این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۵، شماره ۲، صفحات ۴۷-۶۸
عنوان فارسی تشخیص و جداسازی خطا در سیستم تبدیل انرژی بادی با استفاده از شبکه‌های عصبی بازگشتی
چکیده فارسی مقاله قابلیت اطمینان در سیستم‌های تبدیل انرژی بادی، بسیار مهم و حیاتی است تا دریافت حداکثر مقدار انرژی موجود در باد تضمین شود. به منظور بررسی صحیح و دقیق این سیستم‌ها در هنگام وقوع خطا و همچنین بررسی نحوه اثرگذاری خطاها بر تمامی زیرسیستم‌های آن‌ها، نیاز به مدلی است که قسمت‌های مکانیکی و الکتریکی را با جزئیات مناسبی شامل شود. همچنین یک سیستم تشخیص و جداسازی خطا مورد نیاز است که با بهره‌گیری از این مدل کامل، خطاهای به وقوع پیوسته را در زمان کوتاه شناسایی کند، به نحوی که عملکرد صحیح سیستم تضمین و از خسارات شدید اقتصادی جلوگیری شود. در این تحقیق با استفاده از مدل دینامیکی کامل سیستم تبدیل انرژی بادی، یک سیستم تشخیص و جداسازی خطا با استفاده از شبکه‌های عصبی دینامیکی بازگشتی ارائه می‌شود که توسط آن می‌توان خطاهای به وقوع پیوسته در سنسور سرعت زاویه‌ای ژنراتور، سنسور و محرک فراز را تشخیص داد. نتایج شبیه‌سازی نشان می‌دهد که سیستم تشخیص و جداسازی خطا به همراه الگوریتم ارائه شده در این مقاله، قابلیت بالایی در تشخیص خطا در زمان کم را دارد، خطاهای شناسایی شده را به نحو مناسبی جداسازی می‌کند و نرخ هشدارهای اشتباه در آن بسیار پائین است. از طرح ارائه شده در این تحقیق می‌توان برای شناسایی خطاها در سایر قسمت‌های سیستم نیز استفاده کرد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Fault Detection and Isolation of Wind Energy Conversion Systems using Recurrent Neural Networks
چکیده انگلیسی مقاله Reliability of Wind Energy Conversion Systems (WECSs) is greatly important regarding to extract the maximum amount of available wind energy. In order to accurately study WECSs during occurrence of faults and to explore the impact of faults on each component of WECSs, a detailed model is required in which mechanical and electrical parts of WECSs are properly involved. In addition, a Fault Detection and Isolation System (FDIS) is required by which occurred faults can be diagnosed at the appropriate time in order to ensure safe system operation and avoid heavy economic losses. This can be performed by subsequent actions through fast and accurate detection and isolation of faults. In this paper, by utilizing a comprehensive dynamic model of the WECS, an FDIS is presented using dynamic recurrent neural networks. In industrial processes, dynamic neural networks are known as a good mathematical tool for fault detection. Simulation results show that the proposed FDIS detects faults of the generator's angular velocity sensor, pitch angle sensors and pitch actuators appropriately. The suggested FDIS is capable to detect and isolate the faults shortly while owing very low false alarms rate. The presented FDIS scheme can be used to identify faults in other parts of the WECS.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله احمد دارابی |
دانشگاه شاهرود
سازمان اصلی تایید شده: دانشگاه شاهرود (Shahrood university)

محمد علی صدرنیا | mohammad ali
دانشگاه شاهرود
سازمان اصلی تایید شده: دانشگاه شاهرود (Shahrood university)

ناصر طالبی |
دانشگاه شاهرود
سازمان اصلی تایید شده: دانشگاه شاهرود (Shahrood university)

نشانی اینترنتی http://isee.ui.ac.ir/article_15393_c4b10fa64263447989b58432878cf1e0.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343770.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات