نشریه فناوریهای نوین در مهندسی برق و کامپیوتر
سال دوم شماره 1 (بهار 1401)

حفاظت دیفرانسیل یکی از مهمترین حفاظت های یک ترانسفورماتور قدرت می باشد. تاکنون از تکنیک های متفاوتی برای اعمال حفاظت دیفرانسیل ترانسفورماتورهای قدرت استفاده شده است. از آنجایی که حساسیت حفاظت دیفرانسیل توسط عوامل متعددی تحت تاثیر قرار می گیرد، روش های مختلفی برای تشخیص هر کدام از این حالت ها ارائه شده اند. مهمترین این عوامل عبارتند از : جریان هجومی، اشباع شدن ترانسفورماتور قدرت ، اشباع CT ها، عدم تطابق CT ها، تغییر تپ و... این به خوبی شناخته شده است که حفاظت دیفرانسیل برای حفاظت ترانسفورماتورپراهمیت ترین است با این حال، جریان هجومی به دلیل برق دار کردن ترانسفورماتور می تواند به عنوان خطا در سمت رله حفاظتی ظاهر شود.به منظور بهبود امنیت در حالی با حفظ سطح مورد نیازاز حساسیت، بسیاری از روش های جلوگیری جهت مهارعملیات این عنصرتفاضلی ارائه شده است.

یکی از مهمترین مسائل مرتبط با سیستم های قدرت، تراکم شبکه های انتقال است. اهمیت منابع تولید پراکنده مانند پارکینگ خودروهای برقی زمانی مشخص می گردد که در خطوط انتقال پدیده ی تراکم رخ دهد و شبکه قدرت قادر به تامین بارهای بخشی از سیستم نباشد در مقاله ی حاضر جهت جلوگیری از قطع بار، خودروهای برقی به عنوان واحد های جدید وارد مدار شده که وضعیت تراکم خطوط را بهبود بخشیده است و به ارائه استراتژی جهت استفاده از این خودروها در راستای بهبود شرایط شبکه و تعادل قیمت می پردازد. محل مناسب پارکینگ خودروهای برقی توسط ضریب جابجایی تولید و مقیاس حد بارپذیری شبکه تعیین می شود. تحلیل های اقتصادی روی شبکه 14 باسه انجام شده و نتایج نشان می دهد که استفاده مناسب از خودروهای برقی باعث کاهش تلفات و کاهش هزینه های تراکم و بهره برداری در بازار برق شده است.

در این مقاله از الگوریتم رقابت استعماری(ICA) جهت بهبود عملکرد تخمین بخش خطا در سیستم های قدرت استفاده می-شود. با اعمال این روش، بخش های خطا به طور دقیق از میان انبوه آلارم ها تخمین زده می شود و امکان تشخیص نادرست کاهش می یابد. روش ارائه شده می تواند در مواردی چون عملکرد اشتباه رله های حفاظتی و کلیدهای قدرت و رخ دادن خطاهای هم زمان به خوبی عمل کند. با استفاده از این روش، تشخیص خطا می تواند برای سیستم های قدرت بزرگ در زمان بسیارکوتاهی انجام گیرد. جهت بررسی کارآیی روش ارائه شده، ICA روی یک شبکه قدرت شبیه سازی شده و یک شبکه قدرت واقعی، اعمال شده و نتایج آن با دیگر روش های بهینه سازی چون الگوریتم بهینه سازی فاخته (COA)، تکامل تفاضلی (DE)،کلونی زنبور عسل (ABC)، ازدحام ذرات سنتی(CPSO) و مدل بهبود یافته ی آن موسوم به ازدحام ذرات نوع 1 (T1PSO) مقایسه شده اند. نتایج شیبه سازی برتری روش ارائه شده را نسبت به سایر روش ها نشان می دهد. 

