فهرست مطالب

فصلنامه هوش محاسباتی در مهندسی برق
سال نهم شماره 1 (بهار 1397)

  • تاریخ انتشار: 1397/03/07
  • تعداد عناوین: 6
|
  • جواد محبی نجم آباد، علی سلیمانی ایوری صفحات 1-14
    افزایش تعداد هسته های پردازنده به افزایش توان محاسباتی و به موجب آن، افزایش دمای پردازنده منجر می شود. کنترل و مدیریت دما در این پردازنده ها اهمیت زیادی دارد. مدیریت دما به دو رویکرد واکنشی و فعال تقسیم می شود. برخلاف رویکرد واکنشی، در روش های فعال، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیش بینی و کنترل می شود. در این مقاله، برای پیش بینی دما، مدلی براساس SVR پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارنده های کارایی موجود در داخل پردازنده، مجموعه داده ای شامل تنوع زیادی از تغییرات دمایی جمع آوری شده است. برای افزایش دقت مدل، ویژگی های دیگری با نام های سابقه ای و کنترلی از ویژگی های موجود استخراج شده اند. برای کاهش سربار محاسباتی دو راهکار پیشنهاد شده است؛ یکی استفاده از دو مدل SVR و دیگری انتخاب ویژگی مناسب بر پایه اطلاعات متقابل. در انتها، مدل پیشنهادی برای پیش‏بینی دما برای فاصله های زمانی 2 تا 5 ثانیه، در شرایط کاری مختلف ارزیابی شده است. نتایج نشان می دهند با انتخاب 11 ویژگی دمای 2 ثانیه آینده با میانگین قدر مطلق خطای 5/0 درجه سانتی گراد پیش بینی می شود.
    کلیدواژگان: اطلاعات متقابل، انتخاب ویژگی، پیش بینی دما، رگرسیون بردار پشتیبان، مدیریت دمای پویا
  • توحید یوسفی رضایی، سبحان شیخی وند*، زهره موسوی، سعید مشگینی صفحات 15-28

    استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی به منظور کاهش حجم کار پزشکان در تجزیه و تحلیل داده های خواب با بازرسی بصری یکی از مسئله های مهم در سال های اخیر است. در این مقاله، الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب با استفاده از روش تجزیه حالت تجربی دسته ای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکه عصبی ارائه می شود. سیگنال با استفاده از تجزیه حالت تجربی دسته ای کامل به توابع حالت ذاتی خود، تجزیه و ویژگی های آماری از هریک از توابع حالت ذاتی استخراج می شود. برای بهینه سازی و کاهش ابعاد بردارهای ویژگی از مدل ترکیبی الگوریتم ژنتیک و شبکه عصبی چندلایه پس انتشار خطا استفاده شده است. سپس از آزمون مک نمار برای تایید صحت ویژگی های بهینه استفاده می شود. شبکه عصبی پرسپترون با یک لایه پنهان، طبقه بندی نهایی روی این ویژگی های بهینه شده را انجام می دهد و به طور میانگین برای طبقه بندی 2-کلاس تا 6-کلاس، مراحل مختلف خواب به ترتیب صحت 90/98%، 10/97%، 70/96%، 80/94% و 80/93% و ضریب کاپا کوهن 98/0، 95/0، 95/0، 83/0 و 9/0 را فراهم می کند و نشان می دهد روش پیشنهادی، درصد موفقیت بیشتری در طبقه بندی مراحل خواب نسبت به پژوهش های پیشین دارد.

    کلیدواژگان: EEG، الگوریتم ژنتیک، تجزیه حالت تجربی دسته ای کامل، شبکه عصبی، ویژگی های آماری
  • خلیل گرگانی فیروزجاه ، پویا حسین زاده صفحات 29-48
    در این مقاله، اثر اتصال ایستگاه شارژ خودروهای الکتریکی با وجود برنامه ریزی شارژ و دشارژ بهینه در ایستگاه بررسی می شود. بر اساس این، در بخش نخست، فرایند برنامه ریزی ایستگاه با هدف حداکثرسازی سود طرفین، ارائه و در بخش دوم، نداشتن قطعیت در برنامه حضور خودروها در ایستگاه برپایه تولید سناریوهای مختلف ملاحظه می شود. برای مدل سازی عدم قطعیت های موجود در مسئله از روش شبیه سازی آماری استفاده می شود. سناریوهای محتمل از بین سناریوهای تولیدشده با تنوع سطح و منحنی بار ایستگاه، قیمت برق در بازار، سطح بار شبکه استخراج و بار معادل هریک محاسبه می شود. در بخش سوم، اثر بارگذاری ایستگاه بر شبکه توزیع براساس بارهای معادل (استخراج شده برپایه برنامه ریزی بهینه بخش نخست) بررسی می شود. اثر بارگذاری ایستگاه در شین های شبکه 33 شین IEEE در نرم افزار MATLAB برپایه شاخص های تلفات (هزینه تلفات) و افت ولتاژ شین ها مقایسه می شود.
