۱- پروسه آموزش بسیار طولانی و خسته کننده است و ساختار کلی شبکه به روش تجربی به دست می ­آید یعنی هیچ قانون خاصی برای تعیین تعداد لایه ­ها و نرونهای شبکه وجود ندارد.

۲- در طی فرایند آموزش شبکه، ممکن است پارامترهای شبکه در نقطه مینیمم محلی گرفتار شوند و هیچ بهبودی در عملکرد شبکه حاصل نشود.

تبدیل موجک نیز به عنوان یکی از روش­های پردازش سیگنال که اطلاعات خوبی از مشخصات فرکانس– زمانی سیگنال به دست می­دهد، در بسیاری از تحقیقات مورد توجه قرار گرفته است. تبدیل موجک با بهره گرفتن از فیلترهای بالا و پایین گذر می ­تواند سیگنال مورد نظر را به چندین سطح دلخواه تجزیه کند. محتویات فرکانس پایین در سیگنال تقریب و محتویات فرکانس بالا در محدوده ­های فرکانسی مشخصی در جزییات ظاهر می­شوند. مشکلات اساسی که در ارتباط با تبدیل موجک وجود دارند عبارتند از:

۱- برای هر سیگنال موجکهای مادر مختلفی باید مورد بررسی و مطالعه قرار بگیرند.

۲- سطوح تجزیه مورد نیاز برای آنالیز سیگنال مشخص نیست و باید از روش سعی و خطا مشخص گردد.

۳- تبدیل موجک هیچ اطلاعاتی در ارتباط با ویژگی­های فرکانس مشخصی به دست نمی­دهد بلکه اطلاعات برای یک طیف مشخصی از فرکانس­ها در حوزه زمان به دست می­آیند.

۴-تبدیل موجک ذاتاً حساس به نویز است و خصوصاًً اگر از ویژگی‌های فرکانس بالا استفاده گردد، باید از تکنیک‌های حذف نویز استفاده نمود.

۳-۳- روش های انتخاب ویژگی:

یکی از نکاتی که در بسیاری از روش‌ها نادیده گرفته شده، این است که ویژگی‌های استخراج شده از سیگنال‌های اغتشاشات کیفیت توان بر اساس مقایسه­ و تحلیل و آنالیز عددی تحت شرایط مختلف با یکدیگر صورت ‌می‌گیرد. هیچ روش خاصی برای انتخاب برخی ویژگی‌های بارز از مجموعه بردارهای ویژگی صورت نگرفته است. به نظر می­رسد با آنالیز دقیق­تر و انتخاب ویژگیهایی که دارای قدرت تفکیک و طبقه ­بندی بالایی هستند، دقت الگوریتم ارائه شده بهبود یابد. [۳۷] روش های انتخاب ویژگی‌ها معمولاً به دو گروه عمده فیلترها^[۲۹] و رپرها^[۳۰] تقسیم بندی می­شوند. فیلترها به آنالیز داده ­ها می­­پردازند و از بین آن ها ویژگیهایی انتخاب می­گردند که دارای اهمیت بیشتری هستند، روش های آنالیز همبستگی داده ­ها در این گروه جای می­ گیرند. رپرها نیز دسته دیگر از روش های انتخاب ویژگی هستند که با توجه به دقت طبقه ­بندی کننده، ویژگی‌های مهم و پراهمیت را انتخاب می­ کند. با کمک یکی از این دو روش ‌می‌توان به انتخاب ویژگی‌های مهم یک سیگنال اقدام نمود. . انتخاب پیشرو و پسرو ترتیبی[۸] و [۴۵]، انتخاب پیشرو و پسرو ترتیبی تعمیم یافته، انتخاب شناور پیشرو ترتیبی و روش های جستجوی تصادفی مانند الگوریتم ژنتیک [۲۴] در گروه رپرها جای می­ گیرند.

۳-۳-۱- روش انتخاب ویژگی پیشرو^[۳۱]:

این روش، کارش را با یک مجموعه خالی شروع می­ کند سپس در هر تکرار یک ویژگی با بهره گرفتن از تابع ارزیابی مورد استفاده، به مجموعه جواب اضافه می­ کند این کار را تکرار می‌کند تا زمانی که تعداد ویژگی لازم انتخاب شود. مشکلی که این روش دارد این است که ویژگی اضافه شده در صورتی که مناسب نباشد از مجموعه جواب حذف نمی­ شود. [۳۷]

۳-۳-۲– روش انتخاب ویژگی پسرو^[۳۲]:

این روش برعکس روش بالا است و کارش را با مجموعه ­ای شامل تمام ویژگی­ها شروع می­ کند و در هر بار تکرار الگوریتم، ویژگی که به وسیله تابع ارزیابی انتخاب می­ شود، را از مجموعه مورد نظر حذف می­ کند. این کار را تا زمانی ادامه می­دهد که تعداد ویژگی­ها برابر یک تعداد معینی شود. مانند روش قبل مشکل این روش این است که ویژگی مناسب حذف شده را به مجموعه اضافه نمی­کند. [۳۷] و[۴۵]

۳-۳-۳- الگوریتم ژنتیک:

روش یادگیری بر پایه تکامل بیولوژیک است.این روش در سال ۱۹۷۰ توسط جان هلند^[۳۳] معرفی گردید و با نام الگوریتم تکاملی^[۳۴] نیز خوانده می‌شوند. یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید می‌کند. هر یک از این راه حلها با بهره گرفتن از یک “ تابع تناسب” مورد ارزیابی قرار می‌گیرد. آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی می‌شوند. که اینکار باعث تکامل راه حلها می‌گردد. بدین ترتیب فضای جستجو در جهتی تکامل پیدا می‌کند که به راه حل مطلوب برسد در صورت انتخاب صحیح پارامترها، این روش می‌تواند بسیار مؤثر عمل نماید

فصل چهارم

تجزیه و تحلیل

داده ها

بعد از آشنایی با روش­های پیشنهادی در این فصل به نحوه­ تولید داده و چگونگی استخراج بردار ویژگی­ها و طبقه ­بندی پرداخته می­ شود. دو روش شبکه عصبی و ماشین بردار پشتیبان در این پروژه به کار گرفته شده است. بعد از ذکر جزئیات اجرای روش، به بیان نتایج و در نهایت نتیجه ­گیری و ارزیابی پرداخته خواهد شد.

۴-۱- روش پیشنهادی:

یکی از روش­های کارآمد در پایش کیفیت توان استفاده از روش­های شناسایی الگو است. در این پژوهش، روش پیشنهادی بر مبنای سیستم شناسایی الگو برای طبقه ­بندی انواع وقایع کیفیت توان ارائه شده است.

عملکرد سیستم­های اتوماتیک شناسایی الگو^[۳۵] شامل دو قسمت اساسی هستند. همان‌ طور که در شکل (۴-۱) نشان داده شده است

بخش شرح و توصیف^[۳۶]، مشخصه ­هایی را با بهره گرفتن از تکنیک­های استخراج مشخصه از وقایع کیفیت توان تولید می­ کند و بخش طبقه ­بندی^[۳۷] که برچسب یک گروه از وقایع کیفیت توان را بر اساس آن مشخصه ­ها (استخراج شده از مرحله قبل) با بهره گرفتن از یک طبقه ­بندی کننده تعیین می­ کند. وظایف توصیف و طبقه ­بندی هر دو با یکدیگر به کار می‌روند تا برچسب هر کدام از موارد بدون بر چسب را با بیشترین دقت توسط سیستم شناسایی الگو تعیین کنند.

شکل (۴-۱): دو بخش مجزای استفاده شده در روش شناسایی الگو

استخراج مشخصه از مراحل بسیار مهم است چرا که ابعاد بردار ورودی را به منظور به کارگیری توسط طبقه ­بندی کننده، کاهش می­دهد. مشخصه ­هایی که به درستی گروه­ ها را متمایز ‌می‌کنند، در وظیفه شناسایی کمک خواهند کرد، در حالی که از دست رفتن چنین مشخصه ­هایی مانع از رسیدن طبقه ­بندی کننده به شناسایی با دقت بالا می­ شود. نتیجه نهایی بخش توصیف مجموعه ­ای از مشخصه­هاست، که عموماً بردار مشخصه نامیده می­ شود که شامل توصیفی از داده­هاست. بخش طبقه ­بندی کننده از یک طبقه ­بندی کننده برای نگاشت بردار مشخصه به یک گروه استفاده می­ کند. هم چنین، نگاشت می ­تواند به طور دستی باشد یا عموماً فاز آموزشی که بردار نگاشت از مجموعه ­ای از بردارهای ویژگی بدون برچسب که به طبقه ­بندی­کننده معرفی ‌شده‌اند، به کار رود. ‌بنابرین‏، واضح است که تکنیک­های خوب استخراج مشخصه، باید قادر به استخراج بردارهای ویژگی معین با روشی باشند که مشخصه ­هایی با کمترین ارتباط با هم، برای توصیف کامل سیستم­ها به کار روند. ‌بنابرین‏، بار محاسباتی طبقه ­بندی کننده می ­تواند کاهش یابد.

۴-۱-۱- شبیه­سازی وقایع مختلف کیفیت توان: