فایل ورد کامل ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی ۳۸ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی ۳۸ صفحه در word دارای ۳۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی ۳۸ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی ۳۸ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی ۳۸ صفحه در word :

دانلود ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:۲۰۱۳
تعداد صفحه ترجمه:۲۳
تعداد صفحه فایل انگلیسی:۱۱

موضوع انگلیسی :Power system voltage stability monitoring using artificial neural
networks with a reduced set of inputs
موضوع فارسی:دانلود ترجمه مقاله نظارت بر پایداری ولتاژ سیستم قدرت بااستفاده از شبکه‌های عصبی مصنوعی
چکیده انگلیسی:a b s t r a c t
This paper presents an artificial neural network (ANN)-based approach for online monitoring of a voltage
stability margin (VSM) in electric power systems. The VSM is calculated by estimating the distance from
the current operation state to the maximum voltage stability limit point according to the system loading
parameter. Using the Gram–Schmidt orthogonalization process along with an ANN-based sensitivity
technique, an efficient feature selection method is proposed to find the fewest input variables required
to approximate the VSM with sufficient accuracy and high execution speed. Many algorithms have
already been proposed in the literature for voltage stability assessment (VSA) using neural networks;
however, the main drawback of the previously published works is that they need to train a new neural
network when a change in the power system topology (configuration) occurs. Therefore, the possibility of
employing a single ANN for estimating the VSM for several system configurations is investigated in this
paper. The effectiveness of the proposed method is tested on the dynamic models of the New England
۳۹-bus and the southern/eastern (SE) Australian power systems. The results obtained indicate that the
proposed scheme provides a compact and efficient ANN model that can successfully and accurately
estimate the VSM considering different system configurations as well as operating conditions, employing
the fewest possible input features
چکیده فارسی:

چکیده

این مقاله رویکرد مبتنی بر شبکه عصبی مصنوعی (ANN) برای نظارت آن‌لاین حاشیه پایداری ولتاژ (VSM) در سیستم قدرت الکتریکی می‌پردازد. VSM با تخمین فاصله از حالت عملیات جریان برای نقطه محدود پایداری ولتاژ بیشینه برطبق پارامتر بارگذاری سیستم محاسبه می‌شود. بااستفاده از فرآیند روند متعامدسازی Gram-Schmidt در طول تکنیک حساسیت مبتنی‌بر ANN، روش انتخاب خصیصه کارآمد برای یافتن کمترین متغییر ورودی موردنیاز برای تقریب VSM با دقت‌کافی و سرعت اجرای بالا پیشنهادشده‌است. بسیاری از الگوریتم‌ها درحال‌حاضر در نوشته‌ها برای ارزیابی پایداری ولتاژ(VSA) با استفاده از شبکه‌های عصبی پیشنهاد شده‌اند، بااین حال، عیب‌اصلی کارهای قبلی این است که در زمان تغییر در تپولوژی سیستم‌قدرت نیاز به آموزش شبکه‌عصبی وجود دارد. بنابراین، امکان‌سنجی بکاربردن ANNتک برای تخمین VSM برای چندین پیکربندی سیستم در این مقاله بررسی‌شده است. تاثیرات روش پیشنهادشده در مدل‌های پویای سیستم قدرت جدید استرالیا جنوب شرقی (SE) و ۳۹-باس انگلستان پیشنهادشده‌است. نتایج بدست‌آمده نشان‌می‌دهند که الگوی پیشنهادشده، مدل ANN جمع‌وجور و کارآمدی را فراهم‌می‌کنند که به‌طور موفقیت‌آمیز و بادقتی VSM را بررسی‌می‌کند و پیکربندی سیستم‌ متفاوت و نیز شرایط عملیاتی متفاوت را تخمین‌می‌زند، و استفاده از کمترین امکانات ورودی نیز امکان‌پذیر است.