شبیه سازی آموزشی پیش فیلتر داده های بد برای تخمین حالت با متلب

توضیحات

شبیه سازی پیش فیلتر داده های بد برای تخمین حالت با متلب

هدف این مقاله شبیه سازی شده، پیشنهاد روشی برای پیش-فیلتر کردن اطلاعات استخراج شده از شبکه­های قدرت است که باعث حذف نویزهایی میشود که در مراحل بعدی فیلتر کردن اطلاعات، حذف نمی­شوند.

برای اینکار، طبق الگوریتم مطرح شده در شکل 3، در دو مرحله کار فیلترینگ انجام می­شود.

در مرحله اول، تجزیه سطح 1 با تکنیک موجک انجام میشود و ضرایب تبدیل موجک استخراج میشوند.

سپس، در هر یک از دنباله­ها، مقادیری از ضرایب که از THGROSS بیشتر شده­اند، مقدار -1% در نقطه هم­ارز آنها ثبت میشود.

اگر برای یک دنباله، تعداد این نقاط بیشتر از NLARGE شود، به این معنی است که این دنباله بطور کامل اشتباه است و برچسب PERMANENT METER FAILURE برای آن ثبت میشود.

در مرحله بعد، نقاطی که مقدار آنها از THGROSS بیشتر بوده است، حذف شده و برچسب Large Abrupt Change به آن نسبت داده میشود.

مقادیر باقیمانده از مراحل بالا، شیفت داده میشوند تا جای مقادیر حذف شده را پر کنند.

این روند دو بار تکرار میشود و الگوریتم به پایان میرسد.

قسمتی از ترجمه مقاله پیش فیلتر داده های بد برای تخمین حالت

چکیده

رویکرد سیستماتیک برای پیش فیلتر برای تخمین حالت بر اساس تجزیه و تحلیل موجک برای شناسایی و از بین بردن اطلاعات بد ، در این کار توسعه یافته است. داده های بد غیر مرتبط (تصادفی /گاوسی) مانند، شکست  های اندازه  گیری  گذرا،نقص اندازه گیری  گذرا، و اندازه گیریگرفته شده  در طی گذر سیستم، ذاتا در قالب تغییر ناگهانی زیادی از مدت زمان کوتاه در یک اندازه گیری متوالی هستند . این باید در مرحله قبل از فیلتر به دلیل حضورش برای شمار بار زیاد بر پست SE پس از تجزیه و تحلیل داده بد. تشخیص داده شود نتایج آزمون پیش فیلتر پیشنهاد  شده در دو سیستم آزمون  ایجاد شده است که کاهش قابل توجهی در تعداد تکرار مورد نیاز برای تشخیص و حذف داده بد وجود دارد.

1. معرفی

الگوریتم تخمین حالت (SE) متناسب با اندازه گیری درمدل ریاضی سیستم قدرت به منظور فراهم اطلاعات پایه ای قابل اعتماد برای نظارت، ارزیابی امنیتی و کنترل توابع است . حضور داده های بد در میان اندازه گیری پردازش توسط برآوردگر حداقل مربعات ، به عنوان یک قاعده، برای  عملکرد برآورد ضرر اور است، معمولا در برآورد حالت ضعیف نتیجه می دهد .روش  های گزارش شده تا کنون، برای تشخیص داده بد، شامل پیش فیلتر و پس فیلتر کردن داده های اندازه گیری شده  با استفاده از مفهوم سازگاری بین داده های اندازه گیری به عنوان یک تصویر  که به طور لحظه ای گرفته شده ، می باشد   [1-6]. به صراحت اطلاعات  نادرست (داده های بد) را می تواند توسط  پیش  فیلتر کردن اندازه گیری رد شود . با این حال، آزمایش پیش  فیلتر می تواند برای شناسایی داده های بد که انحراف بیشتر از30بار انحراف استاندارد متر است دارد  مورد استفاده قرار گیرد  [7]. در چارچوب تخمین حالت سیستم قدرت (PSSE)، داده های بد  خیلی بیشتر از آنهایی که  نادرست است در طول فرض مدل سازی اندازه گیری  می شوند [8]. در عمل، داده های بد توسط  دلایل گوناگون ، مانند شکست در دور سنجی ، ارتباطات،  اندازه گیری معیوب متر، سیستم گذرا و خطاهای موجود در شبه اندازه گیری  مدل سازی ایجاد شده است . پس فیلتر کردن داده های بد تقریبا الزامی است و  در تشخیص ، شناسایی و حذف داده های بد در مقایسه با روش پیش  فیلتر دقیق تر است  . حذف موثر داده های بد با استفاده از پس فیلتر کردن نیاز به برآورد حالت های متعدد دارد  که وقت گیر است. به نظر از این، پیش  فیلتر کارآمد روش مورد نظر به منظور کاهش زمان و محاسبات است . در انجام روژه متلب روش های پیش فیلتر، به طور کلی، از بازبینی حد  و / یا حل معادلات سیستم ساده برای تشخیص و شناسایی اشتباهات فاحش استفاده می کنند . یک الگوریتم اپیش فیلتر کارآمد می تواند در واقع به طور قابل توجهی عملکرد برآورد حالت را  هم از نظر زمان و  هم از نظر دقت بهبود می بخشد . اپیش  فیلتر کردن طلاعات  نسبتا توجه کمیابی  در روشهای  مقالات  و در دسترس  به نظر می رسد  به طور عمده از طبیعت اکتشافی  باشد . عدم وجود روش سیستماتیک فضایی برای استفاده از تکنیک های جدید برای انجام پیش فیلتر  داده ایجاد می کند .مزیت یک پیش فیلتر با کمک فلوچارت توضیح داده شده است (شکل 1)، تخمین حالت سیستم قدرت استاندارد و فرایند حذف داده های بد را به تصویر می کشد . هدف از الگوریتم پیش فیلترپیشنهادی در این کار این است که داده بد درمرحله قبل از فیلتر کردن کاهش یابد  و در نتیجه تعداد تخمین حالت و تشخیص داده ها بد و شناسایی (BDDI) حلقه تکرار کاهش یابد .اگر مشخصه اندازه گیری وثبات  اندازه گیری فردی(نمونه مشابه اندازه گیری بیش از یک فاصله زمانی،به عنوان مثال اندازه گیری دنباله) در نظر گرفته شود ، خطاهای فاحش می تواند به راحتی و به طور موثر تشخیص داده شوند . اشکال روش های متداول را می توان با کمک 2شکل توضیح داد.. شکل. 2 اندازه گیری به دست آمده  در مرکز کنترل را نشان می دهد. داده اندازه گیری J گرفته شده در لحظه زمان i را نشان می دهد . ستون اطلاعات معقول ، ‘اندازه گیریهای  فوری،’ مجموعه ای از اندازه گیری های سیستم که  به عنوان یک عکس فوری در لحظه خاصی از زمان گرفته شده در حالی که، ردیف داده معقول ، ‘اندازه گیری متوالی ،’ مجموعه از اندازه گیری های فردی در حال تکامل در طی یک دوره از زمان هستند . روش های مرسوم از اندازه گیری فوری استفاده  می کنند ، تنها در لحظه k ام می گویند و برای پیدا کردن خطای ناخالص از طریق شناسایی این اندازه گیری سعی می کنند که با محیط در مدل سیستم غیر متجانس است . اما در حالی که برآورد متغیرهای حالت از مدل، اندازه گیری با خطا ی ناخالص نیز به عنوان متغیر مستقل استفاده می شود. این فرض منجر به مشکلاتی از قبیل آلودگی داده بد، چند داده های بد چند گانه ، و چند حالت  برآورد دوباره ، به خوبی درحالات مقالات  برآورد شناخته شده است

نکات قابل ذکر:

• شبیه سازی پیش فیلتر داده های بد برای تخمین حالت با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایل های پروژه به صورت کامل  پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
• پروژه فوق بطور کامل در نرم افزار متلب شبیه سازی شده است.