دانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-06899120180421Thermal Prediction in Multicore processors using Support Vector Regressionپیشبینی دما در پردازندههای چندهستهای با استفاده از رگرسیون بردار پشتیبان1142270010.22108/isee.2018.103345.1035FAجوادمحبی نجم آباددانشجوی دکتری، دانشکدۀ مهندسی کامپیوتر- دانشگاه صنعتی شاهرود – شاهرود - ایرانعلیسلیمانی ایوریدانشیار، دانشکدۀ مهندسی کامپیوتر - دانشگاه صنعتی شاهرود – شاهرود - ایرانJournal Article20170409Increasing the number of processor cores leads to increasing the density of the computing power processor and also raising the temperature. Temperature management is very important in these processors. Thermal management methods are introduced to reduce the CPU temperature. Reactive and proactive approaches are two sets of these schemes. Unlike the reactive techniques, proactive methods predict the temperature using thermal prediction model before reaching its threshold. In this paper, a hybrid model of several SVR models is proposed for predicting temperature. An appropriate dataset is created for training proposed model that includes a high diversity of processor temperature variations. Some features of dataset are measured using temperature sensors and system performance counters. Other features, with historical and control names are calculated with the proposed processes to increase the accuracy of thermal model. Two SVR models are used in the proposed thermal model to reduce its operational overhead. The proper features for each SVR model are selected by the feature selection algorithm based on mutual information. The proposed model is evaluated for temperature prediction for 2 to 5 time distances. The results show that with a selection of 11 features for thermal prediction model of the next 2 seconds, the mean absolute error is about 0.5 °C.افزایش تعداد هستههای پردازنده به افزایش توان محاسباتی و به موجب آن، افزایش دمای پردازنده منجر میشود. کنترل و مدیریت دما در این پردازندهها اهمیت زیادی دارد. مدیریت دما به دو رویکرد واکنشی و فعال تقسیم میشود. برخلاف رویکرد واکنشی، در روشهای فعال، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیشبینی و کنترل میشود. در این مقاله، برای پیشبینی دما، مدلی براساس SVR پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارندههای کارایی موجود در داخل پردازنده، مجموعهدادهای شامل تنوع زیادی از تغییرات دمایی جمعآوری شده است. برای افزایش دقت مدل، ویژگیهای دیگری با نامهای سابقهای و کنترلی از ویژگیهای موجود استخراج شدهاند. برای کاهش سربار محاسباتی دو راهکار پیشنهاد شده است؛ یکی استفاده از دو مدل SVR و دیگری انتخاب ویژگی مناسب بر پایۀ اطلاعات متقابل. در انتها، مدل پیشنهادی برای پیشبینی دما برای فاصلههای زمانی 2 تا 5 ثانیه، در شرایط کاری مختلف ارزیابی شده است. نتایج نشان میدهند با انتخاب 11 ویژگی دمای 2 ثانیه آینده با میانگین قدر مطلق خطای 5/0 درجۀ سانتیگراد پیشبینی میشود.https://isee.ui.ac.ir/article_22700_1987a3f2d8246503b8fafccd918a413f.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-06899120180421Automatic Stage Scoring of Single-Channel Sleep EEG using CEEMD of Genetic Algorithm and Neural Networkشناسایی خودکار مراحل خواب از سیگنال EEG تککاناله با استفاده از تجزیۀ حالت تجربی دستهای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکۀ عصبی15282275410.22108/isee.2018.109746.1105FAسبحانشیخی وندآذربایجان شرقی-تبریز-بلوار 29 بهمن- دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز- اتاق 235توحیدیوسفی رضاییآذربایجان شرقی- تبریز- بلوار ٢٩ بهمن- دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز- اتاق ٢١٥زهرهموسویآذربایجان شرقی- تبریز- بلوار 29 بهمن-دانشکده مهندسی مکانیک دانشگاه تبریزسعیدمشگینیآذربایجان شرقی- تبریز- بلوار 29 بهمن- دانشکده برق و کامپیوتر اتاق 218Journal Article20180217Using an intelligent method to automatically detect sleep patterns in medical applications is one of the most important challenges in recent years to reduce the workload of physicians in analyzing sleep data through visual inspection. In this paper, a single-channel EEG-based algorithm is presented for automatic recognition of sleep stages using complete ensemble empirical mode decomposition and combined model of genetic algorithm and neural network. The signal is decomposed into IMFs using the complete ensemble empirical mode decomposition and statistical properties of each of the inherent state functions are extracted. In order to optimize and reduce the dimension of the feature vectors, a hybrid model of genetic algorithm and multi-layer propagation neural network is used. Then, McNemar's test is used to confirm the accuracy of the selected features. The final classification is performed on these optimized properties by a perceptron neural network with a hidden layer. On the average, classification accuracy of 98.9%, 97.1%, 96.7%, 94.8% and 93.8% are obtained respectively for 2, 3, 4, 5 and 6 classes with corresponding Kappa cohen coefficients of 0.98, 0.95, 0.95, 0.83 and 0.90. The results prove that the proposed sleep stage classification method has better performance compared to the previously existing methods.استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی بهمنظور کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای خواب با بازرسی بصری یکی از مسئلههای مهم در سالهای اخیر است. در این مقاله، الگوریتمی مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب با استفاده از روش تجزیة حالت تجربی دستهای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی ارائه میشود. سیگنال با استفاده از تجزیة حالت تجربی دستهای کامل به توابع حالت ذاتی خود، تجزیه و ویژگیهای آماری از هریک از توابع حالت ذاتی استخراج میشود. برای بهینهسازی و کاهش ابعاد بردارهای ویژگی از مدل ترکیبی الگوریتم ژنتیک و شبکة عصبی چندلایه پس انتشار خطا استفاده شده است. سپس از آزمون مکنمار برای تأیید صحت ویژگیهای بهینه استفاده میشود. شبکة عصبی پرسپترون با یک لایه پنهان، طبقهبندی نهایی روی این ویژگیهای بهینهشده را انجام میدهد و بهطور میانگین برای طبقهبندی 2-کلاس تا 6-کلاس، مراحل مختلف خواب بهترتیب صحت 90/98%، 10/97%، 70/96%، 80/94% و 80/93% و ضریب کاپا کوهن 98/0، 95/0، 95/0، 83/0 و 9/0 را فراهم میکند و نشان میدهد روش پیشنهادی، درصد موفقیت بیشتری در طبقهبندی مراحل خواب نسبت به پژوهشهای پیشین دارد.<br /> https://isee.ui.ac.ir/article_22754_051f20097dd4c94eef1e66d9e11fa619.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-06899120180716Economic Charging of Plug-In Electric Vehicles at the Charging Station and its Evaluation in Distribution Network Considering Possible Scenariosمدیریت اقتصادی شارژ خودروهای الکتریکی متصل به شبکه در ایستگاه شارژ و بررسی آن در شبکة توزیع در سناریوهای محتمل29482274910.22108/isee.2018.109126.1095FAخلیلگرگانی فیروزجاهاستادیار، دانشکده فنی و مهندسی، دانشگاه مازندران، بابلسر، ایرانپویاحسین زادهدانشجوی کارشناسی ارشد، دانشگاه علوم و فنون مازندران، بابل، ایرانJournal Article20180115In this paper, the effect of connecting the charging station of electric vehicles is investigated considering the optimal charging and discharging scheduling at the station. Accordingly, in the first section, the planning process of the station aimed at maximizing the mutual benefits. In the second part, uncertainty was noted in the program's presence at the station based on the production of different scenarios. The statistical simulation method has been used to model the uncertainties in the problem. Possible scenarios are selected from generated scenarios considering the diversity of vehicle presence plans, station’s load curves, market price, and network load levels. Therefore, the equivalent load is calculated. In the third section, the effect of station loading on the distribution network was investigated based on equivalent loads (extracted based on optimal planning of the first part). Comparison of the station loading effect is carried out for IEEE 33-bus network in the MATLAB based on the loss indexes (loss cost) and the voltage drop of the buses. The results indicate loss reduction due to optimal planning at the station and its application in appropriate buses.در این مقاله، اثر اتصال ایستگاه شارژ خودروهای الکتریکی با وجود برنامهریزی شارژ و دشارژ بهینه در ایستگاه بررسی میشود. بر اساس این، در بخش نخست، فرایند برنامهریزی ایستگاه با هدف حداکثرسازی سود طرفین، ارائه و در بخش دوم، نداشتن قطعیت در برنامة حضور خودروها در ایستگاه برپایة تولید سناریوهای مختلف ملاحظه میشود. برای مدلسازی عدم قطعیتهای موجود در مسئله از روش شبیهسازی آماری استفاده میشود. سناریوهای محتمل از بین سناریوهای تولیدشده با تنوع سطح و منحنی بار ایستگاه، قیمت برق در بازار، سطح بار شبکة استخراج و بار معادل هریک محاسبه میشود. در بخش سوم، اثر بارگذاری ایستگاه بر شبکة توزیع براساس بارهای معادل (استخراجشده برپایة برنامهریزی بهینة بخش نخست) بررسی میشود. اثر بارگذاری ایستگاه در شینهای شبکة 33 شین IEEE در نرمافزار MATLAB برپایة شاخصهای تلفات (هزینة تلفات) و افت ولتاژ شینها مقایسه میشود.<br /> https://isee.ui.ac.ir/article_22749_71bafe5508a5820a862f8a79b8d0d3d3.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-06899120180716A New intelligent method of Fuse – Recloser Coordination in a Distribution System with High PV Penetration Ratesیک روش جدید هماهنگی هوشمند فیوز - ریکلوزر در سیستمهای توزیع با ضریب نفوذ زیاد سلولهای فتوولتائیک49642275010.22108/isee.2018.103664.1041FAفرزادحاجی محمدی1- مرکز تحقیقات ریزشبکههای هوشمند، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران
2- دانشکدۀ مهندسی برق، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایرانبهادرفانی1- مرکز تحقیقات ریزشبکههای هوشمند، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران
2- دانشکدۀ مهندسی برق، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایرانمجیدمعظمی1- مرکز تحقیقات ریزشبکههای هوشمند، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران
2- دانشکدۀ مهندسی برق، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایرانJournal Article20170424Employment of photovoltaic (PV) distributed generation (DG) in the distribution system, leads to improvement of network voltage profile and help to generate the power required by the network. Beside the mentioned advantages, increment of these sources penetration rate cause miscoordination between fuses and recloser. In this paper a new adaptive intelligent method of fuse – recloser coordination in distribution systems with high PV penetration rates is presented. The proposed method is a two-phase approach which operates proportional to the connected photovoltaic systems penetration rate. The first phase is based on an adaptive modification of fast operation curve of recloser, proportional to current term of the branch fuse maximum fault current to recloser current which is located at the beginning of the feeder. The second phase is according to modification of fast operation characteristic of recloser, proportional to voltage drop in fault inception period at the recloser location. By using this method, not only the avoidance of unnecessary exits of PV resources, but also the operation of fuse-saving is possible with adaptive correction of the fast-performance curve of the recloser.نصب تولیدات پراکنده فتوولتائیک در سیستم توزیع به بهبود پروفایل ولتاژ و کمک به تولید توان مورد نیاز شبکه منجر میشود. علاوه بر مزایای یادشده، افزایش ضریب نفوذ این منابع در سیستم، ایجاد ناهماهنگی حفاظتی بین فیوز و ریکلوزر را موجب میشود. در مقالۀ حاضر، روش هوشمند تطبیقی بهمنظور حفظ هماهنگی فیوز و ریکلوزر در سیستمهای توزیع با ضریب نفوذ بیشتر منابع فتوولتائیک ارائه شده است. روش پیشنهادی، روش هوشمند دو فازی است که متناسب با ضریب نفوذ سیستمهای فتوولتائیک متصل به سیستم عمل میکند. فاز نخست بر اساس اصلاح تطبیقی منحنی عملکرد سریع ریکلوزر متناسب با جمله جریانی نسبت حداکثر جریان خطای عبوری از فیوز شاخه خطا به ریکلوزر ابتدای خط و فاز دوم بر مبنای اصلاح تطبیقی منحنی عملکرد سریع ریکلوزر با استفاده از جمله ولتاژی افت ولتاژ محل نصب ریکلوزر در صورت وقوع خطا عمل میکند. با استفاده از این روش نهتنها از خروج غیرضروری منابع PV جلوگیری میشود، متناسب با اصلاح تطبیقی منحنی عملکرد سریع ریکلوزر، عمل حفظ فیوز امکانپذیر است.https://isee.ui.ac.ir/article_22750_5ce8147271a73c977e2d829114b093cd.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-06899120180811Detection of internal fault from external fault and inrush current in power transformers based on combination of VMD and ELMتشخیص خطای داخلی از جریان هجومی و خطای خارجی در ترانسفورماتورهای قدرت براساس تبدیل VMD و ماشین یادگیری بینهایت65782281710.22108/isee.2018.110376.1115FAفائقهبابایی رودیدانشجوی کارشناسی ارشد، دانشکدة مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایرانعلی اکبرعبدوساستادیار، دانشکدة مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایرانJournal Article20180410Power transformers are one the most expensive and important equipment of power systems that play an important role in the continuous supply of electrical energy. Therefore, their protection has a significant impact on network reliability and stability. The differential protection scheme equipped with harmonic restraint is used for detection of transformer internal faults. But, current transformer (CT) saturation would have undesirable effect on its performance. In some cases, the CT saturation during internal fault can lead to even harmonics which can prevent the relay from sending trip signal. Moreover, the CT saturation due to DC offset of inrush current can result in relay maloperation. In this paper, a new feature is extracted from differential current based on VMD analysis. This feature as well as differential and bias magnitudes are used for detection of internal faults from other operating conditions. In the proposed method, different classifier such as ANN, PNN and ELM have been used as classifier core. The obtained results show that the proposed the combination of VMD and ELM can correctly detect all internal faults even with severe CT saturation.