دانلود ترجمه مقاله آنالیز کیفیت توان با استفاده از تبدیل S اصلاح شده و پردازنده ARM

1. مقدمه 2. تبدیل استوکول اصلاح شده 3. تخمین پیچیدگی 4. شبیه سازی سیستم ها و نتایج 5. نتیجه گیری

چکیده – استفاده گسترده از بارهای غیرخطی و دستگاه های الکترونیکی منجر به افزایش آسیب پذیری و اختلالات کیفیت توان (PQ) در سیستم های قدرت شده است. از این رو، آنالیز اختلالات PQ برای حفظ قابلیت اطمینان تولیدات پراکنده (DG) ضروری می باشد. این مقاله آنالیز اختلالات مختلف مانند افت و خیز ولتاژی، فلیکر، هارمونیک ها، وقفه لحظه ای و گذراهای نوسانی با استفاده از روش پردازش سیگنال یعنی تبدیل استوکول اصلاح شده (MST) را ارائه داده است. این روش برای ارائه مشخصه های زمان – فرکانس مناسب و حفظ اطلاعات فاز ورودی برای تشخیص اختلالات مختلف PQ به کار گرفته شده است. علاوه بر این، محلی سازی پنجره گاوسی با ارائه پارامترهای مقیاس بندی مختلف بررسی شده که مربوط به فاز خطی فرکانس بوده و وضوح بهتری را ارائه می دهد. سیگنال ولتاژی برای تشخیص اختلالات در نقطه کوپلینگ مشترک مورد استفاده قرار می گیرد. مشخصه های زمان – فرکانس در فضای زمانی (سیگنال اصلی) و با استفاده از تبدیل S اصلاح شده معکوس برای تجسم اختلالات PQ مختلف در زمان واقعی تبدیل می شوند. در این پژوهش، روشی روی پردازنده ARM تجاری (ماشین RISK پیشرفته) و به دلیل مشخصه های آن مانند هزینه پایین و مصرف توان پایین برای آنالیز کیفیت توان زمان حقیقی پیاده سازی شده است.

The extensive usage of non-linear loads and electronic devices has resulted in increased vulnerability to the power quality (PQ) disturbances in the power system. Hence, the analysis of PQ disturbances becomes crucial to maintain the reliability of the distributed generation (DG). This paper presents the analysis of various disturbances like voltage swell, voltage sag, notch, flicker, spike, harmonics, momentary interruption and oscillatory transients by using a signal processing technique i.e. modified Stockwell transform (MST). The technique is employed to provide sufficient time-frequency characteristics and retain the phase information of input to detect the different PQ disturbances. Moreover, the localization of gaussian window is exploited by providing different scaling parameters which correspond to the linear phase of frequency and provides better resolution. The voltage signal is utilized for the detection of the disturbances at a point of common coupling. The time-frequency features are re-transformed into the time space (original signal) by using the inverse modified S-transform to visualize the different PQ disturbances in real-time. In this study, the methodology is implemented on commercially available ARM (Advanced RISe Machine) processor due to its features such low cost and low power consumption for real-time power quality analysis.