روشي موثر در تعيين نوع خطا در خطوط انتقال با استفاده از طبقه‌ بندي كنندۀ بيز مبتني بر كرنل

Efficient Method for Fault Classification in Transmission Line Using Kernel Naive Bayes Classifier

در اين مقاله با استفاده از روش شناسايي الگو انواع مختلف خطا طبقه‌بندي مي‌گردد. بدين منظور در ابتدا بردار ويژگي‌ها بر اساس مولفه‌هاي تواليِ بدست آمده از سيگنال‌هاي جريان و/يا ولتاژ با روش كارآمد و موثري نرمال‌سازي مي‌شوند. سپس، تابع نظارتي پيشنهادي، روشِ طبقه‌بندي كنندۀ بيز مبتني بر كرنل را بكار مي‌گيرد. طبقه‌بندي كنندۀ مورد استفاده تنها با انتخاب پهناي باند تابع كرنل براي فضايِ ويژگي غيرخطي و پيچيده مناسب است. پردازش سيگنال با حداقل فركانس نمونه‌برداري انجام مي‌شود لذا از خروجي ترانسفورماتورهاي جريان و ولتاژ رايج مي‌توان استفاده نمود. علاوه براين، كارآمدي روش شناسايي الگو پيشنهادي از ديدگاه‌هاي مختلفي بررسي شده است و نتايج نشان مي‌دهد حتي در شرايط نويزي، روش عملكرد قابل قبولي دارد.

In this paper, using pattern recognition method all fault type is classified. Firstly, feature vectors obtained from sequence components of current and/or voltage signals are normalized by efficient technique. Afterwards, the proposed supervising function applies Kernel Naive Bayes classifier. The classification method through tuning of kernel function bandwidth s suitable for a complex and non-linear feature spaces. The signal processing procedures is done by using minimum sampling frequency hence the output of conventional current and voltage transformers can be utilized. Moreover, the performance of proposed pattern recognition methodology is evaluated from different point of views. The achieved results indicate that the proposed fault classifier has acceptable performance even in the noisy conditions.