مكان‌يابي خطا در شبكة انتقال مبتني بر آناليز جريان توالي صفر با استفاده از تبديل موجك گسسته و شبكة عصبي مصنوعي

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

در اين مقاله به‌منظور مكان‌يابي خطا در شبكة انتقال از تبديل موجك گسسته براي استخراج ويژگي‌هاي خطا‌، براي آموزش شبكة عصبي مصنوعي استفاده شده است. درواقع اساس كار، مبتني برآناليز جريان به‌دست‌آمده از اطلاعات ثبت‌شده بعد از خطا در ابتدا و انتهاي خط بوده و با رله دريافت شده و براي كاهش داده‌ها از فرايند تبديل جريان سه فاز به جريان توالي صفر استفاده شده است. در ادامه، به كمك تبديل موجك، با تجزية دو سطحي جريان توالي صفر، مؤلفه‌هاي افقي اين جريان استخراج مي‌شود. درنهايت، با محاسبة انرژي ذخيره‌شده در اين مؤلفه‌ها و نيز استخراج مقياس‌هاي ماكزيمم اين مؤلفه‌‌ها ويژگي‌هاي مشخصي از خطا نمايان مي‌شوند كه به‌منظور آموزش شبكة عصبي مناسب خواهند بود. نتايج شبيه‌سازي نشان مي‌دهند اين ويژگي‌ها به‌شدت به مقاومت خطا، نوع خطا، زاوية وقوع خطا و مكان خطا وابسته‌اند؛ بنابراين، داده‌هاي آموزشي بايد به‌گونه‌اي انتخاب شوند كه اين تغييرات را به‌خوبي نمايان كنند تا شبكة عصبي در تشخيص خود دچار مشكل نشود. روش پيشنهادي روي شبكة تست پياده‌سازي شد كه نتايج آن نشان‌دهندة عملكرد مناسب روش پيشنهادي با دقت كلي 98/6% و حداكثر خطاي تخمين 0/1666% بوده است.

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 zero-sequence current seen from both terminals is calculated. By the wavelet transform of the high-frequency information stored in the horizontal component of zero-sequence 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%.