دانلود ترجمه مقاله روش یادگیری ماشین برای مکانیابی کنتور برای تخمین کیفیت توان

1. مقدمه 2. پیشینه تحقیق 3. ویژگی های نهان ادوات برقی 4. ریزشبکه به عنوان شبکه داده محور 5. مکانیابی هوشمند کنتور 6. ارزیابی ها 7. نتیجه گیری

چکیده – بخاطر هزینه بالای اندازه گیری، نظارت بر کیفیت توان (PV) امری بدیهی است. هدف این مقاله، کاهش هزینه نظارت PQ در شبکه قدرت است. این مقاله، با استفاده از یک مجموعه داده PQ واقعی، از یک رویکرد یادگیری از داده ها استفاده می کند تا یک مدل ویژگی نهان دستگاه بدست آورد که رفتار دستگاه را به صورت یک تابع گذرای PQ استخراج کند. با مدل ویژگی نهان، شبکه قدرت می توان بطور مشابه به صورت یک شبکه داده محور مدل سازی کرد که فرصت استفاده از نظارت بر شبکه بخوبی بررسی شده و الگوریتم های برآورد داده برای حل مسئله نظارت بر کیفیت شبکه در شبکه قدرت را ارائه می دهد. براساس این مدل شبکه، الگوریتم هایی برای مکانیابی هوشمندانه ادوات اندازه گیری برروی لینک های قدرت مناسب جهت کاهش عدم قطعیت تخمین PQ برروی لینک های قدرت نظارت نشده، پیشنهاد می شوند. این الگوریتم های مکانیابی کنتور از اندازه گیری های مبتنی بر آنتروپی و مدل های شبکه بیزی برای سنجش مناسب ترین لینک های قدرت برای مکانیابی کنتور PQ، استفاده می کند. نتایج ارزیابی برروی انواع شبکه های شبیه سازی شده شامل سیستم فیدر تست توزیع IEEE نشان می دهد که جواب مکانیابی کنتور، بهینه است و پتانسیل کاهش قابل توجه عدم قطعیت مقادیر PQ برروی لینک های قدرت نظارت نشده را دارد.

Due to the high-measuring cost, the monitoring of power quality (PQ) is nontrivial. This paper is aimed at reducing the cost of PQ monitoring in power network. Using a real-world PQ dataset, this paper adopts a learn-from-data approach to obtain a device latent feature model, which captures the device behavior as a PQ transition function. With the latent feature model, the power network could be modeled, in analogy, as a data-driven network, which presents the opportunity to use the well-investigated network monitoring and data estimation algorithms to solve the network quality monitoring problem in power grid. Based on this network model, algorithms are proposed to intelligently place measurement devices on suitable power links to reduce the uncertainty of PQ estimation on unmonitored power links. The meter placement algorithms use entropy-based measurements and Bayesian network models to identify the most suitable power links for PQ meter placement. Evaluation results on various simulated networks including IEEE distribution test feeder system show that the meter placement solution is efficient, and has the potential to significantly reduce the uncertainty of PQ values on unmonitored power links.