی ژنراتور سنکرون        ..………………………………………………………………………………………………… 39
 
-1-3 مروری بر پیشینه شناسایی پارامترهای ژنراتورهای سنکرون 40         .…………………………………………………………………………………………………. ………………………..
 
-2-3 انواع روشهای تعیین پارامترهای دینامیکی ژنراتور سنکرون 42       .……………………………………………………………………………………………….. ………………………….
 
-1-2-3 روشهای کلاسیک اندازه گیری پارامترهای دینامیکی ژنراتورهای شبکه    42
 
-2-2-3 روشهای جدید تعیین پارامترهای دینامیکی ژنراتورهای سنکرون     43
 
فصل چهارم: شناسایی بلادرنگ پارامترهای ژنراتور سنکرون با بهره گیری از شبکه عصبی
 
مصنوعی ....      45
 
-1-4 کلیات و اصول کارشبکه های عصبی 46………………………………………………………………………………….. ………………………………
 
-2-4 اصول کار شبکه عصبی تخمین گر پارامترها……………… 46
 
-1-2-4 دادههای آموزشی و آموزش شبکه عصبی………. .…………. 48
 
-2-2-4 تست شبکه عصبی تخمینگر……………………………………………… 50
 
-3-4 نتایج 51……………. .………………………………………. …………………………………………………………
 
-1-3-4 نمونههایی از نتایج شبکه عصبی تخمینگر…. 53
 
-2-3-4 مطالعه تحلیلی نتایج .……………………………………… 89
 
فصل پنجم: نتیجهگیری و پیشنهادات .…….. ..…………………………….. 97
 
ضمیمهها…………………………………………………………………………………………………. 100
 
ضمیمهالف- طرحهای بکار گرفته شده برای شبیهسازی ژنراتور سنکرون      101
 
ضمیمهب- نمودار پارامترهای بکار گرفته شده در شبیهسازی ژنراتور سنکرون ..………………………………………………………………………………………………………….. 105
 
منابع و ماخذ……………………………………………. .……………………………………. 110
 
فهرست جدول ها
 

عنوان شماره صفحه
1-2 : مراتب مختلف مدلهای ژنراتور سنکرون 24
1-4 : فهرست پارامترهای دینامیکی ژنراتورهای سنکرون 38
2-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه فراوانی خطا 81
3-4 : نتایج شبکه عصبی در دوره آموزش و تست از دیدگاه دامنه خطا 82

 
فهرست شکلها
 

عنوان شماره صفحه
: 1-1 نمای کلی فرایند ارزیابی و بهبود سیستمهای قدرت 3
: 1-2 مدارهای استاتور و روتور ماشین سنکرون 9
:2-2 مدار معادل ماشین بر اساس تئوری پارک 13
:3-2 توزیع شار در ماشین سنکرون طی دورههای زیرگذرا، گذرا و ماندگار 18
:4-2 مدار معادل ژنراتور سنکرون در حالت ماندگار 19
:5-2 مدار معادل ماشین سنکرون در دوره گذرا 20
:6-2 مدار معادل ماشین سنکرون طی دوره زیر گذرا 20
:7-2 مدار معادل ماشین جهت استخراج ثابت زمانی های گذرای مدار باز 21
: 8-2 مدارمعادل ماشین جهت استخراج ثابت زمانی های زیر گذرای مدار باز 22
: :1-4 طرح کلی سلول عصبی بشر 32
:2-4 شکل کلی سلول عصبی مصنوعی 33
:3-4 ساختار شبکه عصبی توسعه یافته 33
:4-4 شکل کلی روش تهیه اطلاعات بهرهبرداری ژنراتورهای سنکرون 35
:5-4 آلگوریتم آموزش شبکه عصبی 36
:6-4 طرح کلی روش تست و بهرهبرداری از شبکه عصبی 37
:7-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xd” 39
:8-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 39
:9-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 40
:10-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd” 40
:11-4 هیستوگرام خطای شبکه عصبی در مرحله تست 41
:12-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 41
:13-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd” 42

