WAVELET AND NEURAL NETWORKS BASED ARCING FAULT DETECTION AND CLASSIFICATION FOR UNDERGROUND DISTRIBUTION CABLE
محل انتشار: دوازهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,574
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE12_361
تاریخ نمایه سازی: 29 اسفند 1387
چکیده مقاله:
The electric power markets have imposed new power service quality that makes fault detection in power distribution systems a mandatory issue. This paper presents a new approach to discriminate HIFs from transients such as load switching (high/low voltage) and inrush current, based on a new modified cable model, in the EMTP software. The simulated data is then analyzed using advanced signal processing technique based on wavelet analysis to extract useful information from signals and this is then applied to the artificial neural networks (ANNs) for detecting arcing faults in a practical underground distribution system. The paper concludes by comprehensively evaluation the performance of the technique developed in the case of arcing faults. The results indicate that the fault detection technique has very high accuracy
کلیدواژه ها:
نویسندگان
Jamal Moshtagh
Kurdistan University
Parham Jalili
Kurdistan University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :