برق 43. کاهش فلیکر ولتاژ مبتنی بر ANN (شبکه‌های عصبی مصنوعی) با UPFC و با استفاده از الگوریتم SRF

خرید این محصول

» :: صفت 43. افت فلیکر ولتاژ براساس بر ANN (شبکه‌های عصبی مصنوعی) با UPFC و با استفاده از الگوریتم SRF

افت فلیکر ولتاژ مبتنی بر ANN (شبکه‌های آتشی‌مزاج مصنوعی) باUPFC و با استفاده از الگوریتم SRF

چکیده

فلیکر ولتاژ، پدیدۀ آزاردهنده نوسان شدت نور، که حاصل تغییر سریع باب بارهای صنعتی و منسوب ومربوط به‌خانه مثل عملکرد دوره‌ای کوره قوسی است، باعث یک نگرانی برای بهره برداران و مشتریان حومه شده است. جریان کوره قوسی سان پریودیک و دارای فرکانسی حدود 10 Hz است که انگیزه فلیکر قابل لمس (قابل درک) می‌شود. ادوات FACTS الگو SVCها، STATCOM، UPFC و تجهیزات اختصاصی برقی مثل DSTATCOM با کنترل سریع توان راکتیو قادر به حل مسائل فلیکر ولتاژ بوده‌اند. اما؛ کنترل استطاعت اکتیو در کنار بازدید توان راکتیو باعث حل بهتر و موثرتر مساله فلیکر ولتاژ می‌شود. باب این مقاله، افت فلیکر ولتاژ به کمک UPFC توسط نرم افزار MATLAB تحلیل می‌شود. الگوریتم کنترلی مبتنی بر ANN، فلیکر را به خوبی کنترل می‌کند. این الگوریتم کنترلی مبتنی است حرف آیین قاب مرجع سنکرون (SRF). این الگوریتم توان‌های اکتیو و راکتیو را به‌طور همزمان کنترل می‌کند. وقتی مبدل پوشیده UPFC فلیکر ولتاژ را اصلاح می‌کند، مبدل شنت ذخیره انرژی لینک dc را تدارک می‌بیند. از بهر حفظ ولتاژ لینک dc از یک مدار خودشارژکننده استعمال شده است. حاصل دینامیکی به سمت کمک این الگوریتم بررسی می‌شود.  

خرید این محصول

تحقیق در مورد سیستم های مبتنی بر شبکه عصبی (فرمت فایل Word و با قابلیت ویرایش)تعداد صفحات 45

خرید این محصول

» :: تحقیق در مورد سیستم های مبتنی بر کانال عصبی (فرمت فایل Word و با قابلیت ویرایش)تعداد صفحات 45

تحقیق سیستم های مبتنی بر شبکه عصبی (فایل Word)تعداد صفحات 45

با استعمال از دانش برنامه‌نویسی رایانه می‌توان قالب داده‌ای طراحی کرد که همانند یک نرون عمل نماید. آن‌گاه حرف ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها از بهر تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود آرم داده‌اند. گستره استعمال این مدل‌های ریاضی حرف گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
سیاهه :   

مقدمه ای بر شبکه‌های عصبی تصنعی

تاریخچه شبکه‌های عصبی مصنوعی

کانال آتشی‌مزاج چیست؟

شبکه  عصبی چه قابلیتهائی دارد؟

الهام از طبیعت

شبکه های عصبی در مقایسه با کامپیوترهای سنتی

مسائل درخور از بهر یادگیری شبکه های عصبی

پرسپترون

الگوریتم یادگیری پرسپترون

الگوریتم gradient descent

مشکلات روش gradient descent

تقریب افزایشی gradient descent

الگوریتم  Back propagation

قدرت نمایش متعلقات

انواع آموزش کانال

برخی زمینه های کانال های عصبی

سبکهای معماری شبکه‌های عصبی

قواعد یادگیری در شبکه‌های عصبی

پرورش شبکه‌های عصبی

پرورش unsupervised یا مقابله‌ای (Adaptive)

تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره

انواع یادگیری از بهر شبکه های عصبی

یادگیری حرف کارگزار

یادگیری تشدیدی

یادگیری بدون ناظر

بدی‌ها کانال های عصبی

مزیتهای کانال های عصبی

سیستم آزموده

سیستم خبره چیست؟

قالب یک سیستم خبره‌

استفاده از  منطق فازی

مزایا و محدودیت‌های سیستم‌های آزموده

استعمال سیستم‌های خبره‌

قید سیستم خبره مشهور

مروری بر کاربردهای تجاری

بازاریابی

بانکداری و حوزه های مالی

سابق بینی

سایر حوزه های تجاری

استعمال مدلهای شبکه عصبی باب پیش‌بینی ورشکستگی اقتصادی شرکتهای بازار بورس

استعمال مدل‌ شبکه عصبی در پیش‌بینی افلاس شرکتهای بازار بورس

تبیین مفهوم ورشکستگی

متغیرهای مدل تحقیق

داده‌ها شرکتهای نمونه تحقیق

بازشناخت ‌مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها

تعیین الگو بهینه شبکه آتشی‌مزاج چهار لایه برای پیش‌بینی ورشکستگی شرکتها

مقایسه مدلهای کانال عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی

پیش‌بینی افلاس اقتصادی شرکتها باب سالهای  و

جریان ورشکستگی اقتصادی شرکتهای بازارچه بورس در دوره ـ

جمع‌بندی و نتیجه‌گیری

منابع

خرید این محصول