 

:14-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 42
:15-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 43
:16-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd” 43
:17-4 هیستوگرام خطای شبکه عصبی در مرحله تست 44
:18-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 44
:19-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xd” 45
:20-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 45
:21-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 46
:22-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xd” 46
:23-4 هیستوگرام خطای شبکه عصبی در مرحله تست 47
:24-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 47
:25-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین xq” 48
:26-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 48
:27-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 49
:28-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq” 49
:29-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 50
:30-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 50
:31-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq” 51
:32-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 51
:33-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 52
:34-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین xq” 52
:35-4 هیستوگرام خطای شبکه عصبی در مرحله تست 53
:36-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 53
:37-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین xq” 54
:38-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 54
:39-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 55

 

:40-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین xq” 55
:41-4 هیستوگرام خطای شبکه عصبی در مرحله تست 56
:42-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 56
:43-4 نمودار خروجی شبکه عصبی درفرایند برای تخمین Td” 57
:44-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 57
:45-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 58
:46-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td” 58
:47-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 59
:48-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 59
:49-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td” 60
:50-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 60
:51-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 61
:52-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td” 61
:53-4 هیستوگرام خطای شبکه عصبی در مرحله تست 62
:54-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 62
:55-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Td” 63
:56-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 63
:57-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 64
:58-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Td” 64
:59-4 هیستوگرام خطای شبکه عصبی در مرحله تست 65
:60-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 65
:61-4 نمودار خروجی شبکه عصبی درفرایند آموزش برای تخمین Tq” 66
:62-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 66
:63-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 67
:64-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq” 67
:65-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 68

 

:66-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 68  
:67-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq” 69  
:68-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 69  
:69-4 نمودار خطای تخمین شبکه عصبی در مرحلهآموزش 70  
:70-4 نمودار خروجی شبکه عصبی تحت تست برای تخمین Tq” 70  
:71-4 هیستوگرام خطای شبکه عصبی در مرحله تست 71  
:72-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 71  
:73-4 نمودار خروجی شبکه عصبی در فرایند آموزش برای تخمین Tq” 72  
:74-4 هیستوگرام خطای شبکه عصبی در مرحله آموزش 72  
:75-4 نمودار خطای تخمین شبکه عصبی در مرحله آموزش 73  
:76-4 نمودار خروجی شبکه عصبی در فرایند تست برای تخمین Tq” 73  
:77-4 هیستوگرام خطای شبکه عصبی در مرحله تست 74  
:78-4 نمودار خطای تخمین شبکه عصبی در مرحله تست 74  
ض-:1 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 88  
ناگهانی تحریک  
   
ض-:2 طرح شبیه سازی ژنراتور سنکرون متـصل بـه شـین بینهایـت بـا اغنـشاش 89  
اتصالکوتاه درترمینال ژنراتور  
   
ض-:3 طرح شبیه سازی ژنراتور سنکرون متصل به شین بینهایت با اغتشاش تغییر 90  
ناگهانی توان ورودی  
   
ض-:4 تغییرات مقادیر Xd بکار گرفته شده 92  
ض-:5 تغییرات مقادیر Xd‘ بکار گرفته شده 92  
ض-:6 تغییرات مقادیر Xd” بکار گرفته شده 92  
ض-:7 تغییرات مقادیر Xq بکار گرفته شده 93  
ض-:8 تغییرات مقادیر Xq” بکار گرفته شده 93  
ض-:9 تغییرات مقادیر Xl بکار گرفته شده 93  
ض-:10 تغییرات مقادیر Td’ بکار گرفته شده 94  
ض-:11 تغییرات مقادیر Td” بکار گرفته شده 94  
این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد: شبیه سازی عددی سلول خورشیدی مبتنی بر نانو نوار گرافن با استفاده از روش تابع گرین غیرتعادلی

 

