تعيين نوع و سطح تماس خطاي امپدانس بالا در شبكه هاي توزيع با استفاده از روش هاي تشخيص الگو

High Impedance Fault Classification and Contact Surface Determination Employing Pattern Recognition Methods

در اين مقاله، به كمك روش هاي تشخيص الگو نوع خطاي امپدانس بالا كه مي تواند بريده شده يا بريده نشده باشد و همچنين سطحي كه خطاي امپدانس بالا بر روي آن اتفاق افتاده است تشخيص داده شده است. روش هاي مذكور عبارتند از: تبديل TT و تبديل S در بخش استخراج ويژگي، ماشين بردار تكيه گاه چند لايه و شبكه عصبي Fuzzy ART در بخش كلاسه بندي. در اين روش ها، ويژگي‌ها شامل انرژي، انحراف از معيار و انحراف مطلق از ميانگين هستند كه از يك پنجره داده به طول يك سيكل با استفاده از اطلاعات زمان- زمان ماتريس حاصل از تبديل‌TT و اطلاعات زمان – فركانسي ماتريس حاصل از تبديلS به دست مي‌آيند. سپس اين ويژگي ها به ماشين بردار تكيه گاه چند لايه و شبكه عصبي Fuzzy ART اعمال مي شوند تا نوع خطاي امپدانس بالا و سطح تماس تشخيص داده شوند. نتايج حاصل از بكارگيري الگوريتم پيشنهادي بر روي داده‌هاي واقعي بدست آمده از آزمايش‌هاي عملي خطاي امپدانس بالا، حاكي از آن است كه ويژگي هاي استخراج شده از تبديل‌TT نسبت به تبديل S بهتر بوده و همچنين شبكه عصبي Fuzzy ART داراي دقت بيشتري در دسته بندي در برابر ماشين بردار تكيه گاه چند لايه است.

In 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 TT-transform 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.