دانلود ترجمه مقاله یادگیری عمیق برای کیفیت توان

1. مقدمه 2. کلان داده های کیفیت توان 3. هوش مصنوعی: سیستم های خبره، یادگیری ماشین و یادگیری عمیق 4. جریان کاری یادگیری عمیق برای کیفیت توان 5. مروری بر کاربردهای AI برای PQ 6. بحث و بررسی و پیشنهادات 7. نتیجه گیری

چکیده – هدف این مقاله، معرفی یادگیری عمیق به جامعه کیفیت توان با مرور جدیدترین کاربردها و بحث در مورد چالش های این فناوری می باشد. نشریاتی که در مورد بکارگیری یادگیری عمیق برای کیفیت توان بحث کرده اند از نظر کاربرد، نوع داده ها و روش یادگیری، طبقه بندی می شوند. این مقاله نشان می دهد که اکثریت کاربردهای یادگیری عمیق برای کیفیت توان براساس داده های ترکیبی غیرواقع بینانه و یادگیری نظارتی بدون برچسب گذاری صحیح می باشند. تعدادی از کاربردهای یادگیری عمیق تاکنون بوسیله روش های یادگیری ماشین یا سیستم های خبره متداول حل شده اند. موانع اصلی پیاده سازی یادگیری عمیق برای کیفیت توان مرتبط با نوین نبودن، شفافیت پایین روش های یادگیری عمیق و عدم وجود پایگاه داده های تحلیل مقایسه ای، می باشند. همچنین این مقاله بحث می کند که حتی با استخراج خودکار ویژگی بوسیله روش های یادگیری عمیق، هنوز دانش تخصصی در مورد کیفیت توان برای پیاده سازی و تحلیل نتایج لازم است. خلاء های پژوهشی اصلی شناسایی شده در این مقاله مرتبط به کاربردهای یادگیری نیمه نظارتی، یادگیری عمیق قابل توجیه، و رویکردهای نوین ترکیب کننده یادگیری عمیق با سیستم های خبره می باشند. توصیه هایی برای رفع محدودیت های حاضر از این قرارند: فراهم کردن هماهنگی قوی تر میان ذینفعان شبکه و دانشگاهیان جهت پیگیری رویدادهای کیفیت توان؛ برچسب گذاری صحیح و بزرگ سازی مجموعه داده ها در روش های یادگیری عمیق؛ تبیین تصمیم گیری انتها به انتهای روش های یادگیری عمیق؛ فراهم کردن پایگاه های دسترسی آزاد برای اهداف مقایسه ای.

This paper aims to introduce deep learning to the power quality community by reviewing the latest applications and discussing the open challenges of this technology. Publications covering deep learning to power quality are stratified in terms of application, type of data, and learning technique. This work shows that the majority of the deep learning applications to power quality are based on unrealistic synthetic data and supervised learning without proper labelling. Some applications with deep learning have already been solved by previous machine learning methods or expert systems. The main barriers to implementing deep learning to power quality are related to lack of novelty, low transparency of the deep learning methods, and lack of benchmark databases. This work also discusses that even with automatic feature extraction by deep learning methods, power quality expert knowledge is still needed to implement and analyse the results. The main research gaps identified in this work are related to the applications of semi-supervised learning, explainable deep learning and hybrid approaches combining deep learning with expert systems. Suggestions for overcoming the present limitations are: providing a stronger collaboration among the grid stakeholders and academy to keep track of power quality events; proper labelling and enlarging of datasets in deep learning methods; explaining the end-to-end decision making of deep learning methods; providing open-access databases for comparison purposes.