ترجمه مقاله سیستم تشخیص استرس برای کاربران شبکه های اجتماعی – نشریه الزویر
مبلغ : 80800 تومان
سال انتشار : 2023
دانلود ترجمه مقاله ماژول ارزیابی امنیت استاتیک آنلاین با شبکه عصبی مصنوعی – مجله IEEE
قیمت خرید این کالا
39,800 تومان
| عنوان فارسی: | ماژول ارزیابی امنیت استاتیک آنلاین با استفاده از شبکه های عصبی مصنوعی |
| عنوان انگلیسی: | Online Static Security Assessment Module Using Artificial Neural Networks |
| تعداد صفحات مقاله انگلیسی : 8 | تعداد صفحات ترجمه فارسی : 20 |
| سال انتشار : 2013 | نشریه : آی تریپل ای - IEEE |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 4135 | رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 2.32Mb |
| رشته های مرتبط با این مقاله: مهندسی فناوری اطلاعات و ارتباطات، مهندسی کامپیوتر و مهندسی برق |
| گرایش های مرتبط با این مقاله: امنیت اطلاعات، دیتا (دیتا و امنیت شبکه)، هوش مصنوعی، مخابرات امن و رمز نگاری، برق مخابرات و سیستم های قدرت |
| مجله: نتیجه یافته ها در حوزه سیستم های قدرت |
| دانشگاه: گروه مهندسی برق دانشگاه کرالا کشور هند |
| کلمات کلیدی: شاخص امنیت ترکیبی، رتبه‌بندی و نظارت بر پیشامدها، شبکه عصبی پیش‌خور چندلایه، ارزیابی امنیت استاتیک آنلاین، شبکه توابع بنیادی شعاعی |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است |
| وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب
چکیده
1 مقدمه
2 شاخص امنیت‌ترکیبی
3 ماژول ارزیابی امنیت استاتیک آنلاین با استفاده از ANN
الف یک شبکه پیش خور چند لایه (MLFFN)
ب شبکه تابع بنیادی شعاعی
ج تولید داده، آموزش و تست
IV سیستم تست و نتایج شبیه سازی
A سیستم تست 118 bus IEEE
نتایج
نمونه متن انگلیسی
Abstract
Fast and accurate contingency selection and ranking method has become a key issue to ensure the secure operation of power systems. In this paper multi-layer feed forward artificial neural network (MLFFN) and radial basis function network (RBFN) are proposed to implement the online module for power system static security assessment. The security classification, contingency selection and ranking are done based on the composite security index which is capable of accurately differentiating the secure and non-secure cases. For each contingency case as well as for base case condition, the composite security index is computed using the full Newton Raphson load flow analysis. The proposed artificial neural network (ANN) models take loading condition and the probable contingencies as the input and assess the system security by screening the credible contingencies and ranking them in the order of severity based on composite security index. The numerical results of applying the proposed approach to IEEE 118-bus test system demonstrate its effectiveness for online power system static security assessment. The comparison of the ANN models with the model based on Newton Raphson load flow analysis in terms of accuracy and computational speed indicate that the proposedmodel is effective and reliable in the fast evaluation of the security level of power systems. The proposed online static security assessment (OSSA) module realized using the ANN models are found to be suited for online application.
نمونه متن ترجمه
چکیده
روش رتبه‌بندی و انتخاب پیشامدها به‌طور سریع و دقیق به یک مسئله کلیدی برای تضمین عملیات امن سیستم‌های قدرت تبدیل شده‌است. در این مقاله شبکه‌های عصبی‌مصنوعی پیش‌خور چند لایه (MLFFN) و شبکه‌های توابع‌بنیادی شعاعی (RBFN) برای پیاده‌سازی ماژول‌های آنلاین برای ارزیابی امنیت استاتیک سیستم قدرت بیان شده‌است. طبقه‌بندی امنیت، انتخاب پیشامدها و رتبه‌بندی براساس شاخص امنیت ترکیبی انجام می‌شود که قادر به افتراق بین موارد امن و ناامن است. برای هر مورد احتمالی و نیز برای شرایط پایه، شاخص امنیت ترکیبی بااستفاده از تحلیل جریان بار نیوتن –رافسون کامل محاسبه می‌شود. مدل شبکه‌های عصبی مصنوعی (ANN) بیان‌شده شرایط بارگذاری و پیشامدهای احتمالی را به عنوان وروی و ارزیابی امنیت سیستم با نظارت بر پیشامدهای معتبر و رتبه‌بندی‌ها با ترتیب وقوع براساس شاخص امنیت ترکیبی درنظرمی‌گیرد. نتایج عددی بکاربردن رویکرد بیان‌شده در سیستم تست IEEE 118-bus اثرگذاری برای ارزیابی امنیت استاتیک سیستم قدرت آنلاین را شرح‌می‌دهد. مقایسه مدل‌های ANN با مدل‌های مبتنی بر تحلیل جریان بار نیوتن-رافسون در شرایط دقت و سرعت محاسباتی نشان‌می‌دهد که مدل بیان‌شده در ارزیابی سریع سطح امنیتی سیستم قدرت موثر و قابل اعتماد است. ماژول ارزیابی امنیت استاتیک ان‌لاین (OSSA) بیان‌شده متوجه‌شده‌است که استفاده از مدل‌های ANN برای برنامه‌های کاربردی آنلاین مناسب هستند.
اگر مایل به تهیه نسخه پاورپوینت مقاله 222222 هستید اینجا کلیک نمایید. همچنین برای خرید مقاله ورد از دکمه های زیر استفاده نمایید.
اگر مایل به تهیه نسخه پاورپوینت مقاله ماژول ارزیابی امنیت استاتیک آنلاین با استفاده از شبکه های عصبی مصنوعی هستید اینجا کلیک نمایید. همچنین برای خرید مقاله ورد از دکمه های زیر استفاده نمایید.
