Automatic Change Detection by Intelligent Backgrounding Method
Subject Areas : electrical and computer engineering
1 - University of Science and Technology
2 -
Keywords: Image blockingGaussian mixturebackground subtraction foreground segmentation,
Abstract :
The segmentation of foreground regions in image sequences is the first and the most important stage in many automated visual surveillance applications; and background subtraction is a method typically used for such applications. In this method, each new frame is compared with a model of the empty scene (which we call it ‘Background’), then those regions in the image that differ significantly from the background are identified as foreground. This paper presents a new background subtraction approach. In this method, each image is divided into similar NN blocks; then, some features are extracted from every block and the history of each feature are modeled as a combination of gaussian distributions. These distributions are updated after reception of every frame information. Then the gaussian distributions of the adaptive mixture models are evaluated to determine which one most likely describes the background and each block is classified as background or foreground based on the gaussians distributions which represents its feature value most effectively. The software implementations on personal computers show accepting capability of this approach for handling intruders to the scene, objects being introduced or removed from the scene, noises and unwanted changes in the background. Also, high speed of execution and reduced memory requirements makes this approach as a suitable method for high percentage of real-time applications
[1] E. Durucan, J. Snoeckx, and Y. Weilenmann, "Illumination invariant background extraction," in Proc. 10th Int. Conference on Image Analysis and Processing (ICIAP '99), pp. 1136-1139, 1999.
[2] A. Iketani, Y. Kuno, N. Shimada, and Y. Shirai, "Real-time surveillance system detecting persons in complex scenes", in Proc. IAPR Int. Conf. on Image Analysis and Processing, pp. 1112-1115, 1999.
[3] حسن شكوري، برآورد بلادرنگ حركت، سمينار كارشناسي ارشد، دانشكدة . مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، 1378.
[4] P. A. Laplant and D. Stoyenko, Real-time Imaging: Theory, Techniques and Applications, IEEE PRESS, New York, 1996.
[5] L. J. Leroux and J. J. D. Van Schalkwyk, "An overview of moving object segmentation in video images," in Proc. South African Symposium on Communication and Signal Processing, pp. 53-57, Aug. 30, 1991.
[6] R. Cucchiara, P. Onfiani, A. Prati, and N. Scarabottolo, "Segmentation of moving objects at frame rate: a dedicated hardware solution," in Proc. of 7th IEE Conf. on Image Processing and Its Applications (IPA 99), Manchester UK, 12-15 Jul. 1999.
[7] A. T. Ali and E. L. Dagless, "Alternative practical methods for moving object detection," in Proc. 4th Int. Conf. on Image Processing and Its Applications, Publication no. 354, Maastricht, 1992.
[8] A. T. Ali and E. L. Dagless, "Computer vision for security surveillance and movement control," Electronic Images and Image Processing in Security and Forensic Science, IEE Colloquium on, pp. 6/1-6/7, 1990.
[9] P. Voles, M. Teal, and J. Sanderson, "Target identification in complex maritime scene," IEE Colloquium on Motion Analysis and Tracking, London, UK, pp. 15/1-15/4, May 10, 1999.
[10] A. Utsumi and J. Ohya, "Image segmentation for human tracking using sequential-image-based hierarchical adaptation," in Proc. IEEE Computer Society Conf. on Computer Vision and Pattern Recognition, pp. 911-916, 1998.
[11] W. E. L. Grimson and C. Stauffer, "Adaptive background mixture models for real-time tracking," in CVPR, 1999.
[12] K. Toyama, J. Krumm, B. Brumitt, and B. Meyers, "Wallflower: principles and practice of background maintenance," in Proc. Seventh Int. Conf. on Computer Vision, pp. 255-261, Sep. 1999.
[13] N. Friedman and S. Russel, "Image segmentation in video sequences: a probabilistic approach," in Proc. 13th Conf. on Uncertainty in Artificial Intelligence (UAI), pp. 175-181, Aug. 1997
[14] S. Arseneau and J. R. Cooperstock, "Real-time image segmentation for action recognition", in Proc. IEEE PACRIM, Pacific Rim Conf. on Communications, Computers, Visualization and Signal Processing, pp. 86-89,Victoria, Aug. 1999.
[15] M. Tsuchikawa, A. Sato, H. Koike, and A. Tomono, "A moving object extraction method robust against illumination level changes for a pedestrian counting system," in Proc. ISCV 95, pp. 563-568, 1995.
[16] G. L. Foresti, "Object recognition and tracking for remote video surveillance," IEEE Trans. on Circuits and Systems for Video Technology, vol. 9, no. 7, pp. 10/45-10/62, Oct. 1999.
[17] G. L. Foresti, "A real-time system for video surveillance of unattended outdoor environments," IEEE Trans. on Circuits and Systems for Video Technology, vol. 8, no. 6, pp. 697-704, Oct. 1998.
[18] S. McKenna, S. Jabri, Z. Duric, and H. Wechsler, "Tracking interacting people," IEEE Int. Conf. on. Automatic Face and Gesture Recognition, pp. 348-353, Grenobe, France, Mar. 2000.
[19] C. Ridder, O. Munakelt, and H. Kirchner, "Adaptive background estimation and foreground detection using kalman-filtering," in Proc. of Int. Conf. on Recent Advances in Mechatronics, ICRAM’95, UNESCO Chair in Mechatronics, pp. 193-199, 1995.
[20] W. Christopher R., A. Azarbayejani, T. Darrell, and A. Pentland, "Pfinder: real-time tracking of the human body," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, Jul. 1997.
[21] D. Koller, J. Weber, T. Huang, J. Malik, G. Ogasawara, B. Rao, andS. Russel, "Toward robust automatic traffic scene analysis in real-time," in Proc. Int. Conf. on Pattern Recognition, pp. 126-131, Jerusalem, Oct. 1994.
[22] W. E. L. Grimson, C. Stauffer, and R. Romano, "Using adaptive tracking to classify and monitor activities in a site," in Proc IEEE Computer Vision and Pattern Recognition (CVPR), pp. 22-29, 1998.
[23] A. Makarov, "Comparison of background extraction based intrusion detection algorithm," in Proc. Int. Conf. Image Processing, pp. 521- 524, 1996.
[24] A. K. Bekhalil, S. S. Ipson, and W. Booth, "Real-time detection and tracking of a moving object using a complex programmable logic device," IEE colloquium on Target Tracking and Data Fusion, Austin Court, Birmingham, pp.10/1-10/7, Jun. 1998.
[25] A. R. Rostampour, O. R. Mitchell, and A. P. Reeves, "The use of temporal variance for moving object extraction," in Proc. Seventh Annual Phoenix Conf. on Computers and Communications, Mar.1988.
[26] K. W. Lee and J. Kim, "Moving object segmentation based on statistical motion model," IEE Electronics Letters, vol. 35, no. 20, pp. 1719-1720, Sep. 1999.
[27] I. Haritaoglu, D. Harwood, and L. Davis, "W4: Who, when, where, what: a real time system for detecting and tracking people," Third Int. Conf. on Automatic Face and Gesture, Nara, Japan, Apr. 1998.