ض-:12 تغییرات مقادیر Tq” بکار گرفته شده 94
ض-:13 تغییرات مقادیر Rs بکار گرفته شده 95
ض-:14 تغییرات مقادیر WR بکار گرفته شده 95
ض-:15 تغییرات مقادیر H بکار گرفته شده 95

 
 
چکیده پایاننامه:
 
این پروژه روشی نو را برای بکارگیری رؤیتگرهای شبکه عـصبی در جهـت شناسـایی و تعیـین پارامترهـای دینامیکی ژنراتورهای سنکرون با بهره گیری از اطلاعات بهرهبرداری ارائه کرده می باشد. اطلاعات بهـرهبـرداری از طریق اندازهگیریهای بلادرنگ بعمل آمده در قبال اغتشاشات حوزه بهرهبرداری فراهم مـیشـود. دادههـای آموزشی مورد نیاز شبکه عصبی از طریق شبیهسازیهای غیرهمزمـان بهـرهبـرداری از ژنراتـور سـنکرون در محیط یک ماشین متصل به شین بینهایت فراهم شده می باشد. مقـادیر نمونـه ژنراتورهـای سـنکرون در مـدل مذکور بکار گرفته شدهاند. شبکه آموزش دیده در قبال اندازهگیریهای بلادرنگ شبیهسازی شـده در جهـت تخمین پارامترهای دینامیکی ژنراتورهای سنکرون تست شده می باشد. مجموعه نتایج بدست آمده نشان دهنـده قابلیتهای نوید بخش شبکه عصبی مصنوعی در حوزه تخمین پارامترهای دینامیکی ژنراتورهـای سـنکرون، بصورت بلادرنگ و با بهره گیری از اطلاعات بهرهبرداری میباشد. اگرچه برای دست یـابی بـه خطـای تخمـین قابل قبول در مسیر شناسایی کلیه پارامترهای دینامیکی ژنراتورهای سنکرون، پارهای اصلاحات ضروری بـه نظر میرسد. در نگاه کلّی این اقدامات تکامل بخش را میتوان به دو مجموعه: پیشنهادات مربوط به اصـلاح شبکه عصبی رؤیتگر در حوزه شبیهسازی و آموزش و بخش دیگر را به عنوان گامهای تکاملی تلقی نمود، که سازماندهی این گامها در مبادی ورودی و خروجی شبکه عصبی، زمینه مناسبتـری را بـرای بهـرهگیـری از قابلیتهای آن فراهم خواهد نمود.
 
کلید واژه:
 
ژنراتور سـنکرون، پارامترهـای دینـامیکی، شناسـایی بلادرنـگ، شـبکههـای عـصبی مـصنوعی، اطلاعـات بهرهبرداری
 
مقدمه:
 
در سالهای اخیر با پیشرفت سیستمهای کامپیوتری, سیستمهای هوش مصنوعی نیز متولد شده و رشد کرده می باشد. یکی از سیستمهای هوش مصنوعی, شبکه های عصبی مصنوعی هستند. این شبکه ها به علت عواملی زیرا قطعیت در پاسخ, سادگی در اجرا, قابلیت انعطاف بالا و …. جایگاه ویژه ای را به خود اختصاص داده اند. با در نظر داشتن ساختار و کارکرد شبکه های عصبی مصنوعی و اهمیت تعیین پارامترهای دینامیکی اجزاء سیستمهای قدرت مانند ژنراتورهای سنکرون, بهره گیری از شبکه های عصبی مصنوعی در این حوزه قابل طرح می باشد. از طرف دیگی نتایج ارائه شده از بکار گیری این شبکه ها در حوزه های مشابه, کارکردهای نوید بخشی را نشان می دهد. با در نظر داشتن مراتب فوق این پروژه بر آنست تا با طراحی و اجرای طرح شناسایی پارامترهای دینامیکی ژنراتورهای سنکرون با بهره گیری از شیکه عصبی مصنوعی, قابلیت های این سیستم را در حوزه شناسایی بلادرنگ پارامترهای دینامیکی ژنراتورهای سنکرون نیز بیازماید.
 
