High impedance fault detection in power distribution systems using wavelet transform and evolving neural network

seyede leyla mortazavifar¹ ali ghermezian² masoud soroush³ ali faraji ahmad abadi⁴

1) Scientific Board of Zand Shiraz Higher Education
2) PhD student in Neuroscience, Shahid Beheshti University of
3) student of bio Medical Engineering, Zand Higher Education Institute,
4) student of bio Medical Engineering, Zand Higher Education Institute,

محل انتشار : یازدهمین کنفرانس بین المللی راهکارهای نوین در مهندسی، علوم اطلاعات و فناوری در قرن پیش رو(icietconf.com)
Abstract :
این مقاله چگونگی استفاده از یک الگوریتم یادگیری افزایشی بر مبنای جریان داده ها را برای تشخیص خطاهای امپدانس بالا در سیستم های توزیع برق مورد بررسی قرار می دهد. یک روش استخراج ویژگی بر مبنای تبدیل موجک گسسته در ترکیب با یک شبکه عصبی استنتاج یافته، برای تشخیص الگوهای مکانی-زمانی داده های جریان الکتریکی استفاده می شود. دسته موجک های مختلف، از جمله Haar، Symlet، Daubechie، Coiflet و Biorthogonal و سطوح تجزیه مختلف، به منظور فراهم نمودن مشخص ترین ویژگی های تشخیص خطا مورد ارزیابی قرار گرفتند. نشان داده شد که استفاده از یک شبکه عصبی استنتاج یافته روشی نسبتا مناسب برای تشخیص خطا است، زیرا خطای امپدانس بالا یک مساله متغیر زمانی است. عملکرد (کارایی) سیستم استنتاجی پيشنهادی در تشخيص و دسته بندی خطاها با روشهای هوشمند محاسباتی خوش ساخت: شبکه عصبی perceptron چند لایه، شبکه عصبی احتمالی و ماشین بردار پشتیبانی، مقايسه شد. نتایج نشان داد که سیستم پیشنهادی در برابر تغییرات کارآمد و مستجکم است. عملکرد دسته بندی از مرتبه 99٪ برای تمام دسته بندی کننده ها در شرایطی مشاهده شد که در آن الگوهای خطا در طی آزمون ها تغییر قابل توجهی نداشتند. اگرچه، زمانی که الگوهای خطا از تغییرات تدریجی یا ناگهانی در رفتار خود رنج می برند، افت عملکرد در حدود 13 تا 24 درصد توسط دسته بندی کننده های غیر استنتاجی نشان داده می شود. سیستم استنتاج یافته پس از یادگیری افزایشی، حتی در چنین شرایطی، قادر به حفظ عملکرد خود در تشخیص و دسته بندی است.
Keywords : استنتاج شبکه عصبی شناسایی خطای امپدانس بالا تبدیل موجک