[28] Y. K. Jung and Y. S. Ho, "Traffic parameter extraction using videobased vehicle tracking," ITSC'99 Conference Program (tentative), Oct. 5, 1999.
[29 ] م. فتحي، م. عنايتي نيا، غ. ر. رمضان، ش. كبيري و ا. ر. خوانساري، "سيستم كنترل و نظارت خودكار تصويري،" آزمايشگاه پردازش سريع دانشكدة كامپيوتر دانشگاه علم و صنعت ايران، 1378.
[30] Y. Ivanov, A. Bobick, and J. Liu, "Fast lighting independent background subtraction," in Proc. IEEE Workshop on Visual Surveillance (VS'98), pp. 49-55, Bombay, India, IEEE, New York 1998.
[31] A. Elgammal, D. Harwood, and L. Davis, "Non-parametric model for background subtraction," 6th European Conf. on Computer Vision, Dublin, Ireland, Jun./Jul. 2000.
[32] Y. Yang and M. D. Levise, "The background primal sketch: an approach for tracking moving objects," Machine Vision and Application, vol. 5, no. 1, pp.17-34, 1992.
[33] D. Hepper and H. Li, "Analysis of uncovered background prediction for image sequence coding," in Proc. Picture Coding Symposium, pp. 192-193, 1987.
[34] K. P. Karmann and A.V. Brandt, "Moving object recognition using an adaptive background memory," Time-Varying Image Processing and Moving Object Recognition, V. Cappellini (ed.), pp. 289-296, Elsevier, Amsterdam, The Netherlands, 1990.
216 نشریه مهندسی برق و مهندسی کامپیوتر ایران، الف- مهندسی برق، سال 22، شماره 3، پاییز 1403
مقاله پژوهشی
ارائه یک شاخص تشخیص جزیرهایشدن برای شبکه توزیع
با منابع تولید پراکنده دیزلی و اینورتری
امیرحسین علیزاده و سید فریبرز زارعی
چکیده: در این مقاله، یک شاخص مبتنی بر مؤلفههای توالی صفر پیشنهاد شده که میتواند به عنوان تکشاخص برای تشخیص جزیرهایشدن استفاده شود. شاخص پیشنهادی نتایج مطلوبی به میزان 84/97% را با استفاده از یک مدل تنظیم آستانه ساده نشان میدهد. علاوه بر این، شاخص پیشنهادی میتواند در روشهای مبتنی بر هوش مصنوعی برای دستیابی به دقتهای بالاتر استفاده شود. بر اساس نتایج بهدستآمده، استفاده از شاخص پیشنهادی به عنوان تکشاخص در یک مدل شبکه عصبی کانولوشنی یکبعدی (D CNN- 1) نتیجه رقابتی 78/99% را به دست میدهد. این نتیجه در مقایسه با نتایج روشهای پیشرفتهتر هوش مصنوعی مانند شبکههای عصبی حافظه کوتاهمدت پیشرفته (LSTM) که از تعداد بیشتری ویژگی مختلف استفاده میکنند قابل توجه است. جمعآوری دادهها برای آزمایشها شامل شرایط مختلف جزیرهای/ غیرجزیرهای است؛ مانند جزیرهایشدن تحت شرایط بارگذاری مختلف و ضرایب توان متفاوت، جزیرهایشدن تحت مقادیر مختلف ضریب کیفیت و غیر جزیرهایشدن شامل روشن/ خاموشکردن بارهای بزرگ، روشن/ خاموشکردن بانکهای خازنی و اعمال انواع خطاهای اتصال کوتاه در مکانهای مختلف با مقاومتهای اتصال کوتاه متفاوت میشود. نتایج همه آزمایشها نشان از برتری روش و شاخص پیشنهادی است.
کلیدواژه: جزیرهایشدن، تشخیص جزیرهایشدن، الکترونیک قدرت برای سیستمهای انرژی تجدیدپذیر، D CNN- 1.
1- مقدمه
افزایش تقاضای انرژی جهانی منجر به یک حرکت به سمت منابع انرژی تجدیدپذیر به عنوان جایگزین منابع سوخت فسیلی در تولید برق شده است [1]. این منابع تجدیدپذیر بسیاری از مزایا را نسبت به نیروگاههای برق سوخت فسیلی سنتی ارائه میدهند که از جمله میتوان به کاهش آلودگی هوا، افزایش کارایی کلی، کاهش هزینههای نگهداری و حذف وابستگی به قیمتهای نوسانی نفت اشاره کرد. با این حال، این منابع نیز با چالشهای خود روبهرو هستند که شامل ناپایداری مداوم، پیشبینیناپذیری و نوسانات ناگهانی میشوند [2]. از جمله این چالشها میتوان به «جزیرهایشدن» اشاره کرد که خطراتی برای ایمنی افراد و پایداری شبکه ایجاد میکند [3]. جزیرهایشدن یک سناریوی عملیاتی را نشان میدهد که یک بخش از شبکه برق، شامل بار و تولید از بقیه شبکه جدا میشود. این جداسازی ممکن است به صورت ارادی به عنوان بخشی از عملیات برنامهریزیشده شبکه یا به طور ناخواسته در شرایط غیرمنتظره رخ دهد [4]. جزیرهایشدن اغلب برای تسهیل بازسازی یا حفظ تأمین برق در یک بخش از شبکه که نیازمند نگهداری است، اجرا میشود. از طریق کنترل و نظارت دقیق بر شبکه، امکان نظارت بر پارامترهای حیاتی مانند فرکانس، جریان و مقادیر ولتاژ در بخش جزیرهایشده فراهم میشود؛ از این رو تضمین میشود که تأمین برق به بارهای متصل بدون وقفه ادامه یابد [5]. جزیرهایشدن ناخواسته زمانی رخ میدهد که یک بخش از شبکه باید بدون برق باشد؛ اما یک نیروگاه برق به این بخش از شبکه برق تزریق میکند. در همان زمان، شبکه در نظر میگیرد که این منطقه بدون برق است و آن را نظارت نمیکند [6]. یک شبکه جزیرهای ناخواسته مشکلات شدیدی ایجاد میکند و به تجهیزات شبکه آسیب میرساند [7]. تشخیص جزیرهایشدن یک جنبه حیاتی از سیستمهای برق مدرن است که برای شناسایی و کاهش شرایط بالقوه خطرناک جزیرهایشدن شبکه طراحی شده است. تشخیص رویدادهای جزیرهایشدن شامل استفاده از الگوریتمها و تکنیکهای پیشرفته است که به طور مداوم پارامترهای عملیاتی شبکه را نظارت میکنند تا بهسرعت هر گونه انحرافی را که نشاندهنده وقوع جزیرهایشدن است، شناسایی کنند [8]. این سیستمهای تشخیص در افزایش انعطافپذیری و ایمنی عملیاتی شبکههای برق معاصر، نقش حیاتی ایفا میکنند [9].
در روشهای غیرفعال، پارامترهای سیستم از جمله ولتاژ، جریان، امپدانس، توان یا فرکانس در منابع موجود در شبکه یا نقطه اتصال مشترک (PCC) تحت نظر قرار میگیرند [10]. بنابراین رلههای حفاظتی این تغییرات را احساس کرده و به گونهای عمل میکنند که کلید اصلی خاموش شود. به دلیل هزینه پایین و عدم وجود مشکلات کیفیت توان، پیادهسازی آنها مفیدتر است [10]. در [11] نویسنده از یک تکنیک پردازش سیگنال به نام تجزیه و تحلیل حالت تجربی مبتنی بر فیلتر متغیر در زمان (TVFEMD) روی سیگنالهای ولتاژ ورودی برای تشخیص شرایط جزیرهایشدن استفاده کرد و توانست به دقت 99% و زمان تشخیص کمتر از 15 میلیثانیه در یک سیستم متشکل از یک مزرعه خورشیدی، یک توربین بادی و یک ژنراتور دیزلی برسد. در [12] نویسنده از تکنیکهای یادگیری عمیق و توالیهای مثبت و منفی ولتاژ و جریان برای تشخیص شرایط جزیرهایشدن با دقت بیش از 99% و زمان کمتر از 10 میلیثانیه در یک سیستم متشکل از یک توربین بادی و یک ژنراتور دیزلی استفاده کرد. در [13] و [14] تکنیکهای مبتنی بر شبکههای عصبی عمیق برای تشخیص جزیرهایشدن استفاده شده است. در [15] نیز نویسندگان از تکنیک جنگل تصادفی برای تشخیص جزیرهایشدن در
شکل 1: تست سیستم مورد استفاده.
یک سیستم استاندارد Bus 34 IEEE با استفاده از ولتاژ توالی منفی استفاده کردند. در [16] نویسندگان با معرفی یک شاخصه، متدهای جدیدی را با دقت بالا ارائه نمودهاند. در این مقاله سعی شده روابط ریاضی روشهای [16] ارائه گردد و همچنین شبیهسازیهای سناریوهای آن با دقت بیشتری مورد بررسی قرار گیرد.
2- مشخصات تست سیستم
تست سیستم نشاندادهشده در شکل 1 شامل سیستم شبکه توزیع به عنوان Grid، یک نیروگاه فتوولتائیک متصل به شبکه2 250 کیلووات به عنوان PV، یک ژنراتور سنکرون3 2 مگاوات به عنوان DG و یک نیروگاه بادی متصل به شبکه به عنوان Wind میباشد. مشخصات اجزای شبکه در جدول 1 آمده است [16]. ژنراتور سنکرون استفادهشده در این تست یک دستگاه ژنراتور 2 مگاوات، 400 ولت AC، 50 هرتز و 1500 دور در دقیقه است که توسط یک موتور دیزل به حرکت درآمده و به باس ژنراتور 
در فاصله 300متری متصل میباشد.
مزرعه خورشیدی مورد بررسی در این مطالعه با ظرفیت 250 کیلووات واقع در فاصله 2 کیلومتری از باس 
قرار دارد و از طریق یک ترانسفورماتور به 
متصل است. مشخصات فنی آن در جدول 1 آورده شده که شامل 86 شاخه موازی است و هر کدام از آنها از 7 ماژول 
که به صورت سری متصل شدهاند، تشکیل شده است.
سیستم خورشیدی از یک 
با کنترل PWM برای تبدیل استفاده میکند. تبدیل ولتاژ به 25 کیلوولت توسط یک ترانسفورماتور سهفاز 250 کیلوولت آمپر 
انجام میشود. همچنین یک ترانسفورماتور سهفاز 250 کیلوولت آمپر 
اتصال بین سیستم خورشیدی و را فراهم میکند. علاوه بر این، یک توربین بادی DFIG دو مگاواتی با عملکرد سرعت متغیر میباشد که به شبکه در باس 
متصل شده است.
3- پیشزمینه
3-1 استفاده از روشهای یادگیری عمیق در تشخیص جزیرهایشدن
ما در این بخش، پیشزمینههایی را در مورد استفاده از یادگیری عمیق
جدول 1: مشخصات سیستم تست مورد استفاده.
عناوین | مقادیر |
تعداد آرایههای PV | ماژول |
مدل ماژولها |
|
مشخصات DG |
|
|
|
|
|
| km 6 |
| km 3 |
| m 300 |
|
|
|
|
1 Load |
|
2 Load |
|
ارائه میدهیم؛ بهطور دقیقتر، دستهبندیهای عمیق که از شبکههای عصبی عمیق برای شناسایی رویدادهای جزیرهای شدن در شبکههای کوچک استفاده میکنند. این دستهبندیها برای پردازش دادههای سری زمانی طراحی شدهاند و بهطور خاص شاخصهها را از اندازهگیریهای ولتاژ و جریان درون یک شبکه کوچک استخراج میکنند تا احتمال وقوع حوادث جزیرهای شدن را ارزیابی کنند. ما دادههای سری زمانی را با 
نشان میدهیم؛ جایی که در هر زمان گسسته 
، بردار در فضای واقعی 
بعدی 
وجود دارد. اینجا نشاندهنده تعداد شاخصههای ارزیابیشده در هر زمان 
است. به همین ترتیب، متغیر تصادفی 
را تعریف میکنیم که با هر دنباله مرتبط است و وضعیت جزیرهای شدن را نشان میدهد. اینجا 
که اینجا مقدار 1 حادثه جزیرهای شدن را نشان میدهد. هدف اصلی دستهبند عصبی این است که 
را تخمین بزند؛ یک تقریب از توزیع احتمال واقعی 
برچسبهای جزیرهای شدن با توجه به ویژگیهای سری زمانی . به کمک تخمین زدن توسط واگرایی کولبک- لیبلر 4(KL) منجر میشود [17].
3-2 نحوه نمرهدهی به عملکرد روش پیشنهادی
در این بخش، نتایج گنجاندن شاخصه پیشنهادی در فرایند تشخیص جزیرهایشدن بررسی خواهد شد. برای اندازهگیری ارزیابیها، طبقهبندی جزیرهای به دو دسته تقسیم میشود: رویدادهای جزیرهای به عنوان کلاس مثبت (کلاس ۱) و نمونههای غیرجزیرهای به عنوان کلاس منفی (کلاس ۰) این امکان را فراهم میکنند تا تجزیه و تحلیل دقیقی از دو نوع خطاهای طبقهبندی احتمالی صورت گیرد.
در ابتدا، خطای مثبت کاذب 5(FP) شناسایی میشود که هنگامی رخ میدهد که طبقهبندیکننده به طور نادرست یک رویداد جزیرهای را اعلام میکند. سپس خطای منفی کاذب 6(FN) مورد بررسی قرار میگیرد
که توسط عدم تشخیص طبقهبند در شناسایی وقوع واقعی یک رویداد جزیرهای مشخص میشود. هدف کلی در ارزیابی طبقهبندیکننده، کاهش این خطاهاست. این امر با بیشینهسازی معیار دقت انجام میشود که به صورت ریاضی به شرح زیر تعریف میشود
شکل 2: الگوریتم پیشنهادی یک روش غیرفعال تشخیص جزیرهایشدن.
(1)
در اینجا TP مثبت صحیح7 و TN منفی صحیح8 به ترتیب نشاندهنده تعداد رویدادهای جزیرهای درست و غیرجزیرهای درست هستند. با این حال در مواردی با مجموعه دادههای نامتوازن، یعنی زمانی که تعداد حالتهای جزیرهایشدن با غیرجزیرهای برابر نباشد، معیار دقت ممکن است گمراهکننده باشد؛ زیرا یک مدل بدون توانایی پیشبینی واقعی ممکن است با اکثریت کلاس به طور اصلی دقت بالایی را به دست آورد. برای مقابله با این سوگیری احتمالی و ارائه یک ارزیابی جامعتر از عملکرد طبقهبندیکننده، ما از معیارهای اضافی استفاده میکنیم که به عنوان پیشنهاد Saito و همکاران آورده شده [18] و شامل موارد زیر است
دقت بالانسشده
(2)
(3)
(4)
(5)
4- الگوریتمهای پیشنهادی
4-1 روش غیرفعال مبتنی بر تنظیم آستانه
در این قسمت، یک شاخصه جدید ارائه شده که میتواند به عنوان یک روش تشخیص جزیرهایشدن غیرفعال و یا یک ورودی برای روشهای مبتنی بر هوش مصنوعی با هدف افزایش دقت و فرایند تشخیص استفاده شود. فلوچارت نشاندادهشده در شکل 2، روش پیشنهادی برای به دست آوردن شاخصه پیشنهادشده را نشان میدهد.
در این روش، نمونههای جریان و ولتاژ در باس مورد مطالعه، یعنی باس ، اندازهگیری میشود. سپس تبدیل فوریه گسسته پنجره کامل (DFT) برای استخراج فازورهای موجهای جریان و ولتاژ به صورت مفهوم پنجره کشویی9 اعمال میشود. در این روش، مقادیر DFT به صورت نمونه به نمونه بهروزرسانی میشوند با آمدن هر نمونه جدید از سیگنالهای اندازهگیریشده [19]. با استفاده از مقادیر فازور، مؤلفههای توالی همسان سیگنالهای اندازهگیریشده محاسبه میشود. در محاسبه مؤلفههای همسان ولتاژ 
و جریان 
، مقادیر سهفاز ولتاژ 
و جریان 
با مقدار 
استفاده میشود
(6)
(7)
(8)
در این روش، مؤلفههای توالی صفر10 به بلوک بعدی جهت به دست آوردن مؤلفه توالی صفر نهایی وارد میشوند
(9)
(10)
که از حاصلضرب مؤلفههای توالی صفر ولتاژ و جریان برای به دست آوردن شاخص اصلی برای تشخیص جزیرهایشدن به عنوان «مقدار تشخیص پیشجزیرهایشدن11» استفاده میکند
(11)
که با بسطدادن این حاصلضرب معادله زیر حاصل میشود
(12)
همچنین داریم
(13)
در مرحله بعد، خروجی از مقدار تشخیص پیشجزیرهایشدن عبور میکند که نرخ تغییر مؤلفه پیشنهادشده صفر را بر مبنای (14) محاسبه میکند
[1] این مقاله در تاریخ 29 فروردین ماه 1403 دریافت و در تاریخ 20 شهریور ماه 1403 بازنگری شد. این تحقیق توسط مدیریت پژوهش و فناوری دانشگاه صنعتی قم بر اساس قرارداد شماره 690404 پشتیبانی شده است.
امیرحسین علیزاده، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی قم، قم، ايران، (email: alizadeh.ah@gmail.com).
سید فریبرز زارعی (نویسنده مسئول)، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی قم، قم، ايران، (email: zarei@qut.ac.ir).
[2] . Grid-Connected Photovoltaic Plant
[3] . Synchronous Generators
[4] . Kullback-Leibler
[5] . False Positive
[6] . False Negative
[7] . True Positive
[8] . True Negative
[9] . Moving Window
[10] . Zero Sequence Components
[11] . Pre-Islanding Detection Value
(الف) (ب)
شکل 3: شماتیک (الف) یک عملیات کانولوشنی یکبعدی و (ب) یک شبکه عصبی کانولوشنال یکبعدی برای طبقهبندی جزیرهای.
(14)
سپس مقدار بهدستآمده از یک بلوک PI عبور میکند تا شاخصه نهایی به نام «شاخص تشخیص جزیرهایشدن» 1(IDI) تولید شود. نهایتاً مقدار IDI با استفاده از یک بلوک مقایسهگر2 با یک مقدار آستانه از پیش تعیینشده مقایسه میشود تا شرایط جزیرهایشدن تشخیص داده شود. اگر شرایط جزیرهایشدن تشخیص داده شود، فرایند به مرحله بعد ادامه پیدا میکند که شامل استفاده از یک تشخیصدهنده لبه3 است و سپس دستور قطع اتصال به بریکر مورد نظر ارسال شود. ولی اگر شرایط شبکه به عنوان شرایط جزیرهایشدن تشخیص داده نشود، فرایند جهت تشخیص از ابتدا شروع خواهد شد.
به عنوان رویکرد اولیه تشخیص جزیرهایشدن، یک روش ساده تنظیم آستانه که در این قسمت پیشنهاد شده است، استفاده میشود. سناریوهای مختلفی بررسی شد و سیستم تحت شرایط مختلف آزمایش شد تا بهترین مقدار آستانه تعیین شود. مقدار بهینه برای تشخیص 9/1 میباشد که دقت بالانسشده متوسط4 83/%97 را تولید کرد. در مقایسه با طرحهای غیرفعال تشخیص جزیرهایشدن، شاخصه پیشنهادی ما نتایج مطلوب و دقت بالانسشده متوسط قابل رقابتی را از خود نشان میدهد. این عملکرد برجسته، قابلیت بالقوه شاخصه پیشنهادی را در بهبود تشخیص جزیرهایشدن در شبکههای تولید برق توزیعیافته نشان میدهد.
4-2 شبکه عصبی کانولوشنال یکبعدی (D CNN- 1)
شبکههای عصبی کانونشنال یکبعدی (D CNNs- 1) به عنوان ابزاری قدرتمند در یادگیری ماشین برای پردازش دادههای متوالی مانند سریهای زمانی، سیگنالهای صوتی و متن ظهور کردهاند. لایه کانونشنال که فیلترهای قابل یادگیری را به دادههای ورودی اعمال میکند، به این شبکهها امکان میدهد تا به طور تطبیقی سلسلهمراتب فضایی5 شاخصهها را از دادهها یاد بگیرند [20].
با توجه به ورودی سری زمانی 
با طول 
که هر گام زمانی متناظر با یک بردار ویژگی در 
است، یک لایه کانونشنال یکبعدی این توالی را از طریق عملیات کانونشنال تبدیل میکند. این عملیات شامل اسلایدکردن فیلترها6 (یا هستهها7) در بُعد زمانی دادههای ورودی برای استخراج شاخصهها است. به طور ریاضی، یک لایه کانونشنال یکبعدی یک فیلتر 
را اعمال میکند که در آن 
اندازه فیلتر و تعداد شاخصههای ورودی است. عملیات کانونشنال برای یک فیلتر 
در گام زمانی به شکل زیر تعریف میشود (به شکل 3- الف مراجعه کنید)
(15)
در اینجا 
نمایانگر خروجی کانونشنال در گام زمانی و 
تابع فعالسازی8 است؛ مثلاً واحد خطی تصحیحشده 9(ReLU). این عملیات برای هر موقعیت ممکن فیلتر روی دنباله ورودی اعمال شده و یک نقشه شاخصه10 تولید میکند که ویژگیهای زمانی محلی دادههای ورودی را در بر میگیرد. پس از لایههای کانونشنال، اغلب از لایههای ادغام برای کاهش ابعاد نقشههای شاخصه استفاده میشود. یک روش متداول در شبکههای عصبی کانونشنال یکبعدی، ادغام حداکثر است که بزرگترین مقدار را از هر زیرمنطقه نقشه شاخصه انتخاب میکند. این عملیات کمک میکند تا نمایش انتزاعیتر و ثابتتر از جابهجاییها و اعوجاجهای کوچک در دنباله ورودی باشد. نهایتاً در زمینه طبقهبندی دودویی، یک شبکه عصبی کانونشنال یکبعدی معمولاً با یک یا چند لایه کاملاً متصل به پایان میرسد. این لایهها شاخصههای یادگرفتهشده توسط لایههای کانونشنال و ادغام را یکپارچه میکنند. لایه نهایی در چنین شبکهای، یک لایه کاملاً متصل با یک نورون استفاده میشود که از یک تابع فعالسازی سیگموئید برای تولید خروجی احتمال که احتمال یکی از دو کلاس را نشان میدهد، استفاده میکند (شکل 3- ب). شبکه با تنظیم فیلترها و وزنهای خود از طریق بازگشت به عقب11 و الگوریتم بهینهسازی12 مانند
(الف)
(ب)
(ج)
(د)
شکل 4: سناریوی 1: نتایج تأثیر ایجاد شرایط جزیرهایشدن به سیستم تست بر الگوریتم تشخیص، (الف) جریان سمت شبکه، (ب) ورودی الگوریتم، (ج) خروجی الگوریتم و (د) سیگنال جزیرهای.
کاهش گرادیان13 یا آدام14، کمینهسازی تابع خطا15 را که در (1) پیشنهاد شده است، یاد میگیرد [21]. برای کسب اطلاعات بیشتر درباره شبکههای عصبی کانونشنال یکبعدی و طبقهبندهای عمیق دیگر مانند طبقهبندهای حافظه کوتاهمدت بلند 16(LSTM) به [22] ارجاع داده میشود.
5- نتایج شبیهسازی
برای ارزیابی عملکرد شاخصه پیشنهادی، دو سناریو ارائه شده است. ابتدا در قسمت اول، شاخصه پیشنهادی با استفاده از یک مدل روش تنظیم آستانه آزمایش شده و نتایج با روشهای مبتنی بر هوش مصنوعی مقایسه شده است. روش مدل تنظیم آستانه، یک راه ساده و مؤثر برای ارزیابی عملکرد شاخصه ارائه شده که امکان مقایسه منصفانه با روشهای پیچیدهتر مبتنی بر هوش مصنوعی را فراهم میکند. این رویکرد به اطمینان از این که شاخصه به درستی ارزیابی و در مقایسه با سایر روشها در زمینه روشهای تشخیص جزیرهایشدن قرار میگیرد، کمک میکند. در دومین مرحله در قسمت دوم، چندین سناریو با موجشکلهای حوزه زمان هم در شرایط جزیرهای و هم در شرایط غیرجزیرهای پیادهسازی شده تا رفتار و عملکرد الگوریتم نشان داده شود. برای انجام آزمایشها نرمافزار MATLAB/Simulink برای شبیهسازی داده و همه مدلهای شناسایی جزیرهای با استفاده از کتابخانه TensorFlow در پایتون پیادهسازی شده است. برای اهداف تشخیص جزیرهایشدن، لازم است مقادیر الکتریکی باس PV از جمله نمونههای جریان و ولتاژ نمونهبرداری شود که این مسئله با فرکانس نمونهبرداری 1 کیلوهرتز انجام شده است.
5-1 سناریوهای تست
5-1-1 سناریوی 1: تستهای جزیرهایشدن
برای ایجاد شرایط جزیرهای، بریکر اصلی (1CB) در شکل 1 در
(الف)
(ب)
(ج)
شکل 5: سناریوی 2: تأثیر اتصال بار سنگین به سیستم تست بر الگوریتم تشخیص جزیرهایشدن، (الف) جریان سمت شبکه، (ب) ورودی الگوریتم و (ج) سیگنال جزیرهای.
باز میشود که منجر به جداشدن سیستم تست از شبکه برق میشود که این تست مشابه شرایط استفادهشده در تست سیستم استاندارد 
است. در این شرایط، همان طور که در شکل 4- الف نشان داده شده است، این سیگنال نشاندهنده زمان قطعشدن شبکه به دلیل وقوع شرایط جزیرهایشدن میباشد. صرفاً برای نشاندادن وقوع شرایط جزیرهایشدن است و در تشخیص استفاده نمیشود. جریان عبوری از 1CB در زمان 0017/7 ثانیه صفر میشود؛ بنابراین الگوریتم تشخیص جزیرهای شرایط جزیرهای را در زمان 0033/7 ثانیه تشخیص میدهد که در شکل 4- ب آمده و سپس یک فرمان تشخیص جزیرهایشدن صادر میشود. نهایتاً در زمان 0033/7 ثانیه، سیستم دستور جزیرهای را به منابع ارسال میکند که در شکل 4- د نشان داده شده است. این سیگنال به بریکر باس منبع مورد نظر ارسال میشود و در صورت تشخیص شرایط جزیرهایشدن، سیگنال قطع را به بریکر ارسال میکند و باعث قطع ارتباط منبع به شبکه میشود. همچنین لازم است ذکر شود که این سیگنال نمونه بررسیشده به منظور مشاهده پاسخ دینامیکی و شکل موج در دامنه زمان میباشد. این سناریو با 1500 حالت اتصال بار مختلف به باس اصلی (1B) آزمایش شده که هر کدام دارای توان اکتیو و راکتیو متفاوت هستند. علاوه بر این، ضریب کیفیتهای 
مختلف با محدوده 1 تا 5/2 (مطابق با شرایط مندرج در استانداردهای بینالمللی) و نقاط مختلف شبکه با آرایش فاصلههای متفاوت منابع از هم در این آزمایشها استفاده شده که همگی نتایج مشابهی را به دست آوردهاند.
5-1-2 سناریوی 2: ورود و خروج منابع و بارهای بزرگ در شبکه
در این سناریو، تأثیر قطع و وصل مجدد بارهای بزرگ17 بر روش تشخیص جزیرهای مورد بررسی قرار میگیرد. این مطالعه پاسخ دینامیکی روش تشخیص جزیرهای به این تغییرات بار را بررسی میکند و اثرات آن را درباره عملکرد این روش تحت شرایط بار دینامیکی ارائه میدهد. شکل 5 نتایج متصلکردن بار 5/1 برابر نسبی بار موجود در باس 1B در زمان 7 ثانیه را نشان میدهد. در شکل 5- الف، تغییر گام در موج جریان در زمان 7 ثانیه رخ داده است. همچنین سیگنال ورودی اندازهگیریشده شامل تغییرات بار و سیگنال خروجی مرتبط با الگوریتم به ترتیب در شکلهای 5- ب و 5- ج نشان داده شدهاند. چون مقدار سیگنال خروجی کمتر از آستانه جزیرهای است، سیگنال تشخیص جزیرهایشدن صادر نمیشود. همچنین برای قطع بار، همان طور که در شکل 6 نشان داده شده است،
(الف)
(ب)
(ج)
شکل 6: سناریوی 2: تأثیر خروج بار سنگین از سیستم تست بر تشخیص جزیرهایشدن، (الف) جریان سمت شبکه، (ب) ورودی الگوریتم و (ج) سیگنال جزیرهای.
در زمان 7 ثانیه، بار 5/1 برابر بار موجود در شبکه در باس 1B از شبکه جدا شد (شکل 6- الف). در شکل 6- ب، تغییرات در سیگنال ورودی به الگوریتم تشخیص جزیرهای قابل مشاهده است که مشابه ورودی بار به شبکه است؛ زیرا از آستانه تحریک جزیرهای بسیار کمتر است و بر روی سیگنال خروجی جزیرهای خود تأثیر نمیگذارد.
همان طور که در شکل 6- ج نشان داده شده است که به عنوان یک سناریوی جزیرهای تشخیص داده نمیشود. دوباره ارزش ذکرکردن دارد که این نمونه در ابتدا برای مشاهده پاسخ پویا و شکل موج حوزه زمان ارزیابی شد. این سناریو با شرایط مختلفی برای آزمایش تحت فشار قرار گرفت و نتایج به طور مداوم شباهتهایی را نشان دادند که نشاندهنده استحکام سیستم تحت شرایط مختلف است.
5-1-3 سناریوی 3: تأثیرات قطع و وصل بانکهای خازنی در شبکه
این سناریو شامل بررسی اتصال و قطع یک بانک خازنی18 و اثرات آن بر روی شبکه است. یک بانک خازنی kVar 400 در زمان 6 ثانیه به شبکه در 1L در باس 1B متصل میشود و تأثیر آن مورد بررسی قرار میگیرد. نتایج این آزمایش در شکل 7 ارائه شده و بینشهایی را درباره اثرات عملیات بانک خازنی بر روی شبکه ارائه میدهد.
در شکل 7- الف، جریان ورودی از سوی شبکه در زمان 6 ثانیه مشخص میشود و لحظهای است که بانک خازنی به شبکه در باس 1B متصل میشود و سیگنال ناشی از این تغییر به عنوان ورودی به الگوریتم ارسال میشود (شکل 7- ب). از آنجا که این سیگنال بسیار کمتر از آستانه IDI است، این سناریو به عنوان یک مورد جزیرهای تشخیص داده نمیشود. طبق شکل 7- ج، هیچ سیگنال جزیرهای به منابع ارسال نمیشود.
در شکل 8، تأثیر خروج بانک خازنی از شبکه بررسی میشود. همان طور که در مورد قبلی بود، در زمان 6 ثانیه، یک بانک خازنی kVar 400 از شبکه جدا میشود. در شکل 8- الف، تأثیرات قطع جریان ورودی از سوی شبکه قابل مشاهده است. سیگنال ناشی از این تغییر به الگوریتم
در شکل 8- ب قابل مشاهده است و بر روی سیگنال خروجی تأثیر نمیگذارد. مشابه حالت اتصال بانک خازنی، همان طور که در شکل 8- ج نشان داده شده است، هیچ سیگنالی برای تشخیص شرایط جزیرهای
(الف)
(ب)
(ج)
شکل 7: تأثیر متصلشدن بانک خازنی به سیستم تست بر الگوریتم تشخیص جزیرهایشدن، (الف) جریان سمت شبکه، (ب) ورودی الگوریتم و (ج) سیگنال جزیرهای.
ارسال نمیشود و سیستم به درستی این شرایط را به عنوان یک شرایط جزیرهای تشخیص نمیدهد. همچنین قابل ذکر است که این سناریوی آزمایش نمونه در اینجا نشان داده شده تا پاسخ پویا و دینامیکی دامنه زمان را نشان دهد. مشابه این سناریوی آزمایش، شرایط مختلف دیگر نیز آزمایش شدهاند و نتایج به طور مداوم، عملکرد صحیح و قوی روش تحت شرایط مختلف را نشان دادند. با این حال به دلیل محدودیتهای فضا این موارد بیشتر توضیح داده نشدهاند.
5-1-4 سناریوی 4: تأثیرات انواع مختلف خطا در شبکه
در این آزمایش، وقوع خطاها در سیستم تست19 مورد بحث قرار میگیرد. انواع مختلف خطاها (ازجمله خطاهای G، L2، LG2، L3 و LG3) در شرایط، مکانها و مقاومتهای مختلف در شبکه اعمال شده و تأثیرات آنها بر الگوریتم بررسی میشود. هدف از این بخش ارزیابی عملکرد الگوریتم تحت شرایط مختلف خطاست و تجزیه و تحلیل پاسخ آن به صورتهای مختلف سناریوهای خطا را هدف قرار میدهد. برای مشاهده پاسخ پویا و شکل موج حوزه زمان، یک خطای LG (فاز و زمین) در فیدر مجاور در باس 2B و همچنین مکان بار در باس 1B مورد بررسی قرار گرفت و سیستم باید این سناریو را به عنوان یک شرایط غیرجزیرهای تشخیص دهد. خطای LG در 2B رخ داده و مدت آن از 8/5 تا 6 ثانیه اتفاق میافتد.
در شکل 9- الف، تغییرات جریان از سوی شبکه در زمان وقوع خطا نشان داده شده است. شکل 9- ب، سیگنال ورودی به الگوریتم در زمان وقوع خطا را نشان میدهد که چون خارج از محدوده آستانه سیگنال IDI است، بر روی خروجی الگوریتم تأثیر نمیگذارد؛ بنابراین هیچ سیگنال جزیرهای به منابع ارسال نمیشود (شکل 9- ج). همچنین این آزمایش برای وقوع خطای LG در فیدر مجاور 2B تکرار شد و نتایج در طول زمانها و مدت زمانهای مختلف وقوع خطا یکسان بودند. الگوریتم به طور مداوم شرایط را به عنوان یک سناریوی غیرجزیرهای شناسایی کرد.
