تشخيص خطاي داخلي از جريان هجومي و خطاي خارجي در ترانسفورماتورهاي قدرت براساس تبديل VMD و ماشين يادگيري بي‌نهايت

Detection of internal fault from external fault and inrush current in power transformers based on combination of VMD and ELM

ترانسفورماتورهاي قدرت از تجهيزات گران‌ قيمت و مهم در سيستم‌هاي قدرت‌اند كه در تأمين پيوستة انرژي الكتريكي نقش مهمي دارند؛ بنابراين، حفاظت از آنها تأثير به‌ سزايي در افزايش قابليت اطمينان و حفظ پايداري شبكه دارد. طرح حفاظت ديفرانسيل مجهز به نگهدارنده هارمونيكي براي تشخيص خطاهاي داخلي ترانسفورماتور استفاده مي‌شود؛ اما اشباع ترانسفورماتورهاي جريان ممكن است بر عملكرد آن تأثير نامطلوبي داشته باشد. در برخي موارد، اشباع ترانسفورماتور جريان در حين خطاي داخلي با ايجاد هارمونيك‌هاي زوج همراه است كه مانع عملكرد رله مي‌شود. همچنين، اشباع ترانسفورماتور جريان با ظاهر شدن مؤلفة DC در زمان برق‌دارشدن ترانسفورماتور باعث عملكرد بي‌مورد رله مي‌شود. در اين مقاله يك ويژگي جديد با استفاده از آناليز جريان ديفرانسيل با تبديل VMD استخراج مي‌شود. اين ويژگي به همراه دامنة جريان ديفرانسيل و جريان باياس به‌منظور شناسايي خطاي داخلي از ديگر شرايط به كار گرفته مي‌شود. نتايج شبيه‌سازي نشان مي‌دهد تركيب VMD با ماشين يادگيري بي‌نهايت قادر است حتي با وجود اشباع ترانسفورماتور جريان، تمامي خطاهاي داخلي را به‌درستي تشخيص دهد.

Power transformers are one the most expensive and important equipment of power systems that play an important role in the continuous supply of electrical energy. Therefore, their protection has a significant impact on network reliability and stability. The differential protection scheme equipped with harmonic restraint is used for detection of transformer internal faults. But, current transformer (CT) saturation would have undesirable effect on its performance. In some cases, the CT saturation during internal fault can lead to even harmonics which can prevent the relay from sending trip signal. Moreover, the CT saturation due to DC offset of inrush current can result in relay maloperation. In this paper, a new feature is extracted from differential current based on VMD analysis. This feature as well as differential and bias magnitudes are used for detection of internal faults from other operating conditions. In the proposed method, different classifier such as ANN, PNN and ELM have been used as classifier core. The obtained results show that the proposed the combination of VMD and ELM can correctly detect all internal faults even with severe CT saturation.