فهرست مطالب ایمان نیکوفکر
-
در این مقاله، به کمک روش های تشخیص الگو نوع خطای امپدانس بالا که می تواند بریده شده یا بریده نشده باشد و همچنین سطحی که خطای امپدانس بالا بر روی آن اتفاق افتاده است تشخیص داده شده است. روش های مذکور عبارتند از: تبدیل TT و تبدیل S در بخش استخراج ویژگی، ماشین بردار تکیه گاه چند لایه و شبکه عصبی Fuzzy ART در بخش کلاسه بندی. در این روش ها، ویژگی ها شامل انرژی، انحراف از معیار و انحراف مطلق از میانگین هستند که از یک پنجره داده به طول یک سیکل با استفاده از اطلاعات زمان- زمان ماتریس حاصل از تبدیل TT و اطلاعات زمان – فرکانسی ماتریس حاصل از تبدیلS به دست می آیند. سپس این ویژگی ها به ماشین بردار تکیه گاه چند لایه و شبکه عصبی Fuzzy ART اعمال می شوند تا نوع خطای امپدانس بالا و سطح تماس تشخیص داده شوند. نتایج حاصل از بکارگیری الگوریتم پیشنهادی بر روی داده های واقعی بدست آمده از آزمایش های عملی خطای امپدانس بالا، حاکی از آن است که ویژگی های استخراج شده از تبدیل TT نسبت به تبدیل S بهتر بوده و همچنین شبکه عصبی Fuzzy ART دارای دقت بیشتری در دسته بندی در برابر ماشین بردار تکیه گاه چند لایه است.کلید واژگان: حفاظت شبکه توزیع, خطای امپدانس بالا, تشخیص الگو, تبدیل S, تبدیل TT, ماشین بردار تکیه گاه, شبکه عصبی ART}Journal of Iranian Association of Electrical and Electronics Engineers, Volume:13 Issue: 1, 2016, P 95In this paper, pattern recognition algorithms are employed to detect and classify the type of high impedance faults (broken and unbroken) and in case of broken ones to determine the surface (gravel, asphalt and concrete) which the conductor has become in contact with it in power distribution networks. These methods are multilayer SVM and Fuzzy ART classifiers on the bases of features extracted by S-transform and TTtransform from feeder one cycle post-fault current waveforms. These features include energy, standard deviation and median absolute deviation. The proposed algorithms have been tested on different data set, obtained from field tests and simulated data for events with similar characteristics. The results have shown that the features which are extracted by applying TT-transform contain more information and separability characteristics than those extracted by S-transform and also Fuzzy ART classifier has more accuracy in comparison with multilayer SVM.Keywords: Classification, High impedance fault, S, transform, TT, transform, Support Vector Machine, ART neural network}
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.