حفاظت ديفرانسيل ترانسفورماتور قدرت با استفاده از تبديل S گسسته سريع و ماشين بردار پشتيبان بهينه‌شده با الگوريتم زنبور عسل

Power Transformer Protection Using Fast Discrete S-Transform and Optimized Support Vector Machine Classifier with Bee Algorithm

در اين مطالعه، روش مبتني بر تبديل S گسسته سريع براي متمايز كردن جريان خطاي داخلي از اغتشاشات ديگر در ترانسفورماتور قدرت ارائه شده است. ويژگي توابع براساس ويژگي‌هاي استخراج‌ شده از ماتريس S و كانتورهاي فركانسي پيشنهاد شده‌اند. براي طبقه‌بندي ويژگي‌ها، ماشين بردار پشتيبان(SVM)، توسعه داده شده و از الگوريتم بهينه‌سازي زنبور عسل براي انتخاب پارامترهاي بهينه طبقه‌بندي‌كنندۀ SVM استفاده شده است. براي انجام اين كار، شرايط مختلفي براي خطاهاي خارجي، داخلي، برقدار شدن ترانسفورماتور و سطوح مختلف اشباع ترانسفورماتورهاي اندازه‌گيري با استفاده از نرم‌افزار PSCAD/EMTDC شبيه‌سازي شده‌اند. براي الگو‌سازي شرايط واقعي، جريان‌هاي ديفرانسيل به همراه نويز در نظر گرفته شده‌اند. براي ارزيابي عملكرد روش پيشنهادي ، نتايج به‌دست‌آمده با نتايج ساير روش‌ها مقايسه شده‌اند. مقايسه نتايج نشان مي‌دهد روش پيشنهادي نسبت به خطاهاي خارجي و جريان هجومي با دقت زيادي پايدار است. همچنين، اين روش از نويز تأثير نمي‌گيرد و در طبقه‌بندي انواع شرايط مؤثر و سريع است.

This study presents a Fast Discrete S-Transform based method to discriminate internal fault currents of power transformer from other disturbances. A criterion function is proposed based on some extracted features from the obtained S-Matrix and frequency contours. First, the Support Vector Machine (SVM) is extended for feature classification. Then, the Bee optimization algorithm is implemented to select optimal parameters of SVM classifier. To do this, several conditions of external and internal faults, inrush current and different levels of current transformer saturation are simulated using PSCAD/EMTDC software. In addition, differential currents are contaminated by noise for modeling real conditions. To evaluate the performance of proposed scheme, the obtained results are compared with results of other methods. Comparing the results shows that the proposed method remains stable with high accuracy during transformer excitation and external faults. Also, the proposed approach is effective, fast and not affected by noise during classification of different events.