فصلاول:
 
کلیات
 
سیستم های قدرت متشکلند از مجموعه ای از مراکز تولید(نیروگاهها) که توسط شبکه های انتقال و توزیع و تجهیزات حفاظتی و کنترل آن به مراکز مصرف متصل می گردند. وظیفه اصلی یک سیستم قـدرت تولیـد و تامین انرژی الکتریکی مورد نیاز مصرف کنندگان با حفظ شرایط سه گانه:
 
-1 ارزانی قیمت انرژی
 
-2 کیفیت بالا
 
-3 امنیت تامین انرژی میباشد. مراد از امنیت، پیوستگی و تداوم در تولید و تامین انرژی می باشد. عوامل مؤثر در امنیـت عبارتنـد از:
 
-1 سرمایه گذاری اولیه (تجهیزات سیستم ) -2 روشها و امکانات نگهداری و تعمیرات سیستم قدرت.
همانگونه که در کلیه وسایل و سیستم های غیرالکتریکی همواره دو ویژگی ارزانـی و بـالا بـودن کیفیـت-
 
امنیت با یکدیگر متعارض و متقابل می باشند در مقوله انرژی الکتریکی و سیستم هـای قـدرت نیـز بهمـان گونه خواهد بود. امنیت یک سیستم قدرت در حقیقت درجه و میدان توانایی آن سیستم در روبرو شدن با حـوادث
 

  • اغتشاشات می باشد . امنیت کلی یک سیستم به دو زیر شاخه:

 

  1. امنیت دینامیکی

 

  1. امنیت استاتیکی

 
قابل تقسیم می باشد. از توانایی سیستم قدرت برای حفظ و نگهداری خود در دوره وقوع اختلال (که خود از سـه دامنه فوق گذرا-گذرا-دینامیک تشکیل شده می باشد) با عنوان امنیت دینامیکی تعبیر مـی گـردد. بـا توجـه بـه اهمیت بسیار زیاد امنیت سیستمهای قدرت، فرایند ارزیابی وبهبود آن همواره مورد توجه مهندسـین طـراح و بهرهبردار بوده، به قسمی که عملیات ارزیابی و بهبود امنیت سیستم های قدرت یکی از وظایف بسیار مهـم و اساسی مراکز کنترل و بهره برداری شبکه های قدرت می باشد. شکل کلی فرایند ارزیـابی و بهبـود سیـستم های قدرت در شکل1-1 اظهار شده می باشد. باتوجه به اهمیت امنیت در سیستم های قدرت و همچنین تغییرات مستمری که در حین عملیات بهره برداری 24 ساعته در شبکه اتفاق می افتد لازم است که دائماً از طرف بهره بردار، عملیات بهره برداری به شکلهای مختلف بر روی سیستم های قدرت اعمال گردد،اما با توجه بـه ویژگی بالا بودن امنیت نباید این عملیات بگونه ای باشدکه سبب بروز اغتشاش در رفتار سیستم و در نتیجـه نقض غرض گردد. از طرفی سیستم قدرت هر کشور منحصر بفرد بوده به قسمی که نمونه دومی نمی تـوان برای آن ایجاد نمود. بنابر این با در نظر داشتن ویژگی منحصر بفرد بودن سیستمهای قدرت و ضـرورت اجتنـاب از عملیات بهره برداری مطالعه نشده، برای ارزیابی اولیه از نتایج عملیات بهره برداری و یا طراحی ضرورتاً مـی بایستی از یک نمونه مشابه سیستم قدرت بهره گیری نمود تا بتوان آغازً نتایج مانورهای طراحی یا بهـره بـرداری را برآن آزمایش و در صورت اطمینان از بی خطر بودن، نتایج آن مانورها را بر شبکه واقعی اعمال نمود.
(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)
تعداد صفحه : 144
قیمت : چهارده هزار تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :               serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***

دسته‌ها: مهندسی برق