قبل از آغاز ساخت یک نیروگاه ارزیابی اقتصادی طرح ساخت نیروگاه امری ضروری می باشد که باید انجام شود. در این مقاله ضمن بررسی و تحلیل هزینه طرح های نیروگاه، هزینه طرح نیروگاه بادی با نیروگاه گازی مقایسه شده است. برای تحلیل هزینه ها از روش همتراز شده استفاده شده است که با توجه به شرایط و مسائل موجود در نیروگاه روش مذکور بهترین روش می باشد با ارائه آمار و تحلیل های لازم مشخص شده است که با توجه به طرح هدف مندی یارانه ها و آزادسازی حامل های انرژی استفاده از نیروگاه بادی دارای توجیه اقتصادی بوده و کاملا مقرون به صرفه می باشد. در محاسبه هزینه تمام شده برق، انواع هزینه ها، نرخ های ارز و تکنولوژی های متفاوت لحاظ شده است.

در این تحقیق، برای حل مساله توزیع بار اقتصادی با در نظر گرفتن آلودگی در سیستم های قدرت، الگوریتم MOPSO پیشنهاد شده است. در سال های اخیر، توزیع بار اقتصادی در سیستم های قدرت، مورد توجه محققین واقع شده است، اما در اکثر این تحقیقات، به معضل آلودگی ناشی از سوخت های فسیلی توجه نشده است. مدل ارائه شده در این تحقیق، قید آلودگی را نیز اعمال نموده است و از این لحاظ مدلی جدید از مساله مذکور به شمار می رود. الگوریتم بهینه سازی MOPSO، یک الگوریتم جستجوی تکاملی است که در زمینه های مختلف مهندسی مورد استفاده قرار گرفته است. در این مقاله، توانایی الگوریتم بهینه سازی MOPSO، برای حل مساله توزیع بار اقتصادی با در نظر گرفتن تابع آلودگی در سیستم قدرت پیشنهادی بررسی شده است و برای نشان دادن دقت و سرعت همگرایی الگوریتم پیشنهادی نتایج حاصل با روش کلاسیک NLP مقایسه شده است. استراتژی پیشنهادی روی یک سیستم واقعی در شرایط مختلف اعمال شده و در آخر نیز نتایج بدست آمده ارائه گردیده است.

شناسایی خودکار پلاک در سیستم های حمل ونقل هوشمند بسیار پرکاربرد است. از شناسایی پلاک خودرو جهت شناسایی خودرو ها و ثبت عبور و مرور، شناسایی رانندگان متخلف، ثبت خلاف های جاده ای و یافتن خودروهای مسروقه استفاده می شود. به صورت عمده استفاده می شود. این فرآیند به صورت عمومی شامل سه قسمت زیر می شود: 1- تشخیص صفحه پلاک، 2- بخش بندی، 3- شناسایی حروف و ارقام. هرگام نیاز به تکنیک های مختلف در شرایط واقعی دارد و هر تکنیک ویژگی های خاص خود را دارد. استفاده از تکنیک های یادگیری عمیق یکی از روش هایی است در سال های اخیر توجه بسیاری از محققان را به خود جلب کرده است. در این پژوهش، در ابتدا پایگاه داده ای شامل 1408 تصویر تولید شد. سپس به کمک الگوریتم 4 YOLO بهبود داده شده با دقت IOU ، 97.6 درصد به شناسایی محل پلاک در 3 میلی ثانیه پرداختیم. در گام بعدی شناسایی حروف با دقت 98.5 درصد در مدت 2 میلی ثانیه انجام گردید. لذا به صورت ترکیبی این مدل با دقت بالای 98 درصد پلاک ها را شناسایی می کند و زمان این شناسایی 5 میلی ثانیه است. لذا از این روش می توان جهت شناسایی بلادرنگ پلاک خودروها استفاده نمود. بسته نرم افزار در github قرار دارد.

