شناسایی و طبقه‌بندی خطا در خطوط دومداره در حضور tcsc با استفاده از روش ترکیبی هوشمند

در این مقاله، روش موثری برای تشخیص و طبقه‌بندی خطا در یک خط انتقال دومدارۀ جبران‌سازی‌شده با tcsc پیشنهاد شده است. اثر تزویج خطوط انتقال موازی و استفاده از tcsc باعث تغییر در محتوای فرکانسی سیگنال‌های ورودی رلۀ دیستانس می‌شود که در نتیجه، شناسایی و طبقه‌بندی خطا را با چالش مواجه می‌کند. یکی از ابزارهای کارآمد برای تشخیص و طبقه‌بندی خطا در خطوط جبران‌سازی‌شده، استفاده از روش‌های شناسایی الگوست. پیش‌نیاز استفادۀ بهینه از این روش‌ها، استخراج و انتخاب ویژگی‌های ورودی مناسب به الگوریتم‌های طبقه‌بندی‌کننده است. در این مقاله از ابزار پردازش سیگنال تبدیل موجک برای استخراج ویژگی شده است. به‌دلیل تنوع موجک‌های مادر، در ابتدا با استفاده از روشی جدید، db1 به‌عنوان بهترین موجک مادر شناسایی می‌شود و از ضرایب تجزیه‌شدۀ حاصل از موجک مادرِ انتخاب‌شده، برای ساختن بردار ویژگی‌ها استفاده می‌شود. بعد از این مرحله، الگوریتم‌های طبقه‌بندی‌کنندۀ درخت تصمیم‌گیری، ماشین بردار پشتیبان و الگوریتم k- نزدیک‌ترین همسایه توسط بردار ویژگی‌های استخراج‌شده آموزش داده می‏شود. سپس با استفاده از سناریوهای مختلف شبیه‏سازی، میزان عملکرد صحیح هریک از الگوریتم‌ها محاسبه و الگوریتمی انتخاب می‌شود که عملکرد بهتری نسبت به سایرین دارد. در این مقاله، سیستم نمونه و روش پیشنهادی در نرم‌افزار matlab پیاده‌سازی شده است.

fault detection and classification in double-circuit transmission line in the presence of tcsc using hybrid intelligent method

this paper proposes an effective method for fault detection and classification in a double-circuit transmission line compensated with tcsc. the mutual coupling of parallel transmission lines as well as the presence of tcsc affects the frequency content of the input signal of a distance relay; hence, challenges are posed to fault detection and fault classification. one of the most effective methods for fault detection and classification in a compensated line is the pattern-recognition method. prerequisites for the optimal using of these methods are the extraction and the selection of appropriate features to feed the classifier. in this paper, wavelet transform, as a signal processing tool to extract features, is used.  due to a variety of mother wavelets, firstly db1, as the best mother wavelet, is identified by using a new method, and the feature vector is made by the coefficients obtained from the best mother wavelet. after this stage, decision tree, supporting vector machines, and k-nearest neighbor, as the classifiers, are trained by feeding the feature vector. then, their accuracy is evaluated against different simulation scenarios in order to select the best classifier with the best performance. in this paper, the sample system and the proposed method are implemented in matlab environment.