دانلود ترجمه مقاله پیش بینی خطاهای شبکه توزیع بر اساس ماشین بردار پشتیبان

1. مقدمه 2. تحلیل خطا در شبکه توزیع 3. روش پیش بینی کوتاه مدت برای خطاهای DN 4. پیش بینی خطای کوتاه مدت و تحلیل نتایج 5. نتیجه گیری

چکیده – شبکه توزیع (DN) به عنوان انتهای شبکه انتقال، مستقیماً قابلیت اطمینان تامین انرژی برق را تعیین می کند. پیش بینی دقیق خطا برای افزایش بازده ترمیم و تعمیر DN، مهم است. براساس داده های خرابی بدست آمده از DN در پکن، این مقاله پیش بینی خرابی DN کوتاه مدت را مورد پژوهش قرار می دهد و یک برنامه قضاوت خطا براساس عوامل آب و هوایی و فصلی را پیشنهاد می کند. خرابی، برای تعیین مهمترین عوامل تحلیل می شود. بوسیله الگوریتم «ماشین بردار پشتیبانی» (SVM) و ملاحظه عوامل هواشناختی نسبی، با استفاده از مدل دسته بندی، تعداد خرابی ها در DN به صورت هفتگی را پیش بینی می کند و مدل پیش بینی دسته بندی منطقه فرعی را در فراوانی هفتگی با استفاده از تاثیر هواشناختی برای پیش بینی خرابی های DN، ایجاد می کند. با استفاده از تحلیل برای تعداد داده های خرابی DN، متوجه می شویم که عوامل تاثیرگذار اصلی، دما، بارش باران، باد و عوامل آب و هوایی دیگر می باشند. یک برنامه پیش بینی کوتاه مدت در اکثر مواقع با داده های خرابی DN، تست می شود. داده های عملی در منطقه تونگژو، پکن، چین، حاکی از اثربخشی، دقت و عملی بودن روش پیشنهادی می باشد. نرم افزار مورد استفاده در این مقاله نیز متلب 2014 و LIBSVM می باشد.

As the network end of power transmission, the distribution network (DN) directly determines the reliability of electricity energy supply. To predict failure accurately is important for increasing the repair efficiency of DN. Based on the failure data from DN in Beijing, the paper researches short-term DN failures prediction and proposes a fault judgment program based on weather and season factors. Failure is analyzed to determine its most important factors. Through support vector machine (SVM) algorithm and considering the relative meteorological factors, using the classification model predicts the number of failures in DN weekly, and establishes sub region classification forecasting model in week frequency with meteorological influence for DN failures prediction. Through the analysis for the number of DN failures data, we find the main influence factors are temperature, precipitation, wind and other meteorological factors. A short-term prediction program is tested lots of times with the data of DN failure. The practical data in Tongzhou district, Beijing, China, proved the effectiveness, precision and feasibility of the proposed method. The paper software used Matlab2014 and LIBSVM.