حفاظت از سیستم قدرت تجزیه وتحلیل خطای خط انتقال براساس رویکرد یادگیری ماشین بهینه

خطوط انتقال (TLs) شبکه های برق اغلب با تعدادی خطا مواجه می شوند. برای ادامه عملکرد عادی و کاهش آسیب های ناشی از عیوب TL، شناسایی و طبقه بندی عیوب در اسرع وقت ضروری است. در این مقاله، طراحی و توسعه یک چارچوب یادگیری ماشین هوشمند برای شناسایی و طبقه بندی خطاها در یک TL قدرت ارائه شده است. طراحی چارچوب پیشنهادی با هدف کاهش بار محاسباتی و اطمینان از انعطاف پذیری در برابر نویز منبع، امپدانس منبع، قدرت خطا و تغییرات فرکانس نمونه برداری، انجام شده است. طراحی براساس انتخاب پارامترهای مدل بهینه با استفاده از یک الگوریتم بهینه سازی جستجو به نام GridSearchCV انجام می شود. اثربخشی مدل پیشنهادی با آژمایش مدل بر روی مدل میکروگرید استاندارد IEC در یک محیط MATLAB تایید می شود. نتایج نشان می دهد که مدل پیشنهادی بیش از نود و نه درصد دقت کلی در شناسایی و طبقه بندی خطاهای TL را دارد . نتایج همچنین با برخی از رویکردهای پیشرفته مانند DRL، DBN، RNN، LSTM و CNF برای بررسی بیشتر عملکر چارچوب پیشنهادی، مقایسه می شوند. مقایسه نشان می دهد که مدل پیشنهادی از نظر دقت، هزینه محاسباتی و سعت پاسخ بهتر از سایر تکنیک های موجود عمل می کند.

Keywords:

خط انتقال , یادگیری تحت نظارت , تشخیص خطا , تبدیل موجک , مدل بهینه شده , ایمنی نویز