ارزیابی شبکه‌های عصبی انعطاف‌پذیر باساختار قابل بازسازی در حین آموزش جهت تخمین هارمونیکهای جریان استاتور ژنراتور آسک نیروگاه ری بر اساس الگوریتم CFE/SS

محورهای موضوعی : انرژی های تجدیدپذیر

محمدرضا یوسفی ¹ , محمد تشنه لب ²

1 - دانشگاه آزاد اسلامی واحد نجف آباد
2 - استاد/دانشگاه خواجه نصیرالدین توسی

تاریخ دریافت : 1387/08/05 تاریخ پذیرش : 1388/10/04 تاریخ انتشار : 1389/05/10

کلید واژه: روش المان محدود, شبکة عصبی انعطاف پذیر, منحنی بهره برداری و‌ ژنراتور سنکرون,

چکیده مقاله :

یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می‌باشد. در این مقاله از شبکه‌های عصبی انعطاف‌پذیر با قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور، در بارهای مختلف استفاده شده است. داده‌های آموزش دهندة شبکه عصبی با استفاده از مدل سازی ژنراتور و استفاده از روش المان محدود (FE) و فضای حالت (SS)، در نقاط مختلف بار روی منحنی بهره برداری ژنراتور برای سه سطح مختلف ولتاژ پایانه به دست آمده است. شبکة عصبی که با استفاده از این داده‌ها آموزش داده شده است، یک شبکة پرسپترون با یک لایة پنهان و با قانون یادگیری پس انتشار خطا می‌باشد. نتایج نشان می‌دهد که شبکه عصبی انعطاف‌پذیر آموزش داده شده با خطای کمتر از ده درصد می‌تواند هارمونیکهای جریان را برای نقاط بار دلخواه روی منحنی بهره‌برداری، نسبت به نتایج حاصل از الگوریتم CFE-SS به دست آورد. پارامترهای نامی ژنراتور آسک عبارتند از: 43950 کیلو ولت آمپر، 11 کیلو ولت، 3000 رادیان بر دقیقه، 50 هرتز و ضریب توان 0.8.

چکیده انگلیسی:

One method for on-line fault detection in synchronous generator is stator current harmonics analysis. In this paper, the flexible neural network with reconstruction structure during learning has been used to evaluate the stator current harmonics in different loads. Generator modeling, finite element method and state space model make training set of flexible neural network. Many points from generator capability curve are used to complete this set. Flexible neural network that is used in this paper is a perception network with single hidden layer, flexible hidden layer neuron and back propagation algorithms. Results are show that the trained flexible neural network can identify stator current harmonics for desired load from the capability curve. The error is less than 10% in compared to the values obtained directly from the CFE-SS algorithms. The parameters of modeled generator are 43950(KVA), 11(kV), 3000(rpm), 50(HZ), (PF=0.5)