Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userClassification of Faults in Power Transmission Lines Using Artificial Neural Networks
تصنيف الأعطال في خطوط النقل الكهربائية بالاعتماد على الشبكات العصبونية
4556
7 172
0
(
0
)
Created by
Shamra Editor
Ask ChatGPT about the research
تدرس هذه المقالة منهجية جديدة لتحديد وجود العطل من عدمه، و تصنيف الاعطال في الوقت الحقيقي بالاعتماد على الشبكات العصبونية في خطوط نقل القدرة الكهربائية. تعتمد هذه الخوارزمية على استخدام إشارات الجهود، و التيارات بوصفها يمثل دخل للشبكات العصبونية بعد تقطيعها بتردد تقطيع 1 KHz، و بدون استخدام نافذة بيانات متحركة، حيث ان إشارات الدخل تعالج لحظياً على شكل سلسلة من البيانات المتلاحقة. يعتمد النموذج على ثلاث شبكات عصبونية يعالج كل منها بيانات طور من الأطوار بالإضافة الى شبكة عصبونية رابعة للجهد و التيار الصفريين. يتمكن هذا النظام من تحديد نوع العطل خلال زمن لا يتجاوز الـ 5 ميلي ثانية. تتطلب أنظمة القدرة الحديثة تقنية دقيقة و سريعة للمعالجة في الوقت الحقيقي. تبين دراسات المحاكاة أن التقنية المقترحة قادرة على تمييز حالات العطل المختلفة بشكل دقيق جداً، و قد نجحت هذه التقنية في تحديد جميع أنواع الأعطال تحت شروط النظام المختلفة، بالتالي فإنها دقيقة بنسبة 100% و مناسبة للتطبيق في الزمن الحقيقي.
This paper shows a new approach to determine the presence of defects and to classify the defect type online based on Artificial Neural Networks (ANNs) in electrical power system transmission lines. This algorithm uses current and voltage signals sampled at 1 KHz as an input for the proposed ANNs without the involvement of a moving data window, so input data will be processed as a string of data. The model depends on three neural networks one for each phase and another fourth neural network for the involvement of the ground during the fault. Response time of the classifier is less than 5 ms. Moreover modern power system requires a fast, robust and accurate technique for online processing. Simulation studies show that the proposed technique is able to distinguish the fault type very accurate. Also this technique succeeded in determining of all defect types under all system conditions, so it is 100 percent accurate, so it is suitable for online application.
Artificial intelligence review:
Research summary
تقدم هذه الورقة منهجية جديدة لتحديد وجود وتصنيف الأعطال في الوقت الحقيقي في خطوط نقل القدرة الكهربائية باستخدام الشبكات العصبونية الاصطناعية. تعتمد الخوارزمية على إشارات الجهد والتيار المأخوذة بتردد تقطيع 1 كيلوهرتز كمدخلات للشبكات العصبونية دون الحاجة إلى نافذة بيانات متحركة، مما يسمح بمعالجة البيانات كسلسلة متتابعة. يتكون النموذج من ثلاث شبكات عصبونية لمعالجة بيانات كل طور، بالإضافة إلى شبكة رابعة لمعالجة الجهد والتيار الصفريين. يتمكن النظام من تحديد نوع العطل خلال زمن لا يتجاوز 5 ميلي ثانية. أظهرت دراسات المحاكاة أن التقنية المقترحة قادرة على تمييز حالات العطل المختلفة بدقة عالية جداً، مما يجعلها مناسبة للتطبيق في الزمن الحقيقي. تعتمد الدراسة على النمذجة والمحاكاة باستخدام بيئة MATLAB، وتم تدريب الشبكات العصبونية باستخدام بيانات متنوعة تشمل أنواع مختلفة من الأعطال ومواقعها وزواياها ومقاومتها. أظهرت النتائج أن النظام قادر على تحديد جميع أنواع الأعطال بدقة 100%.
Critical review
دراسة نقدية: تقدم الورقة حلاً مبتكراً وسريعاً لتصنيف الأعطال في خطوط النقل الكهربائية باستخدام الشبكات العصبونية، مما يعزز من موثوقية النظام الكهربائي وسرعة استجابته. ومع ذلك، يمكن أن تكون هناك بعض التحديات في تطبيق هذا النظام على نطاق واسع، مثل الحاجة إلى تكامل النظام مع البنية التحتية الحالية وتكاليف التنفيذ. كما أن الاعتماد الكامل على الشبكات العصبونية قد يتطلب إعادة تدريب النظام بشكل دوري لمواكبة التغيرات في النظام الكهربائي. بالإضافة إلى ذلك، قد يكون من المفيد مقارنة الأداء مع تقنيات أخرى مثل المنطق الضبابي أو تقنيات التعلم الآلي الأخرى لتحسين الفعالية.
