ارائه مدلی برای هشداردهی وقوع خطا در خطوط انتقال قدرت با استفاده از روش‌های یادگیری ماشین با در نظر گرفتن شرایط آب و هوایی

توان بالای عبوری از خطوط انتقال و هزینه‌های هنگفت ناشی از بروز خطاها در این خطوط باعث توجه ویژه محققین به مسائل مربوط به حفاظت در این حوزه شده است. ضعف‌های موجود در روش‌های حفاظت سنتی و وابستگی شدید آن‌ها به شرایط بهره‌برداری سیستم اهمیت موضوع تشخیص پیش از موعد خطا و پیش‌بینی آن با روش‌های جدید را دوچندان می‌کند. تشخیص به موقع و صدور هشدارهای مربوط به احتمال وقوع خطا با تحلیل داده‌ها و اطلاعات بدست آمده از سیستم و بررسی روابط بین پارامترهای مختلف قابل انجام است. در این مقاله از روش‌های مبتنی بر یادگیری ماشین که با دقت مناسب و مستقل از ناحیه عملکردی سیستم توان پیش‌بینی وقوع خطا را دارند استفاده گردیده است. برای بررسی عملکرد مدل‌ها تعداد زیادی داده‌ در شرایط بهره‌برداری متنوع تولید شده و به عنوان ورودی به الگوریتم‌های تحت بررسی داده شده است. همچنین تاثیر شرایط آب و هوایی مختلف به عنوان یکی از عوامل مهم در وقوع خطاها در خطوط انتقال در این مطالعه لحاظ شده است. به منظور افزایش جامعیت، بررسی صحت و مقایسه‌پذیری نتایج از سه روش knn، svm و درخت تصمیم در دو حالت (داده‌های نامتعادل و متعادل‌سازی شده در دسته‌بندی‌های موجود) استفاده شده و نتایج آن ارائه گردیده است. شبیه سازی‌ها و مدل‌سازی‌های ارائه شده در این مقاله با استفاده از نرم‌افزارهای python و matlab انجام گردیده‌اند.

Proposing a Fault Warning Method for Power Transmission Lines Using Machine Learning Models considering weather conditions

The high power passing through transmission systems and the high costs due to the fault occurrence in these lines have encouraged researchers to pay special attention to protection issues in this area. The limitations and deficiencies of traditional protection methods and their strong dependencies on the system operating conditions doubles the importance of early fault detection and its prediction utilizing new techniques. Timely detection and warning issuance toward the possibility of fault occurrence can be accomplished by analyzing the data and information obtained from the system and examining the relationships between different parameters. In this paper, machine learning methods are used, which have the ability to predict the occurrence of faults with appropriate accuracy independent of the operating area of the system. To evaluate the performance of the models, a large amount of data has been generated in various operating conditions and applied as input to the algorithms under study. Also, the effects of different weather conditions as one of the important factors have been considered. For the sake of greater generality, accuracy check, and comparability of the results, three methods including KNN, SVM, and decision tree in two modes (unbalanced and balanced data in the existing classes) have been used, and the outcomes have been presented. The simulations and modeling presented in this paper have been implemented using Python and MATLAB.