چکیده
توسعه روز افزون مزارع بادی در مقیاس بزرگ دریایی درسراسر جهان باعث ظهور بسیاری ازچالش های فنی و اقتصادی جدیدشده است. هزینه سرمایه شبکه برقی که از مزارع بادی بزرگ دریایی پشتیبانی می کند، بخش قابل توجهی از هزینه کل مزارع بادی را تشکیل می دهد. لذا، یافتن طراحی بهینه شبکه برق یک وظیفه خیلی مهم است که در این مقاله به آن پرداخته می شود. در این مقاله یک مدل هزینه توسعه یافته است که هزینه های دقیق تر و واقعی تر ترانسفورماتورها، پست ها و کابل ها را در بر می گیرد. همین موضوع باعث شده است مدل جدید ارائه شده نسبت به روش های موجود مبسوط تر و بهتر باشد. همچنین از یک الگوریتمی استفاده شده است که مبتنی است بر الگوریتم ژنتیک بهبودیافته و شامل الگوریتم خاصی است که حین طراحی آرایه های شعاعی، سطح مقطع های گوناگون کابل ها را هم در نظر می گیرد. رویکرد ارائه شده توسط یک مزرع بادی بزرگ دریایی آزموده شده است؛ نتایج آزمون نشان می دهد که الگوریتم معرفی شده طراحی های بهینه معتبری از شبکه برق را فراهم می کند.
کلیدواژه ها: سیستم توزیع برق، الگوریتم ژنتیک، مزرعه بادی دریایی، بهینه سازی
مقدمه
انرژی بادی کم کم دارای اهمیت استراتژیک و اقتصادی فزاینده ای در سراسر جهان می شود. این انرژی یکی از گزینه های نویدبخش در بین سایر فناوری های تولید انرژی های تجدیدپذیر است و انتظار می رود نقش مهمی در کاهش پیامدهای زیست محیطی در رفع نیاز جوامع مدرن از صنعت برق ایفا کند. استفاده از تولید برق بادی دریایی بنا به دلایل زیر جذاب و قابل توجه است: 1) مزارع بادی دریایی، منابع باارزش سرزمین ها را به تصرف در نمی آورند؛ 2) استفاده از مکان های دریایی (مترجم: یعنی استفاده از مکان های داخل دریا) بدین معناست که مزرعه بادی تا حد زیادی دور از چشم و دید بوده و آلودگی صوتی نخواهد داشت؛ 3) جریان باد توسط ساختمان ها و جنگل ها مشوش نشده و بطور مستقیم و با سرعت زیاد با تیغه های توربین برخورد خواهد داشت لذا عملکرد توربین افزایش خواهد یافت؛ 4) طرح های توربین بادی دریایی با توان نامی بزرگتری نسبت به طرح های ساحلی موجودند که این نرخ های بزرگ باعث توسعه اقتصادی می شود؛ و 5) آب دریا باعث می شود خنک سازی قطعات امکانپذیر بوده و هزینه کمی را به دنبال داشته باشد.
چکیده
در این عصر محاسبات پیشرفته که الگوریتم های پیشرفته و تکنیک های پرهزینه برای تعیین پارامترهای ماشین سنکرون استفاده می شوند، این مقاله روشی تازه، اقتصادی و با این وجود، بنیادین را برای تخمین پارامترهای محورهای d و q مدار میدان و مدار میراگر یک ماشین سنکرون با سیم پیچ میدان با توان کم/متوسط را ارایه می دهد. روش جدید پیشنهاد شده، از روابط بنیادین ولتاژ، جریان، و نشتی شار یک ماشین سنکرون با سیم پیچ میدان سه فاز، در یک توالی مرجع a-b-c بهره می گیرد. نخست، روش پیشنهاد شده با جزییات آن توسط معادلات تحلیلی توضیح داده شده، و سپس برای تعیین پارامترهای نامبرده یک ماشین سنکرون کوچک آزمایشگاهی بکار گرفته شده است. پارامترهای دیگر مدار معادل، با استفاده از آزمایش های قرار دادی تعیین شده اند. اعتبار بیشتر این روش، با بکازگیری آن در دو ماشین بزرگتر با پلاک های متفاوت، انجام شده است. به علاوه، پارامترهای نامبرده ماشین های بزرگتر نیز با استفاده از تست های استاندارد IEEE بطور تجربی تعیین شده اند. سرانجام، یک مقایسه بین نتایج بدست آمده از روش رایج و روش ارایه شده ما انجام شده و روش ما به خاطر تطابق نزدیک آن با نتایج روش اصلی، معتبر شناخته شده است.
