KLASIFIKASI TIPE KESALAHAN DALAM SISTEM TENAGA TEGANGAN

TINGGI MENGGUNAKAN ARTIFICIAL NEURAL NETWORKS

M. Lukowicz, E. Rosolowski
Universitas Teknologi Wroclaw, Polandia

ABSTRAK - Tujuan dari makalah ini

adalah untuk menyajikan sebuah
pendekatan baru untuk pengenalan jenis
kesalahan untuk proteksi sistem tenaga
kecepatan
tinggi
menggunakan
multilayer recurrent dan feedforward
Artificial Neural Networks (ANNs). Dua
jenis ANNs untuk tujuan yang berbeda
telah diuji. Yang pertama disiapkan
untuk deteksi kesalahan dalam setiap
fase dari line sistem tiga fase dan yang
kedua untuk pengenalan gangguan ke
tanah. Algoritma Marquardt-Levenberg
yang dimodifikasi dikembangkan untuk
recurrent ANN. Hiperbolik tangen dan
fungsi linier aktivasi telah diterapkan
dalam pengolahan jaringan unit. Hasil
yang disajikan dalam makalah ini
menunjukkan bahwa ANNs dapat
berhasil digunakan dalam digital
protektif relay untuk membedakan jenis
kesalahan dalam sitem tenaga
PENDAHULUAN
Jalur transmisi adalah elemen yang paling
terekspose dari sistem listrik disebabkan
oleh luas dimensi dan paparan terusmenerus pada fenomena atmosfer dan
kecelakaan yang diprovokasi oleh
aktivitas manusia. Metode otomatis dari
deteksi
kesalahan
dan klasifikasi
pemecahan masalah signifikan dalam
operasi sistem tenaga listrik.
Salah satu masalah adalah pemeriksaan
dan pemeliharaan jalur transmisi. Karena
panjang dari jalur dan melintasi
lingkungan merupakan tugas yang sulit.
Metode otomatis dapat menentukan
lokasi kesalahan dan memungkinkan reestablising dengan cepat dari power
supply.

Metode konvensional saat ini bekerja

untuk deteksi kesalahan menggunakan
arus fase dan tegangan.
Hal tersebut berdasarkan pada:
Saat salah satu dari tiga fase atau arus
netral melebihi dari ambang batas
yang ditetapkan

Gambar 1. Modul dari protektif relay

Variasi karakteristik dalam nilai-nilai

yang efektif dari tegangan line dan
arus,
Peningkatan yang signifikan pada
kecepatan variasi dari besaran listrik,
Variasi besaran listrik dengan statistik
yang diperoleh di bawah kondisi
normal,
Perubahan sinyal logic dari sistem
proteksi.

Baru-baru ini pendekatan baru jaringan

syaraf tiruan untuk bagian digital dari
relay telah diusulkan dan dianalisis dalam
beberapa dokumen. Ide menggunakan
ANNs harus didukung oleh software
yang efisien dan hardware yang tepat,
biasanya berbentuk chip khusus . Di sisi
lain, aplikasi konsep pengenalan pola
dalam praktek membutuhkan persiapan
satu set pola yang meliputi berbagai
situasi yang akan dianalisis. Tugas yang

terakhir ini dapat dilakukan dengan cara

simulatif. Pola mungkin berbentuk
gelombang fase arus dan tegangan atau /
dan dihitung nilai sekunder yang
diperoleh dari simulasi sistem tenaga saat
di recognise dengan ANN.
Sistem integritas, diperlukan kontinyuitas
dan suplay ekonomis tenaga listrik untuk
pelanggan, dapat dipelihara dengan
menggunakan proteksi-jarak
atau metode time-graded. Relay proteksi
klasik mengukur impedansi transmisi line
tetapi sebelum pengukuran mereka
membutuhkan informasi tentang jenis
kesalahan yang telah terjadi.
Struktur
tipikal
relay
proteksi
ditunjukkan pada Gambar 1 . Modul "
Kesalahan Deteksi "

DESKRIPSI PEMODELAN SISTEM

Menggunakan
EMTP-ATP
sebuah
fragmen sistem tenaga yang ditunjukkan
pada Gambar. 2 telah dimodelkan.
Jalur transmisi memiliki rating 400 kV
telah dimodelkan sebagai 3-fase. Panjang
dari line ini 310 km. Parameter sequence
per satuan panjang diperlihatkan pada
gambar.
Sudut fase antara sumber U1 dan U2 sama
dengan 12 deg dan memberikan aliran
daya sekitar 350 MVA. Semua sinyal
utama yang diperlukan dalam proses
ditanggungkan ke bagian digital dari
relay protektif melalui jalur praprosessing analog yang terdiri dari:
- Instrumen Transformator,
- PencocokaTransformator,
- Filter analog,
dan, setelah sampel dan penghentian
operasi, diubah ke dalam bentuk digital
oleh konverter A / D.

Gambar 2 Stuktur dari pemodelan sistem

KONDISI SIMULASI

Modul menunjukan bahwa kesalahan

telah
terjadi.
"klasifikasi
(Type)
kesalahan" modul diperkirakan yang
mana fasa terpengaruh dan output
informasi tentang kesalahan (misalnya Rke ground, S-T ke ground,
dll). Dalam tulisan ini tujuan utama kami
adalah realisasi "Deteksi Kesalahan" dan
"Klasifikasi Kesalahan" tugas dalam satu
unit dengan menggunakan satu set ANNs.

Dengan
pertimbangan
parameter
kesalahan yang mempengaruhi tingkat
dan bentuk kesalahan saat ini dan
gelombang tegangan kondisi berikut
kemudian
dirubah
pada
setiap
menjalankan simulasi (data untuk traning
ANN):
Sistem impedansi
Empat kombinasi 5W dan 25W nilai
yang digunakan sebagai impedansi
dari
sistem
S1
dan
S2.
argumen masing-masing memiliki
impedansi acak nilai dari kisaran 8089deg. Rasio |Z0|/|Z1| memiliki nilai
acak dari jangkauan 1,0-1,4 dan rasio
nilai |X0| / |X1| dari kisaran 1,0-1,6.

 Jenis short sirkuit

a) R-G b) S-G c) T-G)

d)R-S-T

Resistansi kesalahan a) 0

b) 50

Lokasi Kesalahan
a) 80km
b) 0km
c) 150 km
d)230km (Tanda "-" menunjukkan
kesalahan Backward)
Nilai dari magnetisme residual dalam

arus transformator inti dipilih secara

acak dari <-2.8Vs; 2,8 vs> range
Kesalahan

Sudut
(Fase R tegangan)

a)

b)

90

Data yang dihasilkan dengan parameter

di atas ditujukan untuk traning ANN.
Tegangan dan bentuk gelombang arus
yang diperoleh dari simulasi telah
digunakan untuk penyusunan pola
traning. Sebagai proses pengujian ANN
harus dilakukan dengan penggunaan data
tidak
disajikan
selama
pelatihan,
beberapa simulasi tambahan telah
disiapkan
dengan
mengikuti
parameter :
Sistem impedansi
Empat kombinasi nilai 10W dan 20W
telah digunakan sebagai impedansi
dari sistem S1 dan S2. Argumen
masing-masing memiliki impedansi
nilai-nilai yang sama seperti pada
simulasi pengujian data.
Jenis short sirkuit
( 11 jenis short sirkuit: R-G, R-S, R-ST dll )
Resistensi kesalahan - nilai acak dari
0 sampai 50W
Lokasi kesalahan
a) - 64km b ) - 48km c ) - 32km
d) - 16km
e ) +46 km f ) +92 km
g) 138 km h) 184 km

Nilai magnetisme sisa dalam CT yang

inti dipilih secara acak dari < - 2.8Vs ;
2,8 Vs > range
Sudut kesalahan a) 216 b) 306
( Fase R tegangan )
Tingkat sampling dari 20 sampel per
siklus telah dipilih untuk semua simulasi.
NEURAL FAULT TYPE ESTIMATOR
( NFTE )

Ide utama dari estimasi kesalahan

didasarkan pada analisis fase dan
tegangan
zero-sequent
dan
arus
menggunakan ANNs. NFTE terdiri dari 4
jaringan saraf : tiga jaring berulang untuk
deteksi fase kesalahan tertentu dan
keempat
satu
feedforward
untuk
kesalahan ke tanah. NFTE menggunakan
fitur vektor dibentuk oleh trial U dan I.
Arsitektur dari NFTE digambarkan pada
Gambar 3. Lapisan jaringan bebas ANNs
dengan fungsi aktivasi dari kedua
lapisan tersembunyi dari jenis tangen
hiperbolik dan fungsi linear dalam neuron
output.
Jaring
bekerja
secara
paralel
mengindikasikan
fase
kesalahan
(netANN - Ph) dan akhirnya kesalahan ke
tanah ( net ANN - G ). Perubahan output
dari pengklasifikasi ANN - Ph tertentu
dari -1 sampai 1 menunjukkan kesalahan
deteksi dalam scaned phase dan
perubahan output kesalahan ke detektor
tanah
menginformasikan
tentang
kesalahan sebagai berikut : R-ke-G, S-keG, T-ke-G, R-S-ke-G, R-T-ke-G atau S-Tke-G. Ambang batas keputusan di kedua
detektor telah dipilih yaitu sama dengan
0.
Kesalahan R-S-T dan R-S-T- ke -G
dianggap sebagai Jenis kesalahan yang
sama (R - S - T). Karena semua simulasi
kesalahan R-S-T ke G adalah simetris
jadi mereka tidak bisa dibedakan dari
jenis kesalahan R-S-T. Suatu kesalahan

