مکان‌یابی خطا در شبکه انتقال مبتنی بر آنالیز جریان توالی صفر با استفاده از تبدیل موجک گسسته و شبکه عصبی مصنوعی

در این مقاله به‌منظور مکان‌یابی خطا در شبکه انتقال از تبدیل موجک گسسته برای استخراج ویژگی‌های خطا‌، برای آموزش شبکه عصبی مصنوعی استفاده شده است. درواقع اساس کار، مبتنی برآنالیز جریان به‌دست‌آمده از اطلاعات ثبت‌شده بعد از خطا در ابتدا و انتهای خط بوده و با رله دریافت شده و برای کاهش داده‌ها از فرایند تبدیل جریان سه فاز به جریان توالی صفر استفاده شده است. در ادامه، به کمک تبدیل موجک، با تجزیه دو سطحی جریان توالی صفر، مولفه‌های افقی این جریان استخراج می‌شود. درنهایت، با محاسبه انرژی ذخیره‌شده در این مولفه‌ها و نیز استخراج مقیاس‌های ماکزیمم این مولفه‌‌ها ویژگی‌های مشخصی از خطا نمایان می‌شوند که به‌منظور آموزش شبکه عصبی مناسب خواهند بود. نتایج شبیه‌سازی نشان می‌دهند این ویژگی‌ها به‌شدت به مقاومت خطا، نوع خطا، زاویه وقوع خطا و مکان خطا وابسته‌اند؛ بنابراین، داده‌های آموزشی باید به‌گونه‌ای انتخاب شوند که این تغییرات را به‌خوبی نمایان کنند تا شبکه عصبی در تشخیص خود دچار مشکل نشود. روش پیشنهادی روی شبکه تست پیاده‌سازی شد که نتایج آن نشان‌دهنده عملکرد مناسب روش پیشنهادی با دقت کلی 98.6% و حداکثر خطای تخمین 0.1666% بوده است.

Fault Location in the Transmission Network based on Zero-sequence Current Analysis using Discrete Wavelet Transform and Artificial Neural Network

In this paper, in order to fault locate in the transmission network, a discrete wavelet transform is used to extract the fault characteristics from the zero sequence current, in order to train the artificial neural network. Initially, Fortescue transform, the zerosequence current seen from both terminals is calculated. By the wavelet transform of the highfrequency information stored in the horizontal component of zerosequence current from both terminals, and finally by calculating the stored energy in the horizontal components, as well as extracting the maximum scale of horizontal component, we can identify certain features of fault that are suitable for training the neural network. The simulation results show that the horizontal components maximum scale as well as the energy stored in these components strongly depend on the fault resistance, type of fault and fault location. Therefore, educational data should be selected to make these changes well so that the neural network does not suffer from its diagnosis. Finally, the proposed method is implemented on the test grid whose results show the performance of the method with overall accuracy of 98.6% and maximum estimation error of 0.1666%.