دانلود ترجمه مقاله مکان یابی خطاهای امپدانس بالا در خوشه های ریزشبکه DC

1. مقدمه 2. خوشه ریزشبکه DC 3. ارزیابی عملکرد 4. بحث و بررسی و مقایسه 5. نتیجه گیری

چکیده – یافته های بدست آمده حاکی از آن است که خوشه های ریزشبکه DC با افزایش تعداد ریزشبکه های DC به عنوان یک راه حل سودآور، کارآمد و در حال ظهور مطرح می شوند. از اینرو، با در نظر گرفتن فاصله های ممکن بین ریزشبکه های DC، به محض بروز خطا و رفع آن، بایستی مکان یابی انجام شود. به ویژه اینکه، مکان یابی خطا های امپدانس بالا (HIF ها) کار دشواری محسوب می شود. همچنین لازم به ذکر است که با روش های مکان یابی خطا بدون ایجاد ارتباط، می توان هزینه های پیاده سازی را به نحو موثری کاهش داد و نویز و تاخیر ارتباط را کنترل و رفع نمود. شایان ذکر است که در این مطالعه، با استفاده از ماشین ‌های بردار پشتیبان (SVM ها)، یک روش مکان‌ یابی خطای محلی جدید در رابطه با خوشه‌ های ریز شبکه DC ارائه شده ‌است. همچنین با در نظر گرفتن سنجش های محلی در انتهای هر خط، هدف از این مطالعه تسهیل شرایط پس از خطا از طریق مکان یابی دقیق خطاها، حتی HIF های چالش زا می باشد. لازم به ذکر است که طرح پیشنهادی، به‌طور تجربی خطا ها و ویژگی ‌های خطا را در SVM که برای تعیین محل خطا در پایتون آموزش داده شده است، اعمال می‌کند. نتایج بدست آمده از آزمایشات تجربی حاکی از آن است که طرح پیشنهادی در مقابل اختلالاتی نظیر نویز و کالیبراسیون نامطلوب، ایمن است و به نحو موثر و با دقت بالا می توان مکان و مقاومت خطاها را برآورد کند.

With the increasing number of DC microgrids, DC microgrid clusters are emerging as a cost-effective solution. Therefore, due to the possible long distances between DC microgrids, once a fault occurs and is cleared, it should be located. Especially, locating high impedance faults (HIFs) is challenging. With communication-free fault locating methods, implementation costs can be reduced, and noise and delay of communication can be eliminated. In this paper, a novel localized fault location method using support vector machines (SVMs) is proposed for DC microgrid clusters. The purpose of this study is to facilitate the post fault conditions by locating the accurate place of the faults, even the challenging HIFs, by using the local measurements at one end of each line. The proposed scheme applies the faults, and fault features generated experimentally to the SVM, which is trained in Python for determining the fault location. The experimental test results prove that the proposed scheme is immune against disturbances, such as noise and bad calibration, and can efficiently and reliably estimate the location and resistance of faults with high accuracy.