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 می­ شود 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:

1. 1. تبدیل فوریه گسسته و تبدیل CZ، اطلاعات مناسبی را در حوزه زمان استخراج نمی­کنند.

1. 1. از نتایج مقالات پیشین ‌می‌توان استنتاج کرد که با بهره گرفتن از تبدیل موجک به تنهایی نمی­ توان ویژگی‌های با کیفیت بالا ایجاد نمود.

1. 1. استفاده از تبدیل فوریه، تبدیل S و تبدیل موجک به تنهایی نمی­تواند برای استخراج ویژگی مؤثر باشد. زیرا هر کدام ضعف­هایی دارند. اخیراً مقالاتی به استفاده از حالت ترکیبی تبدیل موجک و فوریه پرداخته­اند.

1. 1. استخراج ویژگی با موجک به نویز حساس ‌می‌باشد مخصوصا اگر در سطوح جزییات بالا ویژگی‌ها استخراج شوند.

1. 1. در برخی از مقالات منتشر شده به تعداد کمی از اغتشاشات کیفیت توان پرداخته شده است

1. 1. در بسیاری از تحقیقات پیشین، بخش انتخاب ویژگی برای بهبود عمل سیستم تشخیص وجود ندارد.

1. 1. اصولا عملکرد ابزارهای تشخیص الگو به چند پارامتر داخلی وابسته است که این پارامترها در بسیاری از مقالات پیشین به وسیله سعی و خطا تنظیم شده است.

1. 1. در بسیاری از کاربردهای عملی در این حوزه، دقت و بازده روش­های موجود مناسب نمی ­باشد و باید بهبود یابد.

1. 1. 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.

1. 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 می­ شود.

فصل سوم

روش اجرای تحقیق

در سالیان اخیر مسئله کیفیت توان برای تولیدکنندگان و مصرف کنندگان انرژی اهمیت بسیاری پیدا ‌کرده‌است. مسئله کیفیت توان و مشکلات ناشی از آن به خاطر استفاده روز افزون ادوات سوییچینگ حالت جامد، بارهای سوییچ شونده الکترونیکی و غیرخطی، گسترش راه آهن برقی، کامپیوترها و ادوات پردازش اطلاعات، اینورترها و کانورترهای صنعتی افزایش یافته است. این بارها باعث برهم زدن شکل موجهای ولتاژ و ایجاد اغتشاشات کیفیت توان می­شوند. لذا به منظور بهبود کیفیت توان منابع و علل ایجاد اغتشاشات باید به سرعت و به طور دقیق تشخیص داده شوند تا با به کارگیری ادوات و روش های مناسب نسبت به رفع آن اقدام شود. به منظور شناخت منابع و علل ایجاد اغتشاشات نیاز به تشخیص مکان تولید اینگونه اغتشاشات ‌می‌باشد. با پیشرفت‌های صورت گرفته در سیستم‌های دیجیتال و ظهور پردازنده­ هایی با سرعت بالا از یک طرف و ارائه روش های جدید الگوشناسی از طرف دیگر، موجب ارائه الگوریتمهایی بر مبنای هوش مصنوعی و پردازش سیگنال در تشخیص اغتشاشات کیفیت توان شده است. روش های ارائه شده را ‌می‌توان به سه گروه عمده تقسیم نمود:

۱- روش‌هایی که از ابزارهای طبقه ­بندی کننده مبتنی بر هوش مصنوعی برای تشخیص شکل موج سیگنال‌های اغتشاشی استفاده می­نمایند.

۲- روش‌هایی که از ابزارهای آنالیز سیگنال برای تعیین یک شاخص و یا مجموعه ­ای از ویژگی‌های بارز از شکل موجهای اغتشاشی بهره می­برند.

۳- روش‌هایی که از ترکیب دو روش ذکر شده بالا برای طبقه ­بندی انواع اغتشاشات کیفیت توان استفاده ‌می‌کنند. در روش های ترکیبی، ابتدا بردار ویژگی‌ها توسط روش های آنالیز سیگنال استخراج و سپس این بردارها برای آموزش طبقه ­بندی کننده­ها استفاده می­گردند. بدین ترتیب یک طبقه ­بندی کننده آموزش دیده می ­تواند برای تشخیص و یا طبقه ­بندی انواع اغتشاشات به کار گرفته شود.

برخی از روش های شناسایی الگو و ابزارهای پردازش سیگنال متداول که در روش‌هایی تشخیص اغتشاشات کیفیت توان استفاده شده، در زیر تشریح شده است.

۳-۱- الگوریتم­های آنالیز سیگنال:

معمولاً داده ­های جریان و یا ولتاژی برای تشخیص اغتشاشات کیفیت توان به کار گرفته می­شوند. اما استفاده از نمونه ­های سیگنال تحت مطالعه محاسبات را پیچیده می­ کند. از طرف دیگر حجم عملیات محاسباتی و حافظه مورد نیاز برای ماشین‌های یادگیری و یا طبقه ­بندی کننده­ها با افزایش بعد بردار ورودی به طور قابل ملاحظه­ای زیاد می­گردد. لذا در بسیاری از روش‌ها از ابزارهای انالیز سیگنال به منظور استخراج ویژگی‌های بارز و کاهش ابعاد بردار ورودی به منظور کاهش محاسبات و افزایش دقت طبقه ­بندی کننده­ها به کار گرفته می­ شود.

۳-۱-۱ – تبدیل فوریه:

تبدیل فوریه بر این پایه استوار است که هر تابع متناوب می ­تواند به صورت مجموع بی‌نهایت تابع نمایی مختلط پریودیک نمایش داده شود. این ایده به توابع غیرمتناوب و بعد به سریهای زمانی غیرمتناوب توسعه پیدا کرد. این گسترش به همراه توسعه (FFT) در سال ۱۹۶۵ تبدیل فوریه را به ابزاری مناسب و راحت برای محاسبات کامپیوتری تبدیل کرد. تبدیل فوریه محتویات فرکانسی سری زمانی را با تجزیه آن به توابع نمایی مختلط با فرکانس‌های مختلف، آشکار می­ کند.

اطلاعاتی که از تبدیل فوریه به دست می ­آید به همه زمانها نسبت داده می­ شود، یعنی در نتایج توجهی به اینکه فرکانس در چه زمانی رخ داده است، نمی­ شود. ‌بنابرین‏ تبدیل فوریه، وجود یا عدم وجود فرکانس و شدت هر فرکانس را در اطلاعات مورد بررسی مشخص می­ کند و اطلاعاتی راجع به زمان وقوع فرکانس نمی­دهد. به همین دلیل برای سیگنال‌های ایستا که محتویات فرکانسی آن ها با زمان تغییر نمی­کند، مناسب است. اما وجود سریهای زمانی ناایستا ضرورت ایجاد تبدیلهای دیگر که نمایش زمان- فرکانس داشته باشد را مشخص می­ کند. لذا برای استخراج دامنه ‌هارمونیک‌های مختلف و محاسبه اغتشاش هارمونیک^[۸] کلی برای انواع اغتشاشات ‌می‌توان از این تبدیل استفاده نمود [۴۹].

۳-۱-۲- تبدیل موجک:

تبدیل موجک یکی از ابزارهای آنالیز در حوزه فرکانس و زمان ‌می‌باشد که در آنالیز سیگنال‌های ناایستا به کار گرفته می­ شود. این تبدیل می ­تواند سیگنال‌های سری زمانی را به سطوح مختلفی تجزیه نماید. سطح تقریب دارای فرکانس‌های پایین و سطوح جزییات دارای فرکانس‌های بالا ‌می‌باشد. شکل (۳-۱) چگونگی تجزیه سیگنال سری زمانی به سطوح مختلف را نشان می­دهد.

شکل(۳-۱): تجزیه درختی سیگنال با بهره گرفتن از تبدیل موجک

۳-۱-۲-۱- تبدیل موجک پیوسته: