قوس الکتریکی یکی از شدیدترین رخدادهای الکتریکی است. این پدیده به دلیل تخلیه بارهای الکتریکی بین هادی¬ها یا بین هادی و زمین، از طریق هوا رخ می¬دهد. هنگامی که شدت جریان اتصال کوتاه زیاد باشد، میتوان آن را به راحتی با تجهیزات حفاظتی سنتی تشخیص داد. با این حال، روشهای حفا چکیده کامل
قوس الکتریکی یکی از شدیدترین رخدادهای الکتریکی است. این پدیده به دلیل تخلیه بارهای الکتریکی بین هادی¬ها یا بین هادی و زمین، از طریق هوا رخ می¬دهد. هنگامی که شدت جریان اتصال کوتاه زیاد باشد، میتوان آن را به راحتی با تجهیزات حفاظتی سنتی تشخیص داد. با این حال، روشهای حفاظت سنتی نمی¬توانند این خطاها را زمانی که جریان اتصال کوتاه کم است، تشخیص دهند. خطاهایی که جریان خطای کافی برای شناسایی توسط تجهیزات حفاظتی معمولی تولید نمی¬کنند، خطاهای امپدانس بالا نامیده میشوند. خطاهای امپدانس بالا در سیستمهای توزیع برق میتوانند خطرات جدی ایمنی و آسیب به تجهیزات را به دلیل خطر اشتعال ناشی از قوس الکتریکی ایجاد کنند. این مقاله یک طرح تشخیص جدید برای خطاهای امپدانس بالا در سیستمهای توزیع الکتریکی بر اساس اندازه گیری مشابهت ارائه میکند. در این روش بر اساس شکل موج دو نیم سیکل متوالی جریان، شاخصی استخراج میشود که با استفاده از آن میتوان خطاهای امپدانس بالا را تشخیص داد. الگوریتم پیشنهادی تشخیص خطای امپدانس بالا میتواند این رخدادها را از سایر رخدادهای بدون خطا با شکل موجهایی که ممکن است مشابه شکل موجهای خطای امپدانس بالا باشند، متمایز کند. در این مقاله، چهار مورد مطالعاتی برای تأیید الگوریتم پیشنهادی تشخیص خطاهای امپدانس بالا شبیهسازی شده است. نتایج شبیهسازی، توانایی قابل قبول عملکرد روش پیشنهادی در تشخیص خطا با امپدانس بالا و تفکیک آنها از دیگر رخدادها را به نمایش میگذارد.
پرونده مقاله
با افزایش نفوذ منابع تولید تجدیدپذیر و همچنین پیشرفت تکنولوژی باتریها، برنامهریزی توسعه ذخیره¬سازهای با ظرفیت بالا در سیستمهای قدرت اهمیت پیدا کرده است. در اين مقاله، به ارائه یک مدل جدید برای توسعه احتمالاتی ذخیره¬سازها در شبکههای انتقال پرداخته شده است. در روش پی چکیده کامل
با افزایش نفوذ منابع تولید تجدیدپذیر و همچنین پیشرفت تکنولوژی باتریها، برنامهریزی توسعه ذخیره¬سازهای با ظرفیت بالا در سیستمهای قدرت اهمیت پیدا کرده است. در اين مقاله، به ارائه یک مدل جدید برای توسعه احتمالاتی ذخیره¬سازها در شبکههای انتقال پرداخته شده است. در روش پیشنهادی، تولید واحد بادی بر مبنای سناریو و احتمالاتی مدل شده است. در این روش، علاوه بر روابط مرسوم در فرمولبندی مسأله توسعه بهینه ذخیره¬سازها، به مدلسازی محدودیت قابلیت شارژ و دشارژ ذخیره¬سازها نیز پرداخته شده است. در مدل پیشنهادی، رابطهای جدید برای تعیین قابلیت سیکلهای شارژ و دشارژ ذخیره¬سازها، پیشنهاد شده است. همچنین رابطه بین حداکثر قابلیت سیکلهای شارژ و دشارژ و عمق دشارژ ارائه شده و به فرمولبندیهای قبل اضافه شده است. روابط غیرخطی در مدل پیشنهادی، خطی شده و بهصورت یک مسأله خطی در آمده است. مسأله بهینهسازی تولیدشده توسط نرمافزار گمز حل شده است. بهمنظور نمایش توانایی روش پیشنهادی، این روش بر روی شبکه تست 14 شین IEEE پیاده شده که نتایج شبیهسازی، توانایی آن را نشان میدهد.
پرونده مقاله
اتصال ریزشبکه¬های مبتنی بر انرژی¬های تجدید در خطوط انتقال بیش از پیش افزایش یافته است. حضور این ریزشبکه¬ها در کنار مزایای که دارند اما معضلاتی را از مناظر مختلف بهره برداری، کنترل و حفاظت پیش می¬آورند. اتصال مستقیم این ریزشبکه¬ها به صورت T-off در خطوط انتقال و بدون احدا چکیده کامل
اتصال ریزشبکه¬های مبتنی بر انرژی¬های تجدید در خطوط انتقال بیش از پیش افزایش یافته است. حضور این ریزشبکه¬ها در کنار مزایای که دارند اما معضلاتی را از مناظر مختلف بهره برداری، کنترل و حفاظت پیش می¬آورند. اتصال مستقیم این ریزشبکه¬ها به صورت T-off در خطوط انتقال و بدون احداث پست، باعث اختلال شدید در عملکرد الگوریتم¬های حفاظتی خط می¬شود. در این مقاله یک روش تشخیص خطا در خطوط انتقال متصل به ریزشبکه¬های مبتنی بر انرژی¬های تجدید پذیر جهت تشخیص زود هنگام خطای قطع فاز مبتنی بر اطلاعات یک سمت خط (ترمینال ابتدای خط) و با استفاده از روش آموزش یادگیری شبکه¬های عصبی مصنوعی ارائه شده است. شبکه عصبی در نظر گرفته شده در این مقاله ترکیبی از نوع کانولوشنی و بازگشتی با دروازههای فراموشی (CNN_LSTM) می¬باشد. مدل ترکیبی شامل یک لایه Conv1D با ۶۴ فیلتر و سایز کرنل ۳، یک لایه MaxPooling1D، دو لایه LSTM با ۳۲ واحد، یک لایه Dropout و یک لایه Dense با یک واحد و فعالسازی سیگموئید است. دیتاهای لازم جهت آموزش شبکه عصبی مورد نظر از شبیه سازی شبکه اصلی و پیاده سازی سناریوهای مختلف خطا در سیمولینک نرم افزار متلب استخراج شده¬اند و در نهایت مدل شبکه عصبی مورد نظر در محیط نرم افزار پایتون برنامه نویسی و مدلسازی شده است. طبق نتایج شبیه سازی، دقت نهایی مدل استخراج شده در تشخیص خطای قطع فاز در این توپولوژی پیشنهادی حدود 73/99٪ ارزیابی شده است. نتایج موفقیت آمیز ارائه شده در قسمت نتایج تست و ارزیابی، موید عملکرد مطلوب الگوریتم پیشنهادی در این مقاله می¬باشد.
پرونده مقاله
ناترازی تولید و مصرف و نگرانی برای تأمین انرژی مورد نیاز در شبکه قدرت همواره یکی از مشکلات بهرهبرداران شبکه بوده است. همچنین تولید برق در سطح کلان همواره صنعتی پرهزینه و پرآلاینده بوده است. لذا همیشه مهندسان و شرکتهای تولید توان به دنبال راهی ارزان و پاک برای تولید تو چکیده کامل
ناترازی تولید و مصرف و نگرانی برای تأمین انرژی مورد نیاز در شبکه قدرت همواره یکی از مشکلات بهرهبرداران شبکه بوده است. همچنین تولید برق در سطح کلان همواره صنعتی پرهزینه و پرآلاینده بوده است. لذا همیشه مهندسان و شرکتهای تولید توان به دنبال راهی ارزان و پاک برای تولید توان بودهاند تا هم بتوانند بر ناترازی توان غلبه کنند و هم پایداری و سطح مجاز آلاینده در شبکه را تضمین کنند. معمولترین منابعی که در شبکه قدرت برای تولید توان استفاده میشوند واحدهای گازی و حرارتی هستند، این واحدها سریعتر وارد مدار شده و البته هزینه تولید بیشتری هم دارند. اینکه چه زمانی از واحدهای حرارتی و چه زمان از واحدهای گازی در شبکه استفاده شود مسئله پیچیدهای است، که به عوامل مختلفی چون زمان پیک، قیمت سوخت و شرایط شبکه گازرسانی بستگی دارد. هیچ کدام از این موارد در حالت واقعی خود دارای قطعیت نیستند. از این رو در این مقاله عدم قطعیت منابع گازی و تغییر¬پذیری قیمت¬گاز در مساله مشارکت واحدهای نیروگاهی در سیستم قدرت توسط نرمافزار گمز مدل¬سازی و تحلیل شده¬است. همچنین از روش حل برنامهریزی غیرخطی عدد صحیح مختلط برای حل مسئله استفاده شده است. نتایج نشان می¬دهد که در صورت وجود عدم قطعیت در منابع گازی، بیشتر تمایل به بهره¬گیری از سایر نیروگاه¬های شبکه است تا امنیت و پایداری شبکه حفظ گردد.
پرونده مقاله
این مقاله به بررسی چالشهای مدیریت انرژی در ریزشبکه میپردازد، با توجه به عدم قطعیتهای مرتبط با منابع تجدیدپذیر، تقاضای پویا و وجود دستگاههای متنوع مانند باتریها، منابع تولید توزیعشده، و وسایل نقلیه الکتریکی. در این مقاله، یک مدل بهینهسازی پیچیده معرفی شده است که ب چکیده کامل
این مقاله به بررسی چالشهای مدیریت انرژی در ریزشبکه میپردازد، با توجه به عدم قطعیتهای مرتبط با منابع تجدیدپذیر، تقاضای پویا و وجود دستگاههای متنوع مانند باتریها، منابع تولید توزیعشده، و وسایل نقلیه الکتریکی. در این مقاله، یک مدل بهینهسازی پیچیده معرفی شده است که برای عملیات ریزشبکه طراحی شده است. این مدل به کاهش چالشهای ادغام واحدهای تولید الکترونیکی قدرت، مدیریت تقاضا در ریزشبکهها، و ادغام منابع انرژی تجدیدپذیر در مقیاس کوچک تمرکز دارد. هدف این مدل کاهش هزینههای مختلف مرتبط با تلفات انرژی، خرید برق، کاهش بار، عملیات منابع تولید پراکنده، و هزینه باتری در 24 ساعت است. شبیهسازیهای انجامشده بر روی یک سیستم آزمایشی نشان میدهد که مدل پیشنهادی موثر بوده و تا 20 درصد کاهش هزینه عملیاتی ریزشبکه را داراست. این رویکرد یک چارچوب موثر برای تقویت انعطافپذیری و افزایش کارایی مدیریت انرژی ریزشبکه فراهم میکند، و یافتهها نشان میدهند که با حداقل حاشیه 8 درصد، بهتر از روشهای مقایسهای عمل میکند و کارایی آن در افزایش شاخصهای حیاتی در سیستم ریزشبکه را نشان میدهد.
پرونده مقاله
افزایش چشمگیر امنیت، بهره¬وری مقیاس¬پذیری، پاسخگویی سریع و قابلیت اطمینان از مزایای طراحی و پیادهسازی سامانه امنیتی نظارتی مبتنی بر الگوریتم YOLO و فناوری اینترنت اشیا، در مقایسه با روشهای سنتی است. در این مقاله، به جنبه¬های ایجاد یک سامانه امنیتی نوین پرداخته می¬شود چکیده کامل
افزایش چشمگیر امنیت، بهره¬وری مقیاس¬پذیری، پاسخگویی سریع و قابلیت اطمینان از مزایای طراحی و پیادهسازی سامانه امنیتی نظارتی مبتنی بر الگوریتم YOLO و فناوری اینترنت اشیا، در مقایسه با روشهای سنتی است. در این مقاله، به جنبه¬های ایجاد یک سامانه امنیتی نوین پرداخته می¬شود که با تشخیص پنج رده شامل انسان، سر انسان، تفنگ، چاقو و تشخیص سقوط، هشدار را فعال می¬کند. نظارت بر عملکرد سامانه، بهصورت برخط است. این سامانه در هر نقطه به کمک شبکه داده تلفن همراه، قابلیت اتصال به اینترنت را دارد تا در صورت شناسایی تهدیدات، تصاویر را در پنل مدیریتی بارگذاری و گزارش آن را به کاربر ارسال کند. برای تعلیم اشیاء از الگوریتم YOLOv8 استفاده شده است تا از مزایایی مانند رابط خط فرمان کاربرپسند، پشتیبانی آن از شناسایی اشیاء، تقسیمبندی نمونه و طبقهبندی تصاویر بهره گیرد. برای افزایش سرعت پردازش، ضمن حفظ دقت، مدل بهینهسازیشده در بورد رزبری¬پای نسل چهارم استفاده شده است. واضح است که بهینهسازی سرعت پردازش و استفاده از تکنیکهای کمّیسازی منجر به کاهش مصرف انرژی (سامانه انرژی سبز) و کاهش هزینههای عملیاتی سامانه می¬شود. بهمنظور بهبود سرعت مدل در فرایند تشخیص اشیاء، از تکنیک صادرکردن، کمّی¬سازی وزنهای تعلیمی و افزایش فرکانس پردازنده (اورکلاک) استفاده می¬شود. مقایسه وزنهای صادرشده جدید با وزن اصلی تعلیمی، در شاخص دقت و سرعت، بیانگر آن است که دو تکنیک صادرکردن و کمّی¬سازی، منجر به افزایش سرعت پردازش، به¬ازای کاهش دقت در تشخیص می¬شود. درنهایت، در مدل تعلیمی با روشهای بهبود مطرح شده می¬توان بهدقت متوسط mAP ≅ 0.67 با تعداد قابِ تصویر در ثانیه FPS ≅ 4.3 دستیافت.
پرونده مقاله