| نام مرکز
|
:
|
کتابخانه مرکزی دانشگاه کردستان
|
| نوع مدرک
|
:
|
پایان نامه فارسی
|
| زبان مدرک
|
:
|
فارسی
|
| شماره رکورد
|
:
|
215775
|
| شماره مدرک
|
:
|
۳۹۰۳پ
|
| شماره راهنما
|
:
|
ECIII۳۹۲۱ ۱۳۹۸ کتابخانه مرکزی
|
| سرشناسه
|
:
|
سلیمی، اسعد
|
| عنوان
|
:
|
تشخیص خطای مبتنی بر مدل در ریزشبکه‌های DC [پایان نامه]
|
| نویسنده
|
:
|
/ اسعد سلیمی
|
| استاد راهنما
|
:
|
یزدان باتمانی، حسن بیورانی
|
| استاد مشاور
|
:
|
|
| محل تحصیل
|
:
|
: دانشگاه کردستان، دانشکده مهندسی
|
| سال تحصیل
|
:
|
، ۱۳۹۸
|
| صفحه شمار
|
:
|
ح، ۸۰ص: مصور (بخشی رنگی)، جدول+ لوح فشرده
|
| مقطع تحصیلی
|
:
|
کارشناسی ارشد
|
| رشته تحصیلی
|
:
|
کنترل
|
| دانشگاه
|
:
|
کردستان
|
| گروه تحصیلی
|
:
|
مهندسي برق
|
| گرایش تحصیلی
|
:
|
کنترل
|
| دانشکده
|
:
|
دانشگاه کردستان، دانشکده مهندسی
|
| نمره دانشجو
|
:
|
عالی
|
| يادداشت
|
:
|
چکیده فارسی - انگلیسی
|
| چکيده
|
:
|
تشخیص خطای مبتنی بر مدل برای ریزشبکه‌ها در سال‌‌های اخیر بسیار مورد توجه قرار‌‌گرفته‌‌است. اگرچه روش‌های تشخیص خطای مبتنی بر مدل چالش‌‌های مختص به خود را دارند، اما اعمال این روش‌ها برای ریزشبکه‌ها می‌‌تواند مسائل و مشکلات را دوچندان کند. خطاها در ریزشبکه‌ها سطوح مختلفی دارند که بسته به نوع سیستم و دامنه‌‌ی تأثیر خطا می‌‌توانند موردبررسی قرار گیرند.در این پایان‌‌نامه، خطاهای اتصال کوتاه و خطاهای پارامتری موردبررسی قرارگرفته‌اند. به‌‌همین‌‌خاطر، دو رویکرد جدید تشخیص خطای مبتنی بر مدل در ریزشبکه‌های DC ارائه‌شده است. در رویکرد اول، از شبکه‌‌های عصبی مصنوعی بهمنظور تشخیص خطاهای اتصال کوتاه استفاده‌شده است. شبکه‌‌های عصبی مصنوعی ابزار قدرتمندی برای شناسایی سیستم‌‌های پیچیده هستند. نتایج بخش اول این پایان‌‌نامه بیانگر کاربرد مؤثر شبکه‌‌های عصبی در تشخیص خطاهای اتصال کوتاه در ریزشبکه‌های DC بودند. رویکرد دوم مبتنی بر فیلترH_-/H_∞ است که برای بالا بردن حساسیت بخش تشخیص خطا نسبت به اثر خطا، بسیار مؤثر است. این رویکرد بهمنظور تشخیص خطاهای پارامتری در ریزشبکه‌ها مورد استفاده قرار گرفت. ساختار فیلتر تشخیص خطای مبتنی بر فیلترH_-/H_∞ بسیار شبیه به فیلتر تشخیص خطای مبتنی بر کالمن است. به همین منظور در شبیه‌سازی‌های بخش دوم، نتایج نشان‌‌دهنده‌‌‌‌ی برتری روش تشخیص خطای مبتنی بر H_-/H_∞ نسبت به روش تشخیص خطای مبتنی بر فیلتر کالمن بودند.
|
|
|
:
|
In this thesis, new model-based methods are introduced for fault detection in DC-microgrids. The model-based fault detection methods have many challenges and applying this method for DC-microgrids can increase these challenges. The faults in DC-microgrids are considered in two levels: DC-bus short circuit and parametric faults. In this thesis, two new methods are designed for DC-microgrids.The first method is designed for detecting DC-bus short circuit by using artificial neural networks (ANNs). The results show that this method can be very effective in identifying complex DC-microgrids. Our main challenge in model-based fault-detection is increasing the sensitivity of the residual signal against fault effects and robustness against disturbance effects. The second part of this study aims to solve this challenge for detecting parametric faults in DC-microgrids. Indeed for solving H_-/H_∞ problem, we used from linear matrix inequalities (LMIs). Finally, the H_-/H_∞ based fault detection is compared with Kalman filter based fault-detection in various scenarios. The results showed that the H_-/H_∞ based fault detection is more effective for detecting parametric fault.
|
| توصیفگر
|
:
|
تشخیص خطای مبتنی بر مدل model-based fault detection
|
|
|
:
|
ریزشبکه microgrids
|
|
|
:
|
خطاهای اتصال کوتاه short circuit faults
|
|
|
:
|
شبکه‌‌های عصبی مصنوعی artificial nueral networks
|
|
|
:
|
فیلترH_-/H_∞ H_-/H_∞
|
| شناسه افزوده
|
:
|
باتمانی ، یزدان ، 1363- ، استاد راهنما
|
|
|
:
|
بیورانی ، حسن ، 1346- ، استاد راهنما
|
| شناسه افزوده
|
:
|
دانشگاه کردستان. دانشکده مهندسی
|