کلیدواژه: مدار میراگر، مدار میدان، تخمین پارامتر، ماشین سنکرون پیچ میدان
مقدمه
مقاله های زیادی از اولین آنها توسط [1] و [2]، تا به امروز درباره تعریف، تعیین مشخصه، و اندازه گیری پارامترهای الکتریکی ماشین های سنکرون [3] و [4] نوشته شده اند. تست های صنعتی و استانداردهای اندازه گیری توسط اعضای معروف امریکای شمالی و اروپا یعنی IEEE 115, IEEE 1110, IEC و NEMA MGI-2006 نیز همچنین برای تعیین پارامترها و مطالعات پایداری و دینامیک، وجود دارند [5] و [7]. با وجود اینکه تحقیق بر روی تعیین پارامتر ماشین های سنکرون با میدان سیم-پیچی شده از دهه های پیشین آغاز شده است، این عنوان به دلیل نیاز به روش تعیین پارامتر بنیادین، ارزان قیمت، مطمین، و از همه مهم تر قابل اطمینان، هنوز هم مورد تحقیقات فعالی قرار می گیرد.
چکیده
در این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه آموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه آموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN) برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استاندارد را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد. در SICLN (شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد.
کلیدواژه: آموزش رقابتی، شناسایی کلاهبرداری، شناسایی نفوذ، خوشه بندی نظارتی/ غیر نظارتی، شبکه عصبی
مقدمه
تشخیص کلاهبرداری و تشخیص نفوذ در شبکه در کسب و کار تجارت الکترونیک بسیار مهم می باشد. بر طبق به گزارش های تجارت الکترونیک فروش اداره سرشماری ایالات متحده، تجارت الکترونیک در امریکای شمالی دارای رشد 20% یا بیشتر در هر سال می باشد. به هر حال کلاهبرداری در شرکت های تجارت الکترونیک ایالات متحده و کانادا منجر به هزینه تلفات زیادی شده است. با توجه به رشد اخیر در تجارت الکترونیک، کلاه برداری در زمینه کارت های اعتباری بسیار رایج شده است. بر مبنای نتایج بررسی در سال 2009، به طور متوسط، 1.6% از سفارشات بر مبنای کلاه برداری بوده، که حدود 3. 3 میلیارد دلار می باشد. علاوه بر ضررهای مستقیمی که از طریق فروش های کلاهبرداری انجام شده است، اعتماد قربانیان کلاهبرداری در زمینه کارت های اعتباری و شرکت خرده فروش کمتر شده، که در نتیجه ضرر ها نیز افزایش یافته است. هدف شرکت ها و صادر کنندگان کارت های اعتباری این است تا هر چه زودتر به افشا یا جلوگیری از کلاه برداری بپردازند. از طرف دیگر نفوذ به شبکه، از پشت به شرکت های تجارت الکترونیک ضربه می زند. زمان وقفه سرورهای وب یا نفوذ به اطلاعات یا کسب و کار مشتری منجر به ضررهای زیادی می گردد.
خلاصه
این مقاله دو مدل محوری متعامد را برای شبیه سازی موتورهای القایی سه فاز که سیم پیچ نامتقارن دارند و دارای مدارات اتصال کوتاه بر روی استاتور می باشند ارائه می دهد. مدل اول فرض می کند که هر فاز استاتور تعداد سیم پیچ های متفاوتی دارد. برای مدل نمودن دورهای اتصال کوتاه شدۀ استاتور، مدل دوم فرض می نماید که فاز as دو سیم پیچ سری دارد که یکی بخش دست نخورده و دیگری بخش اتصال کوتاه شده را نشان می دهد. مدل دوم از نتایج مدل اول برای انتقال فاز as به qd استفاده می کند به گونه ای که بخش اتصال کوتاه شده به محور q منتقل می شود. نتایج شبیه سازی دارای سازگاری خوبی با دیگر مطالعات است و با آزمایشات انجام شده بر روی یک موتور خاص که دارای کلیدهایی است که اجازه می دهد تعداد متفاوتی از دورها اتصال کوتاه گردند مقایسه گردیده است. مدل در مطالعۀ رفتار گذرا و ماندگار موتور القایی با سیم پیچهای اتصال کوتاه شده و همچنین در بررسی همزمان (آنلاین) الگوریتم های تشخیص عیب استاتور با موفقیت مورد استفاده قرار گرفته است.