Questions related to the research
-
ما هي المدخلات المستخدمة في الشبكات العصبونية لتصنيف الأعطال؟
تستخدم الشبكات العصبونية إشارات الجهد والتيار المأخوذة بتردد تقطيع 1 كيلوهرتز كمدخلات لتصنيف الأعطال.
-
كم شبكة عصبونية يتكون منها النموذج المقترح في الدراسة؟
يتكون النموذج من أربع شبكات عصبونية: ثلاث شبكات لمعالجة بيانات كل طور، وشبكة رابعة لمعالجة الجهد والتيار الصفريين.
-
ما هو الزمن الذي يستغرقه النظام لتحديد نوع العطل؟
يستغرق النظام أقل من 5 ميلي ثانية لتحديد نوع العطل.
-
ما هي البيئة البرمجية المستخدمة في النمذجة والمحاكاة في هذه الدراسة؟
تم استخدام بيئة MATLAB للنمذجة والمحاكاة في هذه الدراسة.
References used
Ziegler G., “Numerical Distance Protection Principles and Applications”, Siemens, Third Edition, 400, 2008
R. N. Mahanty; P.B. Dutta Gupta, “A fuzzy logic based fault classification approach using current samples only”, Electric Power Systems Research 77, 2007, 501-507, Elsevier Ltd 2007 .Available at: www.sciencedirect.com
Kola VenkataramanaBabu; et al. ,“Recent techniques used in transmission line protection: a review”, International Journal of Engineering, Science and Technology, Vol. 3, No. 3, 2011, 1-8. Available at: www.ijest-ng.com
M. Sanaye-Pasand; H. Khorashadi-Zadeh, “ Transmission Line Fault Detection & Phase Selection using ANN ”, International Conference on Power Systems Transients – IPST, New Orleans, USA,1-2, 2003
V. S. Kale; et al. “Detection and Classification of Faults on Parallel Transmission Lines using Wavelet Transform and Neural”, International Journal of Electrical and Computer Engineering 3:16, 2008
rate research
Read More
This paper presents a new technique based on artificial neural networks (ANNs) to
correct power factor. A synchronous motor controlled by the neural controller was used to
handle the problem of reactive power compensation of the system, in order to
correct
power factor.
In this paper, the electrical system and the neural controller were simulated using
MATLAB. The results have shown that the presented technique overcomes the problems
in conventional compensators (using static capacitors) such as time delay and step changes
of reactive power besides to the fast compensation compared to the technique with
capacitors groups.
In this paper, we presented a scientific methodicalness in
very short term load forecasting depends on back propagation
artificial neural networks, and we relied upon real data of Syrian
electrical power system.
In this research, We present a scientific advanced developed
study and keeping up with new studies and technologies of very
short-term electrical load forecasting and applying this study for
electrical load forecasting of basic Syrian electrical p
ower system
by studying this prediction for next four hours according to the
criterion applied in the Syrian Electricity Ministry with ten minutes
intervals ,we call it "Instant electrical load forecasting".
The contribution of our research include building an artificial neural
network in MATLAB program environment and improvement of
maximum loading point algorithm, to compute the most critical
voltage stability margin, for on-line voltage stability a
ssessment,
and a method to approximate the most critical voltage stability
margin accurately. a method to create a (ARTIFICIAL NEURAL
NETWORK) approach.
In recent years, the problem of classifying objects in images has increased by using deep learning as a result of the industrial sector requirements. Despite of many algorithms used in this field, such as Deep Learning Neural Network DNN and Convolut
ional Neural Network CNN, the proposed systems to address this problem Lack of comprehensive solution to the difficulties of long training time and floating memory during the training process, low rating classification. Convolutional Neural Networks (CNNs), which are the most used algorithms for this task, were a mathematical pattern for analyzing images data. A new deep-traversal network pattern was proposed to solve the above problems. The aim of the research is to demonstrate the performance of the recognition system using CNNs networks on the available memory and training time by adapting appropriate variables for the bypass network. The database used in this research is CIFAR10, which consists of 60000 colorful images belonging to ten categories, as every 6,000 images are for a class of these items. Where there are 50,000 training images and 10,000 test tubes. When tested on a sample of selected images from the CIFAR10 database, the model achieved a rating classification of 98.87%.
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