5-2 بررسی نتایج بهدستآمده
همچنین این شاخصه با استفاده از یک مدل D CNN- 1 که در بخش قبلی به طور کامل به آن اشاره شد، مورد بررسی قرار گرفت که باعث
به دست آمدن یک دقت متوازن متوسط برابر با 
شد. مطابق با جدول 2 این عملکرد قابل مقایسه با عملکرد یک سیستم
(الف)
(ب)
(ج)
شکل 8: تأثیر خروج بانک خازنی از سیستم تست بر الگوریتم تشخیص جزیرهایشدن، (الف) جریان سمت شبکه، (ب) ورودی الگوریتم و (ج) سیگنال جزیرهای.
(الف)
(ب)
(ج)
شکل 9: تأثیر وقوع خطاهای مختلف در سیستم تست بر الگوریتم تشخیص جزیرهایشدن، (الف) جریان سمت شبکه، (ب) ورودی الگوریتم و (ج) سیگنال جزیرهای.
[1] . Islanding Detection Index
[2] . Comparator Block
[3] . Edge Detector
[4] . Average Balanced Accuracy
[5] . Spatial Hierarchies
[6] . Sliding Filters
[7] . Kernels
[8] . Activation Function
[9] . Rectified Linear Unit
[10] . Feature Map
[11] . Backpropagation
[12] . Optimization Algorithm
[13] . Gradient Descent
[14] . Adam
[15] . Loss Function
[16] . Long Short-Term Memory
[17] . Switching of Large Loads
[18] . Switching of Capacitor Banks
[19] . Effects of Faults on Grid
جدول 2: مقایسه بین روشها.
مدل | شاخصهها | پیچیدگی مدل | Score- 1F | Balanced accuracy | Precision | Recall |
LSTM classifier (state-of-the-art) [12] و [23] | Positive and negative sequences of voltage, ROCOF, dP/dt and dQ/dt | 4 LSTM layers with 64, 128, 64, and 32 cells (Training parameters: 178,849) RMSprop optimizer with a learning rate of 0.001 |
|
|
|
|
Threshold-based method | proposed Feature | There is just a single threshold value to be set. (threshold=1.9 based on the best-balanced accuracy on validation samples) | 9786/0 | 9783/0 | 9946/0 | 9632/0 |
D CNN classifier- 1 | proposed Feature | 3 1-D CNN layers with 32, 128, and 32 filters each with kernel size 3 and ReLU activation function. Last two layers are followed by a 1-D max-pooling of size 2. (Training parameters: 24,961) Adam optimizer with a learning rate of 0.001 |
|
|
|
|
LSTM با چندین شاخصه مشترک است و نشان میدهد این شاخصه به عنوان یک ورودی مؤثر برای سامانههای تشخیص جزیرهایشدن مبتنی بر هوش مصنوعی میباشد [8] و [24].
همچنین مهم است خاطرنشان گردد که مدل LSTM برای اطمینان از عملکرد بهینه بر روی نمونههای داده اعتبارسنجی میشود. در ردیف دوم، جدول 2 شاخصه پیشنهادی ما بر روی یک مدل ساده تنظیم آستانه آزمایش شده و بر اساس شرایط شبکه، بهترین نتایج را در آستانه 9/1 ارائه میدهد که نتایج رقابتی با حضور فقط یک ویژگی دارد. علاوه بر این مطابق با ردیف سوم جدول 2، شاخصه پیشنهادی بر روی یک شبکه D CNN- 1 نسبتاً ساده آزمایش شده که شامل 3 لایه D CNN- 1 با 32، 128 و 32 فیلتر است، هر کدام با اندازه هسته 3 و تابع فعالسازی ReLU (پارامترهای آموزش: 961/24). در مجموع، پنج اجرا بر روی این مدل انجام گردبد که یکی از تستها نتیجه کامل 100% را به دست آورده، در حالی که دقت متوازن متوسط 0012/0± 78/%99 است.
6- نتیجهگیری
در این مقاله، یک شاخصه مبتنی بر اجزای توالی صفر پیشنهاد شد که میتواند به عنوان تنها شاخصه در روش تشخیص جزیرهای غیرفعال یا به عنوان یک ورودی مؤثر برای روشهای تشخیص جزیرهایشدن مبتنی بر هوش مصنوعی استفاده شود. با نشاندادن عملکرد برتر با میانگین دقت متعادل رقابتی 84/97% در مقایسه با روشهای غیرفعال، این شاخصه در سناریوهای آزمایشی متنوع مورد تست و بررسی قرار گرفت. برای تست در روشهای مبتنی بر هوش مصنوعی، به عنوان تنها ورودی در یک مدل D CNN- 1 برای تشخیص جزیرهایشدن، نتیجه قابل توجهی با دقت متعادل 0012/0± 78/%99 به دست آمد که در مقایسه با شبکه LSTM پیشرفته با شاخصههای متداول (شامل نرخ تغییر فرکانس ولتاژ، توالی مثبت ولتاژ، توالی منفی ولتاژ، مشتق توان اکتیو و مشتق توان راکتیو) که دقت متعادل 0046/0± 63/%98 را داراست، عملکرد بهتری دارد. از نکات قابل توجه آن که سادگی شاخصه ما عملکرد مدل مبتنی بر هوش مصنوعی را بهبود بخشید و از مدلهای پیچیده با شاخصههای رایج نتایج مناسبتری گرفت. پیچیدگی کمتر این شاخصه به معنای کاهش هزینههای پیادهسازی و افزایش سرعت تشخیص است که امکان استقرار روشهای قدرتمندتر و دقیقتر را در گستره وسیعتری از شبکههای برق با هزینه کلی کمتر فراهم میکند.
مراجع
[1] D. Gielen, et al., "The role of renewable energy in the global energy transformation," Energy Strategy Reviews, vol. 24, pp. 38-50, Apr. 2019.
[2] S. F. Zarei, H. Mokhtari, and M. A. Ghasemi, "Enhanced control
of grid forming VSCs in a micro-grid system under unbalanced conditions," in Proc. 9th Annual Power Electronics, Drives Systems and Technologies Conf., pp. 380-385, Tehran, Iran, 13-15 Feb. 2018.
[3] J. L. Holechek, H. M. Geli, M. N. Sawalhah, and R. Valdez, "A global assessment: can renewable energy replace fossil fuels by 2050?" Sustainability, vol. 14, no. 8, Article ID: 4792, Apr-2. 2022.
[4] M. Mishra, S. Chandak, and P. K. Rout, "Taxonomy of islanding detection techniques for distributed generation in microgrid," Renewable Energy Focus, vol. 31, pp. 9-30, Dec. 2019.
[5] S. F. Zarei, H. Mokhtari, and F. Blaabjerg, "Fault detection and protection strategy for islanded inverter-based microgrids," IEEE J. of Emerging and Selected Topics in Power Electronics, vol. 9, no. 1, pp. 472-484, Feb. 2019.
