چکیده

               این  تحقیق با یک رویکرد معتبر برای تشخیص اولیه مدار اتصال کوتاه در  سیم پیچ استاتور است که در ژنراتورهای القایی که در توربین های بادی استفاده می شود. با استفاده از یک بستر آزمایشی توربین بادی ، انواع مختلفی از اتصال کوتاه را در ژنراتور وارد کردیم. پیشنهاد دادیم که از چهار تکنیک استخراج ویژگی به همراه سه دسته بند  استفاده کنیم‌ .  MLP شرایط نرمال  مولد را با خطای   مثبت و منفی ۱%  تعیین کرد‌. با استفاده از توپولوژی های مختلف MLP ، می توان مدارهای اتصال کوتاه اولیه را در چرخش 1.41٪ و  با دقت 99.33٪ شناسایی کرد.  ترکیب فوریه و  MLP  در تشخیص خطا، بسیار مفید است، چون توانسته به دقت ۸۴.۴۸% برسد  و ۹۹.۹۸% از شرایط نرمال را به درستی  دسته بندی کرد.

1. مقدمه
              انرژی باد در میان منابع انرژی تجدید پذیر ، به مؤثرترین و پذیرفته ترین راه حل برای تولید برق در سراسر جهان تبدیل شده است و به اندازه ۴۸۶.۷  گیگاوات ساعت به نیاز جهانی کمک می کند [1]. این تولید انرژی، تنها 3٪ از نیاز انرژی جهان را نشان می دهد ، اما تخمین زده می شود که در سال 2030 قدرت باد بتواند  17 تا 19٪ از تقاضای جهانی را تامین  کند. 
                 طبق گفته های پولیندر و همکاران، مشکلات عملیاتی بر هزینه انرژی، به طور مستقیم اثر می گذارد. [2] فقط با یک سیستم توربین بادی قابل اعتماد و در دسترس که می توان هزینه انرژی را کاهش داد. علاوه بر این ، با توجه به قابلیت اطمینان ، هزینه های عملیاتی تعمیر و نگهداری ، که حداکثر 30 درصد از هزینه انرژی را شامل می شود [2].

این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان ژنراتورهای القایی  در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:

A reliable approach for detection of incipient faults of short-circuits in induction generators using machine learning