کلاس بندی الگوها:/پایان نامه درمورد پدیده کیفیت توان
در نظر گرفتن ویژگیهای زیاد نیاز به حجم حافظه و زمان محاسباتی بیشتری دارد. به همین دلیل در سالهای اخیر، روشهای کاهش بعد و انتخاب ویژگی در یادگیری ماشین، به شدت مورد توجه بودهاند. دو روش اصلی برای انتخاب ویژگی وجود دارد: روش فیلتر کردن و روش فراگیر یا روکشی.
روشهای یادگیری مختلفی برای کلاس بندی الگوها وجود دارد که از جمله آنها میتوان به توابع احتمال شباهت، K نزدیکترین همسایه، روشهای مبتنی بر قوانین، ماشین بردار پشتیبان، شبکههای عصبی، درخت تصمیم و روشهای بیزی اشاره کرد. هر کدام از این روشها نقاط قوت و ضعفی داشته و بسته به تعریف مساله و هدف، میتواند در کاربردهای مختلف به نحو مناسبی استفاده شود. در سالهای اخیر، تعدادی روش دستهبندی آماری و روش یادگیری ماشین به منظور دستهبندی اغتشاشات کیفیت توان پیشنهاد شده است. از جمله این روشها میتوان به روش دستهبندی نزدیکترین همسایه، درختهای تصمیم، ماشین بردار پشتیبان و روش شبکههای عصبی اشاره نمود.
در سالهای اخیر تحقیقات بسیاری به منظور بهبود سیستمهای تشخیص کیفیت توان صورت گرفته است که در آنها استفاده از آنالیز موجک جهت استخراج ویژگی بسیار متداول است.
در مقالات گذشته، تلاشهایی برای طرح یک سیستم خودکار تشخیص کیفیت توان به عمل آمده است. دربرخی مقالات استخراج ویژگی با استفاده از تبدیل s و در برخی دیگر با استفاده از تبدیل موجک گسسته صورت گرفته است و این ویژگیها برای آموزش طبقهبندی کننده ماشین بردار پشتیبان مورد استفاده قرار گرفته است. در مرجعی چندین روش برای انتخاب ویژگیهای مناسب و حذف ویژگیهای غیر مفید، برای مساله تشخیص سیگنالهای کیفیت توان، ارائه شده است.
در سیستمهای تشخیص از قابلیتهای محاسبات نرم همچون سیستمهای خبره مبتنی بر منطق فازی و شبکههای عصبی استفاده شده است. در مرجعی با کمک شبکه عصبی پس انتشار خطا به طبقهبندی 7 کلاس از اغتشاشات پرداخته است. در مرجعی با استفاده از درخت تصمیمگیری و به کمک ابزار ساده محاسباتی یک نمونه عملی از سیستم تشخیص دستهبندی اغتشاشات کیفیت توان بیان شده است.
اغتشاشهای کیفیت توان طیف فرکانسی وسیعی دارند. برای پردازش شکل موج اغتشاشهای کیفیت توان فرکانس پایین مانند نوسان ولتاژ، معمولا از تبدیل فوریه گسسته استفاده میشود اما برای پردازش اغتشاشهای کیفیت توان فرکانس بالا نظیر حالتهای گذرا، بهتر است ضرایب موجک به کار رود. از این رو برخی مقالات، این دو روش را کنار یکدیگر بهکار گرفتهاند تا با استخراج ویژگیهای مناسبی از شکل موج اغتشاش، شناسایی و طبقه بندی اغتشاش را سادهتر سازند.
مشکلات روشهای قبلی به شرح ذیل میباشد:
- تبدیل فوریه گسسته و تبدیل CZ، اطلاعات مناسبی را در حوزه زمان استخراج نمیکنند.
- از نتایج مقالات پیشین میتوان استنتاج کرد که با استفاده از تبدیل موجک به تنهایی نمیتوان ویژگیهای با کیفیت بالا ایجاد نمود.
- استفاده از تبدیل فوریه، تبدیل S و تبدیل موجک به تنهایی نمیتواند برای استخراج ویژگی موثر باشد. زیرا هر کدام ضعفهایی دارند. اخیرا مقالاتی به استفاده از حالت ترکیبی تبدیل موجک و فوریه پرداختهاند.
- استخراج ویژگی با موجک به نویز حساس میباشد مخصوصا اگر در سطوح جزییات بالا ویژگیها استخراج شوند.
- در برخی از مقالات منتشر شده به تعداد کمی از اغتشاشات کیفیت توان پرداخته شده است
- در بسیاری از تحقیقات پیشین، بخش انتخاب ویژگی برای بهبود عمل سیستم تشخیص وجود ندارد.
- اصولا عملکرد ابزارهای تشخیص الگو به چند پارامتر داخلی وابسته است که این پارامترها در بسیاری از مقالات پیشین بوسیله سعی و خطا تنظیم شده است.
- در بسیاری از کاربردهای عملی در این حوزه، دقت و بازده روشهای موجود مناسب نمیباشد و باید بهبود یابد.
- در تحقیقات پیشین، بیشتر سعی بر این است که الگوریتم پیشنهادی دارای دقت بالایی باشد. در بسیاری از این تحقیقات عملکرد یک سیستم مونیتورینگ آفلاین مورد بررسی قرار گرفته است.
- علی رغم اینکه در مقالات چاپ شده در این حوزه، الگوریتمهای زیادی بهکار رفته است ولی کمبود بررسی جامع و مقایسه عملکرد الگوریتمهای مختلف، مشاهده میشود.
[1] SOLAR
[2] Multiresolution Generalized S-transform
[3] microgrid
[4] Particle Swarm Optimization(PSO)
[5] Distributed Generation(DG)
[6] Modular Probabilistic Neural Network(MPNN)
[7] Least Square Support Vector Machinen(LS-SVMs)