|
|
یک مدل دادهکاوی برای حفاظت خط انتقال مبتنی بر ادوات FACTS چکیده- این مقاله یک مدل دادهکاوی برای شناسائی ناحیه خطای یک خط انتقال مبتنی بر سیستمهای انتقال ac انعطافپذیر (FACTS) ارائه میکند که شامل جبرانساز سری کنترلشده با تریستور (TCSC) و کنترلر یکپارچه عبور توان (UPFC) است، و از مجموعه درختان تصمیم استفاده میکند. با تصادفی بودن مجموعه درختان تصمیم در مدل جنگلهای تصادفی، تصمیم موثر برای شناسائی ناحیه خطا حاصل میشود. نمونههای جریان و ولتاژ نیم سیکل پس از لحظه وقوع خطا به عنوان بردار ورودی در برابر خروجی هدف "1" برای خطای پس از TCSC/UPFC و "1-" برای خطای قبل از TCSC/UPFC ، برای شناسائی ناحیه خطا به کار میرود. این الگوریتم روی دادههای خطای شبیهسازی شده با تغییرات وسیع در پارامترهای عملکردی شبکه قدرت منجمله شرایط نویزی تست شده است و معیار قابلیت اطمینان 99% با پاسخ زمانی سریع بدست آمده است (سه چهارم سیکل پس از لحظه خطا). نتایج روش ارائه شده به کمک مدل جنگلهای تصادفی نشان دهنده تخیص قابل اعتماد ناحیه خطا در خطوط انتقال مبنی بر FACTS است. عبارات کلیدی- رله دیستانس، تشخیص ناحیه خطا، جنگلهای تصادفی (RF ها)، ماشین بردار پایه (SVM)، جبرانسازی سری کنترلشده با تریستور (TCSC)، کنترلر یکپارچه عبور توان (UPFC).
:: برچسبها:
رله دیستانس ,
تشخیص ناحیه خطا ,
جنگلهای تصادفی ,
RF ,
ماشین بردار پایه ,
SVM ,
جبرانسازی سری کنترلشده با تریستور ,
TCSC ,
کنترلر یکپارچه عبور توان ,
UPFC ,
Data-Mining Model ,
Protection of FACTS-Based Transmission Line ,
مقاله انگلیسی برق ,
مقاله انگلیسی برق و الکترونیک ,
مقاله انگلیسی برق با ترجمه ,
مقاله انگلیسی برق با ترجمه فارسی ,
:: بازدید از این مطلب : 82
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : سه شنبه 25 مرداد 1395 |
نظرات ()
|
|
تهیه نقشه های زمین شناسی توسط
تصاویر چندطیفی، با توجه به نزدیکی رفتار طیفی بسیاری از سنگها
می تواند امری دشوار باشد. لذا در این پژوهش روش ماشین
بردار پشتیبان (SVM)، بعنوان يكي از رو شهاي طبقه بندي تصوير كه قابليت انعطاف مناسبي براي حالات مختلف دارد مورد استفاده قرار گرفت و كرنلهاي مختلف آن با روش شبكه هاي عصبي
(NNC) بمنظور توليد نقشه زمين شناسي و با مقادير مختلف نمونه هاي تعليمي و با توجه به برداشتهاي زميني
و
مطالعات آزمايشگاهي، مورد تحليل و ارزيابي قرار گرفت. نتايج
به دست آمده نشان داد روش SVM در هر سه كرنل خود توانسته است بيشترين دقت (83.42%) را نسبت به دو روش ديگر ارائه كند. همچنين روش
SVM با % 50 از داده
هاي
تعليمي نيز مي تواند به دقتي معادل استفاده از % 100 نمونه هاي تعليمي برسد در حاليكه روش NNC چنين قابليتي را از خود نشان نداد. از طرفی ارزیابی نتايج حاصل از شاخص تفكيك پذيري جفريس- ماتوسيتا با نتایج دقت طبقه بندی به روش SVM گوياي اين حقيقت است كه اين روش در داده هاي با تفكيك پذيري پايين تر بسیار کارآمد
تر از روش NNC مورد بحث بوده و بنابراين به نظر مي رسد اين روش براي تهيه نقشه زمين شناسي مناسب تر از روشNNC خواهد بود.
:: برچسبها:
دانلود ,
پایان نامه ,
تحقیق ,
دانلود پایان نامه ,
svm ,
SVM ,
دانلود SVM ,
دانلود svm ,
مقايسه روش SVM و شبكه عصبي در طبقه بندي تصاوير ماهواره اي چند طيفي ,
دانلود مقايسه روش SVM و شبكه عصبي در طبقه بندي تصاوير ماهواره اي چند طيفي ,
مقايسه روش SVM و شبكه عصبي ,
تصاوير ماهواره اي چند طيفي ,
طبقه بندي تصاوير ماهواره اي ,
:: بازدید از این مطلب : 142
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : دو شنبه 12 خرداد 1395 |
نظرات ()
|
|
صفحه قبل 2 3 4 5 ... 6341 صفحه بعد
|
|
|