Hibrit newton rapson yöntemi ile güç sistemlerinde frekans kestirimi
2012
0 views
0 downloads
Advisor: Prof. Abdullah Ferikoğlu
Abstract (TR)
Bu çalışmada, bozulmaya uğramış, güç sistemi sinyallerinin temel frekanslarını tahmini için bir hibrit model geliştirilmiştir. Bu modelin geliştirilmesinde Eğri Uydurma Yöntemi ve Sıfır Geçiş Yöntemi, Newton-Rapson yöntemi ile birlikte kullanılmıştır. Hibrit Newton-Rapson yöntemi ilk olarak sıfır geçiş yönteminden, sıfır geçiş noktalarını ve eğri uydurma yönteminden, eğrinin fonksiyonunu alarak frekans tahmini yapmaktadır. Bu yeni oluşturulan model ile güç sistemlerinde oluşan bozulmaya uğramış sinyallerin verilerini bilgisayar ortamında analizini yapmak hedeflenmiştir. Yeni geliştirilmiş olan bu modelin sonuçları sıfır geçiş ve eğri uydurma yöntemi ile karşılaştırıldığında önemli ölçüde iyileştirmelerin gerçekleştiği görülmüştür.Ayrıca şebekelerde rastlanan ve üstsel ifadeler ile ifade edilen işaretlerin frekans kestirimi yapılmıştır. Üstsel ifadeler ile gösterilen işaretlerin frekansının kestiriminde Prony yöntemi kullanılmıştır. Son olarak Faz kilitlemeli devre ile, verilerin direk analizi yapılmış ve işarete ait frekans kestirimi yapılmıştır. Bu uygulamalara ait frekans kestirim sonuçlarının tatmin edici düzeyde olduğu uygulamalar sonucunda gözlemlenmiştir.
Author
Dr. Bekir Çengelci
Institution
How to Cite
Bekir Çengelci (Doktora Tezi). Hibrit newton rapson yöntemi ile güç sistemlerinde frekans kestirimi, 2012, Sakarya University.
Keywords
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from Sakarya University
- D vitamini Kullanan ve Kullanmayan Kadınlarda Premenstural Sendrom Şiddeti(2025)
- Yoğunluk fonksiyonel teorisi kullanılarak pil malzemelerinin hesaplamalı incelenmesi(2023)
- Mevlana Yakub-ı Çerhî ve tefsiri(2024)
- Hacı Ahmed b. Seyyid el-Bigavî ve Terceme-i Avârifu'l-maârif'i (22-43. bablar)(2024)
- Karbazol substıtüye 3,4-dihydropyrimidin-2(1h)-tion türevi bileşiklerin sentezi(2024)
- Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma(2024)
