ارائۀ یک روش هوشمند به‌منظور مکان‌یابی خطا در خطوط کابلی ac با استفاده از ماشین یادگیری بی‌نهایت

در کابل‌های فشارقوی به دلیل القای متقابل بین هسته و غلاف و نیز خاصیت خازنی بالای کابل، مکان‌یابی خطا نسبت به خطوط هوایی پیچیده شده است. با به‌کارگیری حفاظت‌ دیستانس به‌منظور حفاظت کابل‌های فشارقوی ac، امپدانس دیده‌شده نسبت به مکان خطا دارای رفتار غیرخطی خواهد بود. در این مقاله، مکان‌یابی خطا با استفاده از مقادیر اندازه‌گیری‌شدۀ ولتاژ و جریان هسته و غلاف در دو طرف کابل و به کمک ماشین یادگیری بی‌نهایت انجام می‌گیرد. الگوریتم پیشنهادی قادر به شناسایی روابط غیرخطی و پیچیده بین کمیت‌های اندازه‌گیری‌شده و محل خطا است. در سیستم مطالعه‌شده ابتدا خطای هسته به غلاف در فواصل مختلف با در نظر گرفتن مقاومت‌های متعدد در نرم‌افزار pscad/emtdc شبیه‌سازی می‌شود. سپس به‌منظور آموزش هستۀ هوشمند الگوریتم پیشنهادی، بردارهای ورودی در شرایط مختلف، استخراج و برای هر کدام، یک خروجی مطلوب متناظر با محل خطا در نظر گرفته می‌شود. بررسی نتایج به‌دست‌آمده از به‌کارگیری ابزارهای هوشمند مختلف، برتری ماشین یادگیری بی‌نهایت را نسبت به شبکه‌های عصبی مصنوعی و ماشین بردار پشتیبان از جهت دقت نتایج و سرعت یادگیری نشان می‌دهد.

An Intelligent Method for Fault Location in AC Cables Using Extreme Learning Machine

In high voltage cables, due to the mutual induction between the core and the sheath as well as the high capacitance of the cable, the fault location in alternative current (AC) cable is more complicated than the head transmission line. By using distance protection scheme for AC transmission line, the seen impedance by the relay has a nonlinear behavior with respect to fault location. In this paper, with the help of extreme learning machine (ELM), the fault locating algorithm is implemented by using the measured values of voltage and current of core and sheath on both sides of the cable. The proposed algorithm can detect the nonlinear and complicated relations between measured quantities and fault location. In the system under study, at first, the core to sheath faults are simulated in the PSCAD/EMTDC software considering different fault resistances and different fault distances. Then, in order to train the intelligent core of the proposed method, input vectors are extracted for different conditions and a desirable output is considered corresponding to the fault distance. Examination of the results obtained from the use of various intelligent tools shows the superiority of the ELM over the ANN and SVM in terms of accuracy of and learning speed.