fa آنالیز و تشخیص دقیق تخلیه جزئی خازن های قدرت توسط الگوریتم شبکه عصبی تعمیمی و آشکارسازی سنکرون مبتنی بر تئوری آشوب تخصصي Special كاربردي Applicable <div style="text-align: justify;"><strong><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">خازن&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">های قدرت‌ از تجهیزات مهم سیستم&shy; های قدرت هستند که در سطوح ولتاژ بالا با دمای بالا و در مدت زمانی طولانی بهره &shy;برداری می&shy; گردند. از این رو به مرور زمان نرخ شکست عایقی آنها افزایش می&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">یابد، و تخلیه جزئی مهم&shy;ترین عامل این شکست آنها شناخته می &shy;شود. بنابراین، روش</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">های سریع و دقت بالا در تشخیص دقیق تخلیه جزئی دارای اهمیت خاصی است. در روش&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">های معمول اغلب نیاز به سنسور چندگانه و پارامترهای سیگنال است که این نیز به نوبه خود منجر به افزایش هزینه سیستم و پیچیدگی آن می</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">گردد. در این مقاله جهت تخمین سطح تخلیه جزئی خازن&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">های قدرت، الگوریتم شبکه عصبی تعمیمی و آشکارساز سنکرون مبتنی بر تئوری آشوب پیشنهاد می&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">شود. این روش از سیستم تشخیص خطا برای خازن قدرت استفاده کرده و مقادیر ویژگی</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">ها را با روش تئوری آشکارساز سنکرون آشوب استخراج خواهد نمود. مزیت این روش این است که داده&shy; های توده</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">ای را به طور موثری فشرده می&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">کند و داده های ویژگی</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">ها را برای بالا بردن دقت روش شبکه عصبی تعمیمی استخراج می&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">کند. نتایج نشان داد که نرخ تشخیص </span></span><span dir="LTR" style="font-weight:normal;"><span style="font-size:10.0pt;">ENN</span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"> با مقدار 90 درصد نسبت به روش چند لایه ای ( 79 درصد) بالاتر است و روش تعمیم با 70 درصد پائین</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">ترین نرخ تشخیص را نشان می&nbsp;</span></span><span style="font-size:11.0pt;">&shy;</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">دهد.</span></span></strong></div> <div style="text-align: justify;"><strong>Power capacitors are important equipment of the power systems that are being operated in high voltage levels at high temperatures for long periods. As time goes on, their insulation fracture rate increases, and partial discharge is the most important cause of their fracture. Therefore, fast and accurate methods have great importance to accurately diagnosis the partial discharge. Conventional methods often require multiple sensors and signal parameters, which in turn increases the cost and complexity of the system. In this paper, </strong><strong>extension neural network algorithm and synchronous detection based chaos theory</strong><strong> is proposed to estimate the partial discharge level of power capacitors. This method uses an error diagnosis system for the power capacitor and extracts the properties of the properties by the </strong><strong>synchronous detection based chaos theory</strong><strong> method. The prominent advantage of this method is effective compression of the mass data and extracts the feature data to enhance the accuracy of the </strong><strong>extension </strong><strong>neural network method. The results show that the ENN </strong><strong>diagnosis </strong><strong>rate was 90% higher than the multi-layer method (79%) and the </strong><strong>extension </strong><strong>method shows 70% lower </strong><strong>diagnosis </strong><strong>rate</strong><strong>.</strong></div> خازن‌های قدرت, تئوری آشوب, شبکه عصبی تعمیمی, تخلیه جزئی partial discharge, power capacitors, chaos theory, extension neural network 1 8 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-145-2&slc_lang=fa&sid=1 Ali Darvish Falehi علی درویش فالحی a_darvishfalehi@sbu.ac.ir 10031947532846001015 10031947532846001015 Yes Department of Electrical Engineering, Shadeghan Branch, Islamic Azad University, Shadeghan, Iran