hrvatski

DETEKCIJA OTOČNOG POGONA FOTONAPONSKIH SUSTAVA METODAMA UMJETNE INTELIGENCIJE

U doktorskom radu je predstavljena metodologija detekcije otočnog rada distribuiranih izvora energije uz pomoć metoda umjetne inteligencije (umjetne inteligencije) sa ciljem zadržavanja pasivne prirode metode detekcije a povećanja preciznosti, smanjenja vremena detekcije i zone ne-detekcije. Predložena metodologija se sastoji od tri cjeline realizirane kroz 9 poglavlja: snimanje parametara mreže sa pametnim brojilom, treniranje umjetne inteligencije metoda sa slogovima podataka, testiranje metoda kroz standarde IEEE 1547 i UL 1741. Detekcija otočnog rada je realizirano kroz tri predložene metode: Adaptivni sustav neuro-neizrazitog zaključivanja(eng. Adaptive Neuro-Fuzzy Inference System - ANFIS), Duboko učenje (eng. Deep Learning - DL) i Metoda potpornih vektora (eng. Support Vector Machine - MPV). Mjerenja su prikupljeni podaci sa realnog foto-naponskog (FN) sustava uz pomoć kojih je modeliran model u programskom alatu Matlabu/Simulink za testiranje navedenih umjetne inteligencije metoda. Također su izmjereni rezultati korišteni za treniranje kognitivnih metoda. Ocjenjivanje efikasnosti metoda se radi prema navedenim standardima, te još tri vrste kvara na niskonaponskoj distribucijskoj mreži, još jednim distribuiranim izvorom na istoj točki spajanja distribuiranog izvora sa distribucijskoj mrežom, brzo punjenje električnih i hibridnih automobila (PHEV), te promjeni faktora kvalitete mreže (Qf). Na kraju su predstavljeni rezultati od sve tri predložene umjetne inteligencije metode, kao sumarni prikaz u izvješću u poglavlju 8, te diskutirala moguća daljnja istraživanja u cilju poboljšanja navedena tri faktora metoda za detekciju otočnog rada.

ANFIS, Deep Learning, Support Vector Machine, distribuirani izvor, niskonaponska distributivna mreža, otočni rad, mjerenje, umjetna inteligencija, obnovljivi izvori energije.

nije evidentirano