fa ارائه یک روش نوین جهت شناسایی و طبقه‌بندی اختلالات کیفیت توان با استفاده از شبکه عصبی LSTM، تبدیل موجک و تجزیه به مدهای ذاتی تخصصي Special پژوهشي Research <p dir="RTL" style="text-align: justify;"><span style="font-size: 12pt;">به منظور حل مسائل مربوط به اختلالات کیفیت توان، لازم است در ابتدا نوع اختلال به صورت مناسبی تشخیص داده شود. به این منظور لازم است سه مرحله مستقل شامل تجزیه و تحلیل سیگنال، انتخاب ویژگی و طبقه &shy;بندی به صورت مناسبی طرح&shy; ریزی گردد در این مقاله یک مجموعه کامل از اختلالات کیفیت توان استخراج شده است.&nbsp; یک روال پیشنهادی هوشمند جهت شناسایی و طبقه&shy; بندی صحیح انواع اختلالات کیفیت توان ارائه شده است. سیگنال &shy;های مربوط به اختلالات کیفیت توان به صورت مجزا و ترکیبی مورد بررسی قرار گرفته است. به منظور استخراج ویژگی از ترکیب تبدیل زمان- فرکانس موجک و&nbsp; تجزیه به مدهای ذاتی استفاده شده است. با استفاده از این ترکیب و پارامترهای آماری بردار ویژگی با طول 28 استخراج شده است. به منظور طبقه&shy; بندی از شبکه&shy; های عصبی </span><span dir="LTR" style="font-size: 11pt;">LSTM</span><span style="font-size: 12pt;">&nbsp;استفاده شده است. نتایج استخراج شده بعد از آموزش و ارزیابی شبکه عصبی دقت بالای مدل را نشان می&shy; دهد.</span><strong><span style="font-size: 12pt;"><span style="font-family:"B Nazanin""></span></span></strong></p> <div> <p style="text-align: justify;">&nbsp;</p> <hr> <div id="ftn1"> <p style="text-align: justify;">&nbsp;</p> </div> </div> <div> <div id="ftn1">&nbsp;</div> </div> <div style="text-align: justify;"><span style="font-size: 11pt;"><span new="" roman="" style="font-family:;" times="">In order to address issues related to power quality disturbances, it is necessary to accurately identify type of disturbance. To achieve this, three distinct stages including signal decomposition and analysis, feature selection, and appropriate classification need to be designed. In this paper, a comprehensive set of power quality disturbances has been extracted. An intelligent proposed framework for the correct identification and classification of various power quality disturbances is presented. Signals related to power quality disturbances have been examined separately and in combination. To extract features, a combination of time-frequency wavelet transforms and intrinsic mode decomposition has been utilized. Using this combination and statistical parameters, a 28-length feature vector has been extract. For classification, LSTM neural networks have been employed. Results obtained after training and evaluating the neural network demonstrate the high accuracy of the model.</span></span><br> &nbsp;</div> اختلالات کیفیت توان, تبدیل موجک, تجزیه به مدهای ذاتی, شبکه های عصبی مصنوعی بازگشتی Power Quality Disturbance, Wavelet Transform, Empirical Mode Decomposition, LSTM Neural Network 73 86 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-338-1&slc_lang=fa&sid=1 Gholamreza Shahabadi غلامرضا شهابادی ghr.shahabadi@uast.ac.ir 10031947532846003107 10031947532846003107 Yes Department of Electrical Engineering, University of Applied Science and Technology, South Khorasan Branch, Iran گروه برق، واحد استانی خراسان جنوبی، دانشگاه جامع علمی کاربردی، بیرجند، ایران Siavash Eshaghi سیاوش اسحقی s_esshaghi@sbu.ac.ir 10031947532846003108 10031947532846003108 No Department of Electrical engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran گروه برق، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Fatemeh Bidar فاطمه بیدار Fatima.bidar65@gmail.com 10031947532846003109 10031947532846003109 No Department of Computer Engineering, University of Applied Science and Technology, South Khorasan Branch, Iran گروه کامپیوتر، واحد استانی خراسان جنوبی، دانشگاه جامع علمی کاربردی، بیرجند، ایران