tidak menghasilkan tegangan dan arus

zero-sequence dan tidak dapat diakui
sebagai kesalahan tanah. Selain itu, nilai
arus zero-sequence dalam kasus ini,
kesalahan ke tanah tertutup untuk yang
simetris mungkin kurang dari nilai yang
diukur saat arus zero sequent muncul

selama gangguan yang disebabkan oleh

kejenuhan CTs .

Gambar 3. Neural Fault Type Estimator (NFTE)

INPUT VEKTOR TO NEURAL

CLASSIFIER

Pola masukan untuk pengklasifikasi

ANNPh telah terdiri dari NPh, setiap
detik ururan nilai-nilai absolut dari
sempel dikendalikan line U dan I trails.
Selain itu vektor masukan untuk detektor
ANN Ph maksimum termasuk dari nilai
absolut dari sampel arus saat fase yang
tersisa dari panjang sampel 10 sliding
window. Fitur vektor disiapkan untuk
ANN-Ph dalam mengendaliakn keadaan
fase R dan dapat disajikan sebagai
berikut:

dimana

dan
adalah output dari fase R state
classifier di n - th instan. Sejalan dengan
hal tersebut, pola fase pengklasifikasi S
dan T telah disusun.
Meninggalkan up sampel dengan indeks
n-1, n-3 dll. Dengan menjaga jumlah
minimum sampel digunakan dengan pola
dan sekaligus menjaga lebar sliding
window (ketika NPH = 5 setengah dari

tegangan dan periode gelombang saat ini

di zona observasi). Selain itu, hanya nilai
absolut tegangan dan sampel saat ini
mengurangi jumlah pola yang berbeda
untuk dianalisis. Penggunaan ANNs
dengan koneksi umpan balik membuat
sinyal keluaran dari ANN-Ph lebih stabil
dan keputusan yang diambil lebih dapat
diandalkan. Peran sinyal yang menahan
indikasi pada fase yang baik terutama
selama dekat short sirkuit dengan
rendahnya tingkat resistensi kesalahan.
Ada kemungkinan yang sangat kecil dari
adanya arus level rendah dan tinggi pada
saat yang sama di dua phase selama short
sirkuit.
Pengenalan
sinyal
(2)
menyebabkan masing-masing dari ANNPhs membuat keputusan berdasarkan
informasi dari tegangan yang ditugaskan
pada jalur saat ini dan informasi tentang
level arus dalam fase yang berdekatan.
Pilihan
seperti
sinyal
input
memungkinkan untuk menghindari objek
dan memisahkan partisi pengklasifikasi
dari ketiga fase.
Vektor input disiapkan untuk ANN-G
mendeteksi klasifikasi kesalahan ke tanah
terbentuk dari nilai absolut komponen
zero sequent tegangan dan arus dapat
dilihat sebagai berikut:

(3)
Dimana

sampel n-th dari komponen zero sequent

tegangan dan arus. NG mendefinisikan
ukuran input vektor dari panjang 2 NG *
untuk ANN-G classifier. U dan I- trails
dari kesalahan R-S-T- ke - G belum

digunakan untuk mempersiapkan vektor

PG karena rendahnya level besaran arus
zero sequent, di beberapa kasus kesalahan
ini mungkin sebanding dengan gangguan
terlihat pada arus zero sequent dengan
saturasi trafo arus.

PEMILIHAN PARAMETER
Penggunaan algoritma ditujukan untuk
waktu nyata recurrent training neural
network, banyak alternatif pengklasifikasi
telah disusun. Parameter NPh, NG dan
ukuran ANNs berubah selama investigasi.
Tujuan dari penelitian ini adalah
penentuan parameter optimal yang akan
menjamin kinerja terbaik dari perkiraan
tipe kesalahan.
Pemilihan ukuran optimal dari ANNs
dan panjang dari input shift register
Tabel
1
dan
2
menunjukkan
ketergantungan dari rata-rata persentase
klasifikasi kesalahan yang salah dan ratarata waktu klasifikasi pada ukuran
jaringan yang dipilih. Investigasi telah
disamakan untuk ANN Ph dan jaringan
ANN - G disuplai dari shift register dari
panjang maksimal NPh = NG = 5. Seperti
dapat dilihat struktur ANN - Ph dari 2-2-1
dan ANN - G dari 5-5-1 menunjukkan
kinerja yang baik dan secara bersamaan
membutuhkan sejumlah kecil unit
perhitungan .
Tabel 1. Kinerja dari pengklasifikasian ANN-Ph

Tabel 2. Kinerja dari pengklasifikasian ANN-G

Nilai error dibuat 0 % untuk data tes yang

belum disajikan selama proses pelatihan
membuktikan fitur generalisasi yang baik
diperoleh ANN - Ph classifier.
Namun, ANN feedforward digunakan
untuk kesalahan ke ground membutuhkan
unit komputasi di layer tersembunyi dari
pada selektor yang dari fase kesalahan.
Demikian pula, panjang minimal dari
shift register masukan yang dipilih.
Kinerja terbaik dari ANN - G telah
diperoleh untuk NG = 3 dan ANN - Ph
untuk NPh = 4 .
Pengaruh resistansi kesalahan dan
kesalahan lokasi pada kinerja NFTE
Ketergantungan kinerja NFTE terdiri
ANN - Ph ( 2-2-1 NPh = 4 ) dan ANN - G
(5-5-1 NG = 3) pada resistansi kesalahan
dan lokasi kesalahan telah diperiksa.
Tabel 3 menunjukkan parameter kualitas
(persentase kesalahan
dan
waktu
klasifikasi ) dievaluasi berdasarkan
respon NFTE terhadap pengujian data
yang
diperoleh
dari
simulasi
short sirkuit yang berbeda di bawah

resistance kesalahan 0, 30, 50.

Demikian pula, kinerja NFTE telah
diteliti untuk lokasi kesalahan yang
berbeda pada line. Kesalahan di kedua
sisi transformator arus telah dibawa ke
pertimbangan ( " + ; - " Masing-masing
menunjukan ke depan dan ke belakang).
Hasil yang didapat dikumpulkan pada
Tabel 4.
Tabel 3 Pengaruh resistansi kesalahan pada
kualitas klasifikasi (dievaluasi untuk menguji
data)

Tabel 4 Pengaruh lokasi kesalahan pada kualitas klasifikasi

Gambar 4. Klasifikasi kesalahan S-G dengan

resistansi 30 berlokasi 80 km dari bus bar

HASIL KLASIFIKASI DALAM

DOMAIN WAKTU
Gambar 4-5 menunjukkan hasil dari
kesalahan tipe klasifikasi yang dilakukan,
sebagai contoh diperoleh dari simulasi.
Kasus kesalahan S - ke-ground mundur
melalui resistensi kesalahan 30 terletak
80km dari bus - bar disajikan pada
Gambar 4. Hal ini juga terlihat bahwa
klasifikasi benar meskipun pengurangan
substansial dari besarnya arus. Selain itu,
tidak ada gejala kesalahan yang terlihat
dalam bentuk gelombang tegangan.
Pengurangan tersebut adalah hasil dari
pengurangan arus kesalahan diabaikan

Gambar 5. Klasifikasi kesalahan R-S-T dengan

resistansi 0 berlokasi 150 km dari bus bar

dari arus beban selama kesalahan jarak ke

belakang yang disebabkan oleh kesalahan
resistensi yang besar. Hal ini terlihat
bahwa respon ANNs mencapai kondisi
siap setelah hanya 1ms (ANN-G) dan
4ms (ANN-Ph (S)), masing-masing.
Kasus R-S-T ke depan kesalahan logam
terletak pada 150 km dari bus-bar telah
ditampilkan pada Gambar. 5. Bentuk
gelombang
yang
disajikan
telah
diprediksi dengan benar. Keputusan yang
benar telah dibuat meskipun kehadiran
saturasi trafo arus dalam fase T dan
harmonik yang lebih tinggi pada fase
tegangan.

Selain itu, beberapa simulasi kesalahan

phase ke ground dengan resistensi
nonlinier telah dilakukan. Penelitian
menunjukkan kinerja yang baik dari
pengklasifikasian untuk sebagian besar
kasus kesalