Asadi M, Moradi M H, Karami H R, Rachidi F, Rubinstein M. Introducing a fast and efficient machine learning model for lightning localization via Lightning-Induced Voltages on Transmission Lines. Journal of Iranian Association of Electrical and Electronics Engineers 2025; 22 (3) :217-226
URL:
http://jiaeee.com/article-1-1736-fa.html
اسدی مصطفی، مرادی محمد حسن، کرمی حمیدرضا، رشیدی فرهاد، Rubinstein Marcos. معرفی یک مدل یادگیری ماشین سریع و کارآمد برای مکانیابی صاعقه از طریق ولتاژهای القایی صاعقه در خطوط انتقال. نشریه مهندسی برق و الکترونیک ایران. 1404; 22 (3) :217-226
URL: http://jiaeee.com/article-1-1736-fa.html
گروه مهندسی برق، دانشکده مهندسی، دانشگاه بوعلی سینا
چکیده: (1309 مشاهده)
مکانیابی صاعقه در گستره وسیعی از کاربردها از اهمیت بسزایی برخوردار است. در روشهای مرسوم مکانیابی صاعقه حداقل از 4 آنتن به عنوان حسگر تشعشعات الکترومغناطیسی ناشی از صاعقه استفاده میشود. یکی از پیچیدگیهای این روشها لزوم سنکرون بودن حسگرها میباشد. در اکثر مقالات مرتبط با مکانیابی صاعقه پیچیدگی و نیاز به سنکرون بودن دیده میشود. در این مقاله،یک مدل یادگیری ماشینی سریع به کمک الگوریتم XGBoost برای مکانیابی صاعقه پیشنهاد شده است . در این روش از دو حسگر برای دریافت سیگنال ولتاژهای القایی بر روی خطوط انتقال استفاده میشود که نیازی به سنکرونسازی هم ندارند. در روش پیشنهادی به کمک الگوریتم تجزیه و تحلیل مولفه اصلی (PCA) ابعاد ورودی مدل کاهش مییابد که منجر به کاهش پیچیدگیهای مدل، افزایش سرعت محاسبات، تقلیل استفاده از منابع سخت افزاری و نیز افزایش دقت آن میشود. همچنین با آموزش مدل در یک بازه از تعداد مولفههای اصلی، کمترین ابعاد ورودی با حفظ دقت مدل بدست خواهد آمد. مدل نهایی با دادههای آزمایشی نویزی ارزیابی میشود. نتایج ارزیابی نشان میدهد که دقت R2 بهدست آمده از مدل، بیش از 99 درصد است. همچنین بررسیها نشان میدهد که دقت مدل به پیکربندی خط انتقال و موقعیت سنسورها نیز بستگی دارد
نوع مقاله:
پژوهشي |
موضوع مقاله:
قدرت دریافت: 1403/4/3 | پذیرش: 1403/10/19 | انتشار: 1404/9/21