عنوان مقاله :
طراحي يك رلۀ ديفرانسيل زمين جديد بر اساس شبكۀ عصبي احتمالي
عنوان به زبان ديگر :
Designing of a New Transformer Ground Differential Relay Based on Probabilistic Neural Network
پديد آورندگان :
عبادي، علي دانشگاه صنعتي نوشيرواني بابل - دانشكده مهندسي برق و كامپيوتر , حسيني، مهدي دانشگاه صنعتي نوشيرواني بابل - دانشكده مهندسي برق و كامپيوتر , عبدوس، علي اكبر دانشگاه صنعتي نوشيرواني بابل - دانشكده مهندسي برق و كامپيوتر
كليدواژه :
رلۀ ديفرانسيل زمين , ترانسفورماتور قدرت , اشباع ترانسفورماتور جريان , شبكۀ عصبي احتمالي
چكيده فارسي :
رلۀ ديفرانسيل زمين بخشي از حفاظت ترانسفورماتورهاي قدرت است كه بهمنظور تشخيص خطاهاي داخلي اتصال به زمين به كار گرفته ميشود. اين طرح حفاظتي حساس و سريع است، اما حين برخي موارد از جمله خطاي خارج از ناحيۀ حفاظتي و يا طي عبور جريان هجومي مغناطيسكنندۀ ترانسفورماتور قدرت، بهدليل اشباع ترانسفورماتورهاي جريان، ممكن است دچار عملكرد اشتباه شود. در اين مقاله، يك طرح هوشمند جديد براي اين رله، بر اساس شبكۀ عصبي مصنوعي ارائه ميشود. براي پيادهسازي روش پيشنهادي، يك ترانسفورماتور قدرت واقعي تحت موارد بسياري از شرايط كاري مختلف شامل خطاي داخلي، خطاي خارجي و برقدار شدن آن، در محيط نرمافزار PSCAD/EMTDC شبيهسازي ميشود. سپس بر اساس نتايج حاصل، اطلاعات يك سيكل از جريان ديفرانسيلي مربوط به هر مورد از شرايط مذكور بهعنوان الگوهاي نمونه استفاده شده تا شبكۀ عصبي احتمالي با استفاده از آن آموزش يابد. در نهايت، از شبكۀ آموزشيافته بهعنوان هستۀ تشخيصدهنده در طرح اين رلۀ نوين استفاده ميشود. نتايج پيادهسازي اين روش، كارايي عالي آن را از حيث ايمني در مقابل عملكرد كاذب، تأييد ميكند.
چكيده لاتين :
Low- impedance transformer ground differential relay is a part of power transformer protection system that is employed for detecting the internal earth faults. This is a fast and sensitive relay, but during some external faults and inrush current conditions, may be exposed to maloperation due to current transformer (CT) saturation. In this paper, a new intelligent transformer ground differential relay based on probabilistic neural network (PNN) is presented. To do so, a real power transformer is simulated under a large number of different operating conditions including internal fault, external fault and inrush current by using PSCAD/EMTDC software. Then, one cycle data of differential current obtained from each simulation case of mentioned operation conditions is used to provide exemplar patterns and the probabilistic neural network is trained using them. Finally, the trained network is employed as a detection core of the new relay. A comparative evaluation proves the absolute superiority of the proposed method in comparison with some other methods from viewpoint of immunity against maloperation.
عنوان نشريه :
مهندسي و مديريت انرژي