[6] P. Fernández‐Porras, M. Panteli, and J. Quirós‐Tortós, "Intentional controlled islanding: when to island for power system blackout prevention," IET Generation, Transmission & Distribution, vol. 12, no. 14, pp. 3542-3549, Aug. 2018.
[7] M. S. Kim, et al., "Comprehensive review of islanding detection methods for distributed generation systems," Energies, vol. 12, no. 5, Article ID: 0837, Mar. 2019.
[8] M. Alobaid and A. G. Abo-Khalil, "A comprehensive review and assessment of islanding detection techniques for PV systems," International J. of Thermofluids, vol. 18, Article ID: 100353, May 2023.
[9] S. F. Zarei and M. Parniani, "A comprehensive digital protection scheme for low-voltage microgrids with inverter-based and conventional distributed generations," IEEE Trans. on Power Delivery, vol. 32, no. 1, pp. 441-452, Feb. 2016.
[10] R. A. Mastromauro, "Grid synchronization and islanding detection methods for single-stage photovoltaic systems," Energies, vol. 13, no. 13, Article ID: 3382, Jul.-12020.
[11] B. K. Chaitanya, A. Yadav, and M. Pazoki, "An advanced signal decomposition technique for islanding detection in DG system," IEEE Systems J., vol. 15, no. 3, pp. 3220-3229, Sept. 2021.
[12] A. A. Abdelsalam, A. A. Salem, E. S. Oda, and A. A. Eldesouky, "Islanding detection of microgrid incorporating inverter based DGs using long short-term memory network," IEEE Access, vol. 8, pp. 106471-106486, 2020.
[13] N. B. Hartmann, R. C. dos Santos, A. P. Grilo, and J. C. M. Vieira, "Hardware implementation and real-time evaluation of an ANN-based algorithm for anti-islanding protection of distributed generators," IEEE Trans. on Industrial Electronics, vol. 65, no. 6, pp. 5051-5059, Jun. 2018.
[14] S. R. Samantaray, B. C. Babu, and P. K. Dash, "Probabilistic neural network based islanding detection in distributed generation," Electric Power Components and Systems, vol. 39, no. 3, pp. 191-203, Jan. 2011.
[15] S. Adari and B. R. Bhalja, "Islanding detection of distributed generation using random forest technique," in Proc. IEEE 6th Int. Conf. on Power Systems, 6 pp., New Delhi, India, 4-6 Mar. 2016.
[16] A. H. Alizadeh, S. F. Zarei, and M. H. Shateri, "A sequence component-based feature for passive and artificial-intelligence-based islanding detection," in Proc. The Power Electronics and Drives: Systems and Technologies Conf., 7 pp., Tehran, Iran, 30 Jan.-1 Feb. 2024. [Online]. Available: https://sid.ir/paper/1132488/en
[17] Y. Yang, Elements of Information Theory, Ed: Taylor & Francis, 2008.
[18] T. Saito and M. Rehmsmeier, "The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets," PLOS One, vol. 10, no. 3, Article ID: e0118432, 2015.
[19] M. Pourmirasghariyan, S. F. Zarei, M. Hamzeh, and F. Blaabjerg, "A power routing-based fault detection strategy for multi-terminal VSC-HVDC grids," IEEE Trans. on Power Delivery, vol. 38, no. 1, pp. 528-540, Feb. 2022.
[20] Y. LeCun and Y. Bengio, "Convolutional networks for images, speech, and time series," In M. C. Arbib (Ed.), The Handbook of Brain Theory and Neural Networks, Cambridge: MIT Press, 1998.
[21] D. E. Rumelhart, G. E. Hinton, and R. J. Williams, "Learning representations by back-propagating errors," Nature, vol. 323, pp. 533-536, 1986.
[22] K. P. Murphy, Probabilistic Machine Learning: An Introduction, MIT Press, 2022.
[23] Y. Xia, F. Yu, X. Xiong, Q. Huang, and Q. Zhou, "A novel microgrid islanding detection algorithm based on a multi-feature improved LSTM," Energies, vol. 15, no. 8, Article ID: 2810, Apr.-2 2022.
[24] N. A. Larik, M. F. Tahir, Z. S. Elbarbary, M. Z. Yousaf, and M.
A. Khan, "A comprehensive literature review of conventional and modern islanding detection methods," Energy Strategy Reviews, vol. 44, Article ID: pp. 101007, Nov. 2022.
امیرحسین علیزاده تحصيلات خود را در مقطع كارشناسي مهندسی برق-الکترونیک در سال ۱۳۹۱ در دانشگاه آزاد لاهیجان و مقطع كارشناسي ارشد مهندسی برق قدرت گرایش سیستم های قدرت در سال ۱۴۰۲ در دانشگاه صنعتی قم به پايان رسانده است. همچنین از سال ۱۳۹۳ تاکنون در زمینهی مهندسی برق قدرت در صنایع مختلف در شاخههای طراحی صنعتی، سیستمهای مانیتورینگ ،کنترل و حفاظت سیستمهای انرژی الکتریکی و طراحی و اجرای شبکههای برق صنعتی و ژنراتورهای متصل به شبکه فعال میباشند. همچنین زمينههاي تحقيقاتي مورد علاقه ایشان شامل حفاظت شبکههای قدرت، حفاظت در برابر جزیرهای شدن، و بهرهبرداری شبکههای توزیع فعال میباشد.
سید فریبرز زارعی مدرک کارشناسی خود را در رشته مهندسی برق از دانشکده مهندسی برق دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران) در سال ۱۳۹۱ دریافت کرد. او تحصیلات خود را با کسب مدارک کارشناسی ارشد و دکتری در رشته مهندسی برق از دانشکده مهندسی برق دانشگاه صنعتی شریف بهترتیب در سالهای ۱۳۹۳ و ۱۳۹۸ ادامه داد. از بهمن سال 1396 تا مرداد سال 1397، ایشان به عنوان محقق دکتری مهمان در دانشکده انرژی دانشگاه آلبورگ دانمارک فعالیت داشت. در دیماه سال ۱۳۹۹، او به عنوان استادیار به دانشکده مهندسی برق و کامپیوتر دانشگاه صنعتی قم پیوست. او بیش از 40 مقاله در کنفرانسها و مجلات معتبر در زمینه الکترونیک قدرت و مهندسی قدرت تألیف کرده است. تحقیقات او بر کاربرد سیستمهای الکترونیک قدرت در شبکههای برق متمرکز بوده و جنبههای مدلسازی، کنترل، حفاظت و پایداری را پوشش میدهد. علاوه بر این، او آزمایشگاه الکترونیک قدرت و شبکه را در دیماه سال ۱۴۰۰ در دانشگاه قم تأسیس کرد. این آزمایشگاه مطالعات بر روی مبدلهای DC/AC و تعامل آنها با شبکه برق AC را انجام میدهد. پلتفرم آزمایشگاهی این مجموعه محیطی انعطافپذیر برای پیادهسازی روشهای کنترلی متنوع بر روی مبدلهای سهفاز فراهم کرده و تحقیقات مربوط به کنترل، حفاظت و پایداری را تسهیل میکند.
