تشخیص سریع و دقیق خطاهای سیستم قدرت با استفاده از PMUو الگوریتم های پیشرفته
Keywords:
تشخیص خطا, سیستمهای قدرت, واحدهای اندازهگیری فازور, یادگیری ماشینیAbstract
تشخیص و محلیسازی خطا از چالشهای حیاتی در سیستمهای قدرت مدرن است، به ویژه با افزایش پیچیدگی ناشی از ادغام انرژیهای تجدیدپذیر و عملیات پویای شبکه. این مطالعه یک چارچوب نوآورانه تشخیص خطا را ارائه میدهد که قابلیتهای بلادرنگ واحدهای اندازهگیری فازور (PMUها) را با دقت الگوریتمهای پیشرفته یادگیری ماشینی ترکیب میکند. این چارچوب از مدلهای یادگیری عمیق، از جمله شبکههای عصبی کانولوشن (CNNs) و شبکههای حافظه کوتاهمدت بلند (LSTM) استفاده میکند تا به دقت بالایی در طبقهبندی و محلیسازی خطا دست یابد. علاوه بر این، یادگیری تقویتی برای انطباق پویا با تغییرات شبکه گنجانده شده است که باعث افزایش استحکام و قابلیت اطمینان میشود. استفاده ترکیبی از تبدیلهای موجک و شبکههای عصبی، مقاومت در برابر نویز را تضمین میکند، در حالی که معماری مقیاسپذیر سیستم امکان پردازش بلادرنگ دادههای شبکه برق در مقیاس بزرگ را فراهم میکند. چارچوب پیشنهادی از نظر دقت، سرعت پردازش و سازگاری، از روشهای سنتی و روشهای مبتنی بر هوش مصنوعی موجود بهتر عمل میکند. این تحقیق معیار جدیدی را برای تشخیص خطا ایجاد میکند و راه را برای سیستمهای قدرت هوشمندتر و مقاومتر هموار میکند.
Downloads
References
1.
Baskar, D., & Selvam, P. (2020). Machine Learning Framework for Power System Fault Detection and Classification. International Journal of Scientific & Technology Research.
2.
Raza, A., Benrabah, A., Alquthami, T., & Akmal, M. (2020). A Review of Fault Diagnosing Methods in Power Transmission Systems. Applied Sciences.
3.
Hong, J., Kim, Y., Nhung-Nguyen, H., Kwon, J., & Lee, H. (2022). Deep-Learning Based Fault Events Analysis in Power Systems. Energies.
4.
Belagoune, S., Bali, N., Bakdi, A., Baadji, B., & Atif, K. (2021). Deep Learning Through LSTM Classification and Regression for Transmission Line Fault Detection. Measurement.
5.
Elmasry, W., & Wadi, M. (2022). Enhanced Anomaly-Based Fault Detection System in Electrical Power Grids. International Transactions on Electrical Energy Systems.
6.
Furse, C., Kafal, M., Razzaghi, R., & Shin, Y. (2021). Fault Diagnosis for Electrical Systems and Power Networks: A Review.
7.
Mohamed, Y. N., Seker, S., & Akinci, T. (2023). Signal Processing Application Based on a Hybrid Wavelet Transform to Fault Detection and Identification in Power System.
8.
Moloi, K., & Yusuff, A. (2020). A Wavelet-Neural Network-Based Technique for Fault Diagnostics in Power System.