ترانسفورماتورهای قدرت از تجهیزات گرانقیمت و مهم در سیستمهای قدرتاند که در تأمین پیوستة انرژی الکتریکی نقش مهمی دارند؛ بنابراین، حفاظت از آنها تأثیر بهسزایی در افزایش قابلیت اطمینان و حفظ پایداری شبکه دارد. طرح حفاظت دیفرانسیل مجهز به نگهدارندة هارمونیکی برای تشخیص خطاهای داخلی ترانسفورماتور استفاده میشود؛ اما اشباع ترانسفورماتورهای جریان ممکن است بر عملکرد آن تأثیر نامطلوبی داشته باشد. در برخی موارد، اشباع ترانسفورماتور جریان در حین خطای داخلی با ایجاد هارمونیکهای زوج همراه است که مانع عملکرد رله میشود. همچنین، اشباع ترانسفورماتور جریان با ظاهرشدن مؤلفة DC در زمان برقدارشدن ترانسفورماتور باعث عملکرد بیمورد رله میشود. در این مقاله یک ویژگی جدید با استفاده از آنالیز جریان دیفرانسیل با تبدیل VMD استخراج میشود. این ویژگی به همراه دامنة جریان دیفرانسیل و جریان بایاس بهمنظور شناسایی خطای داخلی از دیگر شرایط به کار گرفته میشود. نتایج شبیهسازی نشان میدهد ترکیب VMD با ماشین یادگیری بینهایت قادر است حتی با وجود اشباع ترانسفورماتور جریان، تمامی خطاهای داخلی را بهدرستی تشخیص دهد.https://isee.ui.ac.ir/article_22817_e3379baab9eabd72be339ef7fff6dc43.pdfدانشگاه اصفهانهوش محاسباتی در مهندسی برق2821-06899120180819Attractor Analysis in Associative Neural Networks and its Application to Facial Image Analysisتحلیل جاذبها در شبکههای عصبی خودانجمنی و کاربرد آن در آنالیز تصاویر چهره79962284610.22108/isee.2018.90029.0FAسیده زهرهسیدصالحیفارغالتحصیل دکتری، گروه بیوالکتریک، دانشکدة مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران0000-0003-3413-398Xسیدعلیسیدصالحیدانشیار، گروه بیوالکتریک، دانشکدة مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایرانJournal Article20150126Autoassociative neural networks can be used for nonlinear processing and normalization of data. Because, firstly, they are able to learn and simulate complex nonlinear communications, and secondly, the communications can be learned through analyzing and distributing information on the neurons and weights and then combining the results of their processing. In this way, they actually make an interpolation between the input data and their communications. But these neural networks cannot model attractor dynamics that is obviously used in brain function. In this paper, the output of autoassociative neural network is connected to its input, and through recursive connections the ability of attractor behavior in these models is provided. This study showed that a recursive neuron with a logistic function forms two attractors, in its training point and its symmetry, but for it with a sigmoid nonlinear function can be formed an attractor in a certain range. In the experiments on face images, it was shown that the absorbance of the images to their attractors was improved from 52.67% to 87.27% by increasing the number of layers and the supervised layer-by-layer pre-training in order to adjust the attractors.شبکههای عصبی خودانجمنی بالقوه امکان بهکارگیری برای پردازش و هنجارسازی غیرخطی دادهها را در خود دارند؛ زیرا نخست، به یادگیری و شبیهسازی ارتباطات غیرخطی پیچیده قادرند و دوم، این ارتباطات را با تجزیه و گستردهسازی اطلاعات روی نورونها و وزنها و سپس ترکیب نتایج پردازش آنها به انجام میرسانند و از این طریق روی اطلاعات ورودی و ارتباطات مابین آنها عملاً درونیابی انجام میدهند. ایراد این شبکهها این است که نمیتوانند رفتار جاذبگونه را توضیح دهند که یکی از واضحترین عملکردهای مغز است. در این مقاله با برقراری اتصال بازگشتی در ساختار این شبکهها، قابلیت رفتار جاذبگونه نیز به آنها افزوده شده است. تحلیلهای انجامشده در این راستا نشان داد برای یک نورون با تابع غیرخطی تانژانت هیپرپولیک، با برقراری این اتصال بازگشتی، همواره در محل نمونة تعلیم داده شده و قرینة آن دو جاذب ایجاد میشود؛ اما در صورتی که تابع غیرخطی، سیگموئید باشد برای محدودة خاصی جاذب تشکیل میشود. در آزمایشات روی تصاویر چهره نشان داده شد با افزایش تعداد لایههای شبکة خودانجمنی، قابلیت ذخیرة تصاویر بیشتری فراهم میشود؛ بهطوری که با پیشتعلیم لایهبهلایه باسرپرست، بهمنظور جهتدهی به نحوة تشکیل جاذبها، میزان جذب تصاویر به جاذبهایی با حالت مشابه از 67/52% به 27/87% بهبود یافت.https://isee.ui.ac.ir/article_22846_e1a770c07c7ad32a92f93b6d6fa7f195.pdf