آشکارسازی هدف یکی از مسائل پر کاربرد در مخابرات است. در سالهای اخیر با افزایش تعداد کشتیها، زیردریایی ها، اژدرهای زیر آبی و... آشکارسازی در زیر آب بسیار مورد توجه قرار گرفته است. سونار وسیله ای است که برای آشکارسازی هدف در زیر و سطح آب مورد استفاده قرار می گیرد. در این مقاله برای ایجاد اختلال در سیستم های آشکارساز غیر خودی یک سیگنال با توان بالا (جمینگ) در محیط منتشر می کنیم. این سیگنال توان بالا باعث می شود که آشکارسازی در گیرنده های غیرخودی با مشکل رو به رو شود. از آنجا که سیگنال های دریافتی توسط گیرنده های خودی نیز شامل این سیگنال قوی است برای انجام آشکارسازی در سیستم آشکارساز خود باید ابتدا این سیگنال تداخلی توان بالا را حذف کرده و سپس باقیمانده سیگنال که شامل سیگنال های اهداف است را جداسازی کنیم. برای این منظور ابتدا یک روش جدید جهت حذف سیگنال های جمینگ از ترکیب سیگنال ها پیشنهاد شده است و سپس به جداسازی سیگنال های اهداف می پردازیم. به منظور آشکارسازی سیگنال های اهداف از روش ICA-fast که یکی از روش های پرکاربرد جداسازی منابع کور است استفاده می کنیم سپس برای بهبود آشکارسازی از الگوریتم خوشه بندی means-k استفاده می کنیم به این صورت که ابتدا داده ها را با روش خوشه بندی means-k دسته بندی کرده و سپس مراکز این دسته ها را به عنوان بردار اولیه برای الگوریتم ICA-fast در نظر می گیریم. این الگوریتم پیشنهادی (ICA-fast means-k)+حجم محاسبات ما را برای دستیابی به ماتریس جدا کننده کاهش می دهد و چون انتخاب بردار اولیه با الگوریتم means-k باعث می شود که بردار اولیه انتخاب شده با توجه به ویژگی کلی هر دسته از سیگنال ها انتخاب می شود باعث پایداری و همگرایی سریعتر می شود. با شبیه سازی الگوریتم های -k+fastica means و fastica معمولی و مقایسه دو روش مشاهده می شود که الگوریتم پیشنهادی در زمان کمتر و با حجم محاسباتی کمتر می تواند ترکیب سیگنال ها را جداسازی کرده و به همگرایی برسد. در انتها با بررسی الگوریتم پیشنهادی مشاهده می کنیم که الگوریتم پیشنهادی در برابر نویز مقاومت بیشتری دارد و در نسبت سیگنال به نویز کمتر نسب به روش جداسازی بدون استفاده از الگوریتم لغو تداخل عملکرد بهتری از خود نشان می دهد.

هویت افراد، مجموعه ویژگی ها و خصوصیت های منحصربه فردی است که آنها را از یکدیگر متمایز میسازد. DNA به عنوان یک مشخصه بیومتریکی برای اثبات هویت افراد، برخلاف دیگر مشخصه ها که گاها با جراحی میتوان آن را تغییر داد، در هسته همه سلولها و بافتها و اندامهای فرد و ماکرومولکولهای زیستی همچون پروتئینها، لیپیدها و... یکسان است و با هیچ روش شناخته شده ای نمیتوان در آن تغییری ایجاد کرد. هدف ما در این مقاله دسته بندی DNA انسان در 5 کلاس میباشد، برای ایجاد مدلی به منظور دسته بندی مجموعه داده، ما از روش یادگیری عمیق بهره بردیم و مدل پیشنهادی خود را با استفاده از الگوریتم یادگیری عمیق ساختیم. یادگیری عمیق بر پایه یک شبکه عصبی مصنوعی پیش خور و چندلایه قرار دارد که با گرادیان تصادفی و با استفاده از انتشار معکوس آموزش میبیند. با توجه به نتایج به دست آمده دقت مدل پیشنهادی ما حدود 93 درصد بوده است که این خود نشان دهنده عملکرد مناسب روش پیشنهادی ما میباشد.