واژگان کلیدی: موتور القایی، نقص های سیم پیچ، مدلسازی، عیب یابی، محور متعامد
مقدمه
به دلیل گران بودن تعمیر ماشینها، به درازا کشیده شدن فرایند خرابی و مسایل ایمنی و سلامت، در صنایع مدرن گرایش بسیاری وجود دارد که منابع و توجهات بر روی استراتژی های عیب یابی و نگهداری پیشگیرانه ماشینهای صنعتی متمرکز گردد [1,2]. مشخص شده است که در حدود 36% از خرابی های موتورهای القایی به دلیل خرابی سیم پیچ های استاتور به وقوع می پیوندد و اعتقاد بر این است که این دسته از خرابی ها با خرابی ها ناپیدای درون سیم پیچهای یک سیم پیچ استاتور آغاز می شوند. این خرابی کوچک اولیه به اتصال کوتاه و یا خرابی های فاز به فاز اسف باری منتهی خواهند شد [1,2]. برای به دست آوردن یک اخطار پیشین در مورد خرابی و در نهایت خاموش نمودن ماشین جهت جلوگیری از خرابی های تاسف بار، مدارات اتصال کوتاه شده سیم پیچ استاتور می بایست آشکارسازی شده و یا اینکه وجود آنها پیش بینی گردد [1-5].
چکیده
روش جدید از طبقه بندی جدید سیگنال ارائه شده که بر مبنای مدل سازی دینامیک سیستم بوده که در فضای مراحل بازسازی مورد محاسبه قرار می گیرد. این مدل سازی ها با استفاده از مدل ترکیبی کوواریانس گاوس در ارتباط با حوزه زمانی در مقایسه با تحقیقات های حال حاضر و گذشته در طبقه بندی سیگنال ها انجام می گیرد که معمولا تمرکز آن بر روی تحلیل سیستم های خطی با استفاده از مقدار بسامد یا مدل های یادگیری ماشینی غیر خطی ساده همانند شبکه های عصبی مصنوعی می باشد. روش مطرح شده دارای پایه نظری قوی بر مبنای سیستم های دینامیکی و قضایای توپولوژی می باشند که منجر به بازسازی سیگنال شده که با در نظر گرفتن پارامترهای انتخابی مناسب، به طور جانبی نماینده سیستم زیرین می باشد. این الگوریتم ها به طور اتوماتیک این پارامترها را محاسبه کرده تا فضاهای مراحل بازسازی شده را بازسازی را شکل داده وتنها نیازمند تعدادی از آمیزه ها، سیگنال ها و تیکت دسته ها به عنوان توان ورودی می باشد. سه مجموعه داده مجزا برای تایید مورد استفاده قرار می گیرند که شامل شبیه سازی جریان موتوری، دستگاه ثبت ضربان قلب و شکل امواج گفتار می باشد. نتایج نشان می دهد که روش های مطرح شده در حوزه های مختلف اثرگذار بوده و به طور قابل توجهی در مسسیر شبکه های عصبی بر مبنای وقفه زمانی بکار گرفته شده که به عنوان مبنا می باشد.
کلیدواژه: طبقه بندی سیگنال ها، مراحل بازسازی، مدل ترکیبی گاوس.
مقدمه
اکثر فعالیت ها در ارتباط با طبقه بندی و تعیین سیگنال ها بر مبنای تجزیه و تحلیل سیستم های خطی می باشد و از ویژگی هایی براساس ارائه بسامدها استفاده می کنند. همچنین فعالیت های گسترده ای بر مبنای آشکار کردن سیگنال ها و طبقه بندی آن ها در حوزه ارتباطی وجود دارد که بر مبنای نظریات آماری می باشد. گزینه های مربوط به این روش ها شامل طبقه بندی های غیر خطی همانند شبکه های عصبی و یا دستگاه های حامی بردارها و همچنین تکنیک های طبقه بندی شده و مشابه در ارتباط با سری های اطلاعاتی جدید می باشد.