PMU-Based Fault Classification Using Artificial Neural Network for Power Systems Considering Data mismatches
- سال انتشار: 1392
- محل انتشار: اولین همایش ملی مهندسی برق ایران
- کد COI اختصاصی: INCEE01_015
- زبان مقاله: انگلیسی
- تعداد مشاهده: 1152
نویسندگان
Lorestan Electric Power Distribution Company, IRANdehghan
Lorestan Electric Power Distribution Company
Lorestan Electric Power Distribution Company
Lorestan Electric Power Distribution Company
چکیده
Fast advancement in communication and measurement techniques accelerates the development of wide area protection, based on the wide area measurement system. In this study, global information of power system will be introdu ced into the backup protection system. By analyzing and computing real-time phasor measurement unit (PMU) measurements, based on artificial neural network fault classifier (ANNFC), fault type and fault location is determined. Proposed method is implemented on the IEEE ٣٩ buses sample network. Best inputs of ANNFC are the active powers of each phase and the zero sequence currents measured at the two terminals of the transmission line. For each type of faults on a transmission line, ANNFC has one output. The outputs of ANNFC for the fault test patterns, not presented in the training stage, show the accuracy of the ANNFC. The trained ANNFC is trained again by inputs that have measurement errors and data mismatches. The ANNFC outputs are accurate, even if the data are distorted by CT saturation or by data mismatchescaused by delays in the WAP data collection system or measurement errors.کلیدواژه ها
wide area protection; ANN; fault classification; data mismatchesمقالات مرتبط جدید
- ارزیابی اقتصادی و زیست محیطی سناریوهای ترکیب انرژی تجدیدپذیر در برنامه ریزی تولید برق ایران تا افق ۱۴۱۰
- بررسی فناوریها و استراتژیها برای بهینه سازی مصرف انرژی و افزایش کارایی در شبکه های توزیع
- فناوری اطلاعات و ارتباطات سبز
- Hoo Controller Design for a Quadruple-Tank Multivariable System: Robust Performance via Weighted Sensitivity Shaping
- تاثیر حیاتی همبستگیهای آماری ضعیف بادبار بر قابلیت اطمینان سیستمهای قدرت: دیدگاهی فراتر از مدلهای سنتی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.