    کلیدواژگان: برنامه ریزی ایستگاه شارژ، سود، خودروی الکتریکی متصل به شبکه، سناریوهای محتمل
  • فرزاد حاجی محمدی، بهادر فانی، مجید معظمی صفحات 49-64
    نصب تولیدات پراکنده فتوولتائیک در سیستم توزیع به بهبود پروفایل ولتاژ و کمک به تولید توان مورد نیاز شبکه منجر می شود. علاوه بر مزایای یادشده، افزایش ضریب نفوذ این منابع در سیستم، ایجاد ناهماهنگی حفاظتی بین فیوز و ریکلوزر را موجب می شود. در مقاله حاضر، روش هوشمند تطبیقی به منظور حفظ هماهنگی فیوز و ریکلوزر در سیستم های توزیع با ضریب نفوذ بیشتر منابع فتوولتائیک ارائه شده است. روش پیشنهادی، روش هوشمند دو فازی است که متناسب با ضریب نفوذ سیستم های فتوولتائیک متصل به سیستم عمل می کند. فاز نخست بر اساس اصلاح تطبیقی منحنی عملکرد سریع ریکلوزر متناسب با جمله جریانی نسبت حداکثر جریان خطای عبوری از فیوز شاخه خطا به ریکلوزر ابتدای خط و فاز دوم بر مبنای اصلاح تطبیقی منحنی عملکرد سریع ریکلوزر با استفاده از جمله ولتاژی افت ولتاژ محل نصب ریکلوزر در صورت وقوع خطا عمل می کند. با استفاده از این روش نه تنها از خروج غیرضروری منابع PV جلوگیری می شود، متناسب با اصلاح تطبیقی منحنی عملکرد سریع ریکلوزر، عمل حفظ فیوز امکان پذیر است.
    کلیدواژگان: سیستم های توزیع، هماهنگی تطبیقی فیوز و ریکلوزر، منابع فتوولتائیک
  • فائقه بابایی رودی، علی اکبر عبدوس صفحات 65-78
    ترانسفورماتورهای قدرت از تجهیزات گران قیمت و مهم در سیستم های قدرت اند که در تامین پیوسته انرژی الکتریکی نقش مهمی دارند؛ بنابراین، حفاظت از آنها تاثیر به سزایی در افزایش قابلیت اطمینان و حفظ پایداری شبکه دارد. طرح حفاظت دیفرانسیل مجهز به نگهدارنده هارمونیکی برای تشخیص خطاهای داخلی ترانسفورماتور استفاده می شود؛ اما اشباع ترانسفورماتورهای جریان ممکن است بر عملکرد آن تاثیر نامطلوبی داشته باشد. در برخی موارد، اشباع ترانسفورماتور جریان در حین خطای داخلی با ایجاد هارمونیک های زوج همراه است که مانع عملکرد رله می شود. همچنین، اشباع ترانسفورماتور جریان با ظاهرشدن مولفه DC در زمان برق دارشدن ترانسفورماتور باعث عملکرد بی مورد رله می شود. در این مقاله یک ویژگی جدید با استفاده از آنالیز جریان دیفرانسیل با تبدیل VMD استخراج می شود. این ویژگی به همراه دامنه جریان دیفرانسیل و جریان بایاس به منظور شناسایی خطای داخلی از دیگر شرایط به کار گرفته می شود. نتایج شبیه سازی نشان می دهد ترکیب VMD با ماشین یادگیری بی نهایت قادر است حتی با وجود اشباع ترانسفورماتور جریان، تمامی خطاهای داخلی را به درستی تشخیص دهد.
    کلیدواژگان: اشباع ترانسفورماتور جریان، تبدیل VMD، حفاظت ترانسفورماتورهای قدرت، ماشین یادگیری بی نهایت
  • سیده زهره سیدصالحی ، سیدعلی سیدصالحی صفحات 79-96
    شبکه های عصبی خودانجمنی بالقوه امکان به کارگیری برای پردازش و هنجارسازی غیرخطی داده ها را در خود دارند؛ زیرا نخست، به یادگیری و شبیه سازی ارتباطات غیرخطی پیچیده قادرند و دوم، این ارتباطات را با تجزیه و گسترده سازی اطلاعات روی نورون ها و وزن ها و سپس ترکیب نتایج پردازش آنها به انجام می رسانند و از این طریق روی اطلاعات ورودی و ارتباطات مابین آنها عملا درون یابی انجام می دهند. ایراد این شبکه ها این است که نمی توانند رفتار جاذب گونه را توضیح دهند که یکی از واضح ترین عملکردهای مغز است. در این مقاله با برقراری اتصال بازگشتی در ساختار این شبکه ها، قابلیت رفتار جاذب گونه نیز به آنها افزوده شده است. تحلیل های انجام شده در این راستا نشان داد برای یک نورون با تابع غیرخطی تانژانت هیپرپولیک، با برقراری این اتصال بازگشتی، همواره در محل نمونه تعلیم داده شده و قرینه آن دو جاذب ایجاد می شود؛ اما در صورتی که تابع غیرخطی، سیگموئید باشد برای محدوده خاصی جاذب تشکیل می شود. در آزمایشات روی تصاویر چهره نشان داده شد با افزایش تعداد لایه های شبکه خودانجمنی، قابلیت ذخیره تصاویر بیشتری فراهم می شود؛ به طوری که با پیش تعلیم لایه به لایه باسرپرست، به منظور جهت دهی به نحوه تشکیل جاذب ها، میزان جذب تصاویر به جاذب هایی با حالت مشابه از 67/52% به 27/87% بهبود یافت.
    کلیدواژگان: شبکه های عصبی خودانجمنی، دینامیک های جاذب، نقاط تعادل، اتصال بازگشتی، تصاویر چهره
|
  • Javad Mohebbi Najm Abad, Alii Soleimani eivari Pages 1-14
    Increasing the number of processor cores leads to increasing the density of the computing power processor and also raising the temperature. Temperature management is very important in these processors. Thermal management methods are introduced to reduce the CPU temperature. Reactive and proactive approaches are two sets of these schemes. Unlike the reactive techniques, proactive methods predict the temperature using thermal prediction model before reaching its threshold. In this paper, a hybrid model of several SVR models is proposed for predicting temperature. An appropriate dataset is created for training proposed model that includes a high diversity of processor temperature variations. Some features of dataset are measured using temperature sensors and system performance counters. Other features, with historical and control names are calculated with the proposed processes to increase the accuracy of thermal model. Two SVR models are used in the proposed thermal model to reduce its operational overhead. The proper features for each SVR model are selected by the feature selection algorithm based on mutual information. The proposed model is evaluated for temperature prediction for 2 to 5 time distances. The results show that with a selection of 11 features for thermal prediction model of the next 2 seconds, the mean absolute error is about 0.5 °C.
    Keywords: Mutual Information, Feature Selection, Thermal Prediction, Support Vector Regression, Dynamic Thermal Management
  • Tohid Yousefi Rezaii, sobhan sheykhivand, zohreh mousavi, saeed meshini Pages 15-28

    Using an intelligent method to automatically detect sleep patterns in medical applications is one of the most important challenges in recent years to reduce the workload of physicians in analyzing sleep data through visual inspection. In this paper, a single-channel EEG-based algorithm is presented for automatic recognition of sleep stages using complete ensemble empirical mode decomposition and combined model of genetic algorithm and neural network. The signal is decomposed into IMFs using the complete ensemble empirical mode decomposition and statistical properties of each of the inherent state functions are extracted. In order to optimize and reduce the dimension of the feature vectors, a hybrid model of genetic algorithm and multi-layer propagation neural network is used. Then, McNemar's test is used to confirm the accuracy of the selected features. The final classification is performed on these optimized properties by a perceptron neural network with a hidden layer. On the average, classification accuracy of 98.9%, 97.1%, 96.7%, 94.8% and 93.8% are obtained respectively for 2, 3, 4, 5 and 6 classes with corresponding Kappa cohen coefficients of 0.98, 0.95, 0.95, 0.83 and 0.90. The results prove that the proposed sleep stage classification method has better performance compared to the previously existing methods.

    Keywords: EEG, GA, CEEMD, Neural network, Statistical features
  • Khalil Gorgani Firouzjah, Poya Hosseinzadeh Pages 29-48
    In this paper, the effect of connecting the charging station of electric vehicles is investigated considering the optimal charging and discharging scheduling at the station. Accordingly, in the first section, the planning process of the station aimed at maximizing the mutual benefits. In the second part, uncertainty was noted in the program's presence at the station based on the production of different scenarios. The statistical simulation method has been used to model the uncertainties in the problem. Possible scenarios are selected from generated scenarios considering the diversity of vehicle presence plans, station’s load curves, market price, and network load levels. Therefore, the equivalent load is calculated. In the third section, the effect of station loading on the distribution network was investigated based on equivalent loads (extracted based on optimal planning of the first part). Comparison of the station loading effect is carried out for IEEE 33-bus network in the MATLAB based on the loss indexes (loss cost) and the voltage drop of the buses. The results indicate loss reduction due to optimal planning at the station and its application in appropriate buses.
    Keywords: Charging Station Scheduling, Profit, Plug-in Electric Vehicle, Possible Scenarios
  • Farzad Hajimohammadi, Bahador Fani, Majid Moazzami Pages 49-64
    Employment of photovoltaic (PV) distributed generation (DG) in the distribution system, leads to improvement of network voltage profile and help to generate the power required by the network. Beside the mentioned advantages, increment of these sources penetration rate cause miscoordination between fuses and recloser. In this paper a new adaptive intelligent method of fuse – recloser coordination in distribution systems with high PV penetration rates is presented. The proposed method is a two-phase approach which operates proportional to the connected photovoltaic systems penetration rate. The first phase is based on an adaptive modification of fast operation curve of recloser, proportional to current term of the branch fuse maximum fault current to recloser current which is located at the beginning of the feeder. The second phase is according to modification of fast operation characteristic of recloser, proportional to voltage drop in fault inception period at the recloser location. By using this method, not only the avoidance of unnecessary exits of PV resources, but also the operation of fuse-saving is possible with adaptive correction of the fast-performance curve of the recloser.
    Keywords: Distribution system_Adaptive coordination of fuse – recloser_photovoltaic resource
  • Faeghe Babaei, Roudi, Aliakbar Abdoos Pages 65-78
    Power transformers are one the most expensive and important equipment of power systems that play an important role in the continuous supply of electrical energy. Therefore, their protection has a significant impact on network reliability and stability. The differential protection scheme equipped with harmonic restraint is used for detection of transformer internal faults. But, current transformer (CT) saturation would have undesirable effect on its performance. In some cases, the CT saturation during internal fault can lead to even harmonics which can prevent the relay from sending trip signal. Moreover, the CT saturation due to DC offset of inrush current can result in relay maloperation. In this paper, a new feature is extracted from differential current based on VMD analysis. This feature as well as differential and bias magnitudes are used for detection of internal faults from other operating conditions. In the proposed method, different classifier such as ANN, PNN and ELM have been used as classifier core. The obtained results show that the proposed the combination of VMD and ELM can correctly detect all internal faults even with severe CT saturation.
    Keywords: Power Transformer Protection, Varitional Mode Decomposition (VMD) Transform, Current Transformer (CT) Saturation
  • Seyyedeh Zohreh Seyyedsalehi, Seyyed Ali Seyyedsalehi Pages 79-96
    Autoassociative neural networks can be used for nonlinear processing and normalization of data. Because, firstly, they are able to learn and simulate complex nonlinear communications, and secondly, the communications can be learned through analyzing and distributing information on the neurons and weights and then combining the results of their processing. In this way, they actually make an interpolation between the input data and their communications. But these neural networks cannot model attractor dynamics that is obviously used in brain function. In this paper, the output of autoassociative neural network is connected to its input, and through recursive connections the ability of attractor behavior in these models is provided. This study showed that a recursive neuron with a logistic function forms two attractors, in its training point and its symmetry, but for it with a sigmoid nonlinear function can be formed an attractor in a certain range. In the experiments on face images, it was shown that the absorbance of the images to their attractors was improved from 52.67% to 87.27% by increasing the number of layers and the supervised layer-by-layer pre-training in order to adjust the attractors.
    Keywords: Associative Neural Networks, Attractor Dynamics, Face Images, Fixed Point, Recursive Connection