شبکه های عصبی انعطاف پذیر باساختار بهینه قابل بازسازی در حین آموزش

در این مقاله از شبکه های عصبی انعطاف پذیر با قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور ، در بارهای مختلف استفاده شده است زیرا یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می باشد . داده های آموزش دهنده شبکه عصبی با استفاده از مدل سازی ژنراتور و استفاده از روش المان محدودFE و فضای حالتSS) در نقاط مختلف بار روی منحنی بهره برداری ژنراتور برای سه سطح مختلف ولتاژ پایا نه بدست آمده است . شبکه عصبی که با استفاده از این داده ها آموزش داده شده است، یک شبکه پرسپترون با یک لایه پنهان و با قانون یادگیری پس انتشار خطا می باشد . نتایج نشان می دهد که شبکه عصبی انعطاف پذیر بهینه آموزش داده شده با خطای کمتر از ده درصد می تواند هارمونیکهای جریان را برای نقاط بار دلخواه روی منحنی بهره برداری، نسبت به نتایج حاصل از الگوریتمCFE-SS 3 به دست آورد که این علاوه بر حل مشکل تعیین تعداد نرونها ،بهبود زیادی را در خطای خروجی نسبت به شبکه های معمولی نشان می دهد . پارامترهای نامی ژنراتور آسک عبارتند از : ٤٣٩٥٠ کیلو ولت آمپر ، ١١ کیلو ولت ، ٣٠00رادیان بر دقیقه ، ٥٠ هرتز و ضریب توان0/8

کلیدواژه ها:

روش المان محدود ، شبکه عصبی انعطاف پذیر ، منحنی بهره برداری ، ژنراتور سنکرون