دوره 23، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 23 شماره 1 1405 )
جلد 23 شماره 1 صفحات 135-123 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fadaei Tehrani M R, Dehghani M. The application of neural network to estimate the specific resistance of the soil in the ground system of the electricity distribution network. Journal of Iranian Association of Electrical and Electronics Engineers 2026; 23 (1) :123-135
URL: http://jiaeee.com/article-1-1783-fa.html
URL: http://jiaeee.com/article-1-1783-fa.html
فدائی تهرانی محمدرضا، دهقانی مینا. کاربرد شبکه عصبی برای تخمین مقاومت مخصوص خاک در سیستم زمین شبکۀ توزیع برق. نشریه مهندسی برق و الکترونیک ایران. 1405; 23 (1) :123-135
مجتمع عالی آموزشی و پژوهشی صنعت آب و برق، پژوهشگاه نیرو
چکیده: (505 مشاهده)
مقاومت ویژه الکتریکی خاک به عنوان یکی از پارامترهای کلیدی در سیستمهای زمین، نشاندهنده توانایی خاک در هدایت جریان الکتریکی بوده و بر عملکرد سیستم زمین تأثیر مستقیمی دارد. هدف از این پژوهش، ارائه یک روش کاربردی، سریع و ارزان جهت تخمین مقاومت مخصوص خاک از طریق اندازهگیریهای محدود و آموزش شبکه عصبی برای طراحی بهینه سیستم زمین شبکه توزیع است. در این تحقیق، ابتدا در 70 نقطه از شهر اصفهان مقاومت مخصوص خاک در سه عمق اندازهگیری و برای آموزش شبکه عصبی در MATLAB، استفاده شد. با توجه به پراکندگی نقاط اندازهگیری، برای تخمین بهتر، پیش از اعمال ورودی به شبکه عصبی با استفاده از دو خوشه¬بندی متوالی k-means داده¬ها مورد تحلیل آماری قرار گرفت. خوشه¬بندی اول براساس موقعیت جغرافیایی نقاط و خوشه¬بندی دوم براساس عمق انجام شد و خوشه حاصل از این تحلیل به عنوان ورودی به شبکه عصبی داده شد. بنابر نتایج این پژوهش، بین مقادیر واقعی و تخمین زده شده توسط مدل، ضریب همبستگی R2 برابر 0.9567 مشاهده شد که بطور کامل رضایت بخش است و تصدیق می کند که کاربرد روش پیشنهادی، ابزار مفیدی برای تخمین عملکرد مقاومت زمین در گسترده جغرافیائی و اعماق مختلف خواهد بود.
فهرست منابع
1. [1] V. Androvitsaneas, et al., Effect of Soil Resistivity Measurement on the Safe Design of Grounding Systems. Energies, 2020. 13: p. 3170. [DOI:10.3390/en13123170]
2. [2] P. Dilushani, et al., Soil Resistivity Analysis and Earth Electrode Resistance Determination. IOSR Journal of Electrical and Electronics Engineering, 2022. Volume 15: p. 26-35.
3. [3] G. Adegboyega, and K. Odeyemi, Assessment of Soil Resistivity on Grounding of Electrical Systems: A Case Study of North-East Zone, Nigeria. Journal of Academic and Applied Studies, 2011. 1.
4. [4] S. Malanda, et al., Analysis of Soil Resistivity and its Impact on Grounding Systems Design. 2018. [DOI:10.1109/PowerAfrica.2018.8520960]
5. [5] H. Seedher, and J.K. Arora, Estimation of Two Layer Soil Parameters Using Finite Wenner Resistivity Expressions. Power Delivery, IEEE Transactions on, 1992. 7: p. 1213-1217. [DOI:10.1109/61.141833]
6. [6] D. Idoniboyeobu, T. Bala, and E. Okekem, Assessment and Evaluation of Soil Effect on Electrical Earth Resistance: A Case Study of Woji Area, Port-Harcourt, Nigeria. International Journal of Engineering and Technical Research, 2018. 8: p. 84-94.
7. [7] Y. Al-Shawesh, S. Lim, and M. Nujaim, Analysis of the Design Calculations for Electrical Earthing Systems. International Review of Electrical Engineering (IREE), 2021. 16: p. 104-117. [DOI:10.15866/iree.v16i2.16839]
8. [8] F. Asimakopoulou, et al., AN ARTIFICIAL NEURAL NETWORK FOR ESTIMATING THE GROUND RESISTANCE. 2010.
9. [9] S. Khan, et al., Application of Mineral Compounds for a High-Voltage Portable Grounding System: An Experimental Study. Electronics, 2021. 10: p. 2043. [DOI:10.3390/electronics10162043]
10. [10] O. Igbologe, and U. Okieke, Evaluation of the Earth's Electrical Properties of the Undeveloped Area at the Delta State University of Science and Technology, Ozoro, Nigeria. Advances in Research, 2022. 23: p. 1-10. [DOI:10.9734/air/2022/v23i230325]
11. [11] M. Kurtovic, and S. Vujević, Earthing grid parameters with conductor surrounded by an additional substance. Generation, Transmission and Distribution, IEE Proceedings-, 2000. 147: p. 57-61. [DOI:10.1049/ip-gtd:20000031]
12. [12] H. Jinliang, et al., Decreasing Grounding Resistance of Substation by Deep-Ground-Well Method. Power Delivery, IEEE Transactions on, 2005. 20: p. 738-744. [DOI:10.1109/TPWRD.2005.844301]
13. [13] L.-H. Chen, et al., A Study of Grounding Resistance Reduction Agent Using Granulated Blast Furnace Slag. Power Delivery, IEEE Transactions on, 2004. 19: p. 973-978. [DOI:10.1109/TPWRD.2004.829127]
14. [14] E. Al-Ammar, et al., Development of low resistivity material for grounding resistance reduction. 2010. [DOI:10.1109/ENERGYCON.2010.5771771]
15. [15] N. Mohamad Nor, A. Haddad, and H. Griffiths, Performance of Earthing Systems of Low Resistivity Soils. Power Delivery, IEEE Transactions on, 2006. 21: p. 2039-2047. [DOI:10.1109/TPWRD.2006.874656]
16. [16] K. Yamazaki, et al., Spiking Neural Networks and Their Applications: A Review. Brain sciences, 2022. 12. [DOI:10.3390/brainsci12070863]
17. [17] Y. Ding, and D.-R. Chen, Optimization Based Layer-Wise Pruning Threshold Method for Accelerating Convolutional Neural Networks. Mathematics, 2023. 11: p. 3311. [DOI:10.3390/math11153311]
18. [18] D. Zhang, J. Yang, and D. Ye, LQ-Nets: Learned Quantization for Highly Accurate and Compact Deep Neural Networks: 15th European Conference, Munich, Germany, September 8-14, 2018, Proceedings, Part VIII. 2018. p. 373-390. [DOI:10.1007/978-3-030-01237-3_23]
19. [19] X. Jin, et al., Knowledge Distillation via Route Constrained Optimization. 2019. 1345-1354. [DOI:10.1109/ICCV.2019.00143]
20. [20] S.M. Kia, Neural networks in Matlab. 2008.
Pradeep, T., et al., A Matlab-Based Neural Network Model for Predicting Blast-Induced Ground Vibration. Mining Revue, 2024. 30: p. 86-9. [DOI:10.2478/minrv-2024-0029]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
