دانلود ترجمه مقاله رویکرد یادگیری عمیق برای طبقه بندی اختلالات کیفیت توان

1. مقدمه 2. روش تحقیق 3. مدل یادگیری عمیق 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – کیفیت توان، یکی از مهمترین زمینه های پژوهشی برای بخش انرژی است. افت ناگهانی ولتاژ یا افزایش ناگهانی ولتاژ و هارمونیک ها باید شناسایی شوند. همه این اعوجاج ها، اعوجاج های کیفیت توان (PQD ها) نامیده می شوند. شبکه های عصبی مصنوعی کانوالی مبتنی بر یادگیری عمیق با یک رویکرد مدل توجه ایجاد شده اند. ایده اصلی، توسعه رویکردی جدید برای شبکه عصبی کانوال (CNN) است که براساس آن، یک سیگنال توان خاص به شرایط کیفیت توان مربوطه خود، دسته بندی می شود. رویکرد مدل توجه براساس این ایده است که بهترین جواب از استخر داده های بتازگی تولید شده که با مقیاس بندی داده های موجود طبق تعداد کل پیکسل ها قبل از ایجاد استخر داده های میانگین، بدست می آید و سپس فرآیند CNN عمیق ادامه پیدا خواهد کرد. در رویکرد مدل توجه، همه داده ها در تعداد عناصر در تعداد شصت و شش تانسور زمانی، ضرب می شود. مجموعه داده های استفاده شده در اینجا حاوی سیگنال هایی است که متعلق به یکی از 9 دسته می باشد. این بدان معناست که هر سیگنال بوسیله 622 نقطه داده و 5600 پارامتر داده ای، تشخیص داده می شود. همه سیگنال های فراهم شده در حوزه زمانی می باشند. کیفیت توان (PQ)، مستقیماً به عدم وجود یا نادر بودن آشفتگی های توان بستگی دارد. مقادیر دقت و خطای مدل توسعه یافته طبق تعداد دوره های زمانی و تعداد تکرارها، بدست آمدند.

Power quality is one of the most important research eras for the energy sector. Suddenly dropped voltages or suddenly rising voltages and harmonics in energy should be identified. All of these distortions are called power quality disturbances (PQDs). Deep learning based convolutional artificial neural networks with an attention model approach has been carried out. The main idea is to develop a new approach to convolutional neural network (CNN) based which classifies a particular power signal into its respective power quality condition. The attention model approach is based on the idea that the best solution will be taken from the newly produced data pool obtained by rescaling the available data according to the total number of pixels before the average data pool is created and then deep CNN processes will continue. In the attention model approach, all data is multiplied by the number of elements by the number of epoch time sixty-six tensors. The dataset used here contains signals which belong to one of the 9 classes. This means that each signal is characterized by 622 data points and 5600 data parameters. All signals provided are in time domain. Power quality (PQ) is directly depending on power disturbances’ absence or scarcity. The accuracy and error values of the developed model were obtained according to both the number of epochs and the number of iterations.