تشخيص نوع خطاي اتصال كوتاه و تعيين مكان آن در شبكه هاي انتقال با استفاده از شبكه عصبي شعاعي

Short-circuit fault detection and location in transmission systems using radial basis function neural network

وقوع خطا و اتصال كوتاه يكي از مسائل اجتناب ناپذير خطوط انتقال بوده كه اين خطاها در شبكه هاي قدرت موجب بروز خساراتي سنگين در تجهيزات شده و تلفات جاني و مالي بسياري را نيز در پي دارند. بنابراين مي بايست تا جاي ممكن خطاها را سريع تر و بطور صحيح تشخيص داد و اجازه باقي ماندن خطا به مدت طولاني در شبكه را نداد. در اين مطالعه يك روش هوشمند جهت تشخيص نوع خطا و مكان يابي خطا در شبكه انتقال قدرت پيشنهاد شده است. روش پيشنهادي از سه بخش اصلي تشكيل شده است: بخش استخراج ويژگي هاي فركانسي، بخش تشخيص نوع خطا و بخش تعيين مكان خطا. در اين روش ابتدا سيگنال هاي ولتاژ و جريان نمونه برداري مي شوند. سپس با استفاده از تبديل موجك اطلاعات فركانسي سيگنال ها استخراج مي شود. اين بخش در افزايش دقت تشخيص و كاهش حجم محاسبات تاثير بسيار بالائي دارد. سپس اطلاعات وارد بخش تشخيص نوع خطا و مكان يابي خطا مي شود. در اين دو بخش از شبكه عصبي تابع شعاعي استفاده شده است. در بخش تشخيص نوع خطا، از ضرايب جزئيات تبديل موجك به عنوان ورودي شبكه عصبي استفاده مي شود. در بخش سوم، مكان خطا با استفاده از اطلاعات بخش دوم و ضرايب تقريب تعيين مي شود. به منظور ارزيابي روش پيشنهادي، از مدل يك شبكه انتقال استاندارد استفاده شده است. نتايج شبيه سازي نشان داده كه روش پيشنهادي از دقت بسيار خوبي در تشخيص نوع خطا اتصال كوتاه و مكان آن در شبكه هاي انتقال برخوردار است.

This paper presents a novel approach for detecting, classifying and locating short-circuit faults in power transmission lines. Based on the proposed approach, a hybrid framework consisting of a proposed two stage system including wavelet transform and fifteen radial basis function neural network (RBFNN) is implemented in Proteus 6/MATLAB environments. The proposed two-stage system together with the RBFNNs are used to detect and classify short-circuit faults and locate short-circuit faults. The implemented framework needs few training samples for training the RBFNNs. As will be shown, for a power transmission line with the length of 50 km, only 6 training samples are needed to train each RBFNN. The trained hybrid framework carries out the processes of fault detection, classification and location only during 1 cycle which is strictly shorter than the faults clearing time. It means that the proposed hybrid framework can rapidly detect, classify and locate short-circuit faults in power transmission lines before power outage carried out by protection relays. An actual three-phase 230 kV, 50 Hz power transmission line with the length of 50 km is simulated to validate the theoretical results and to verify the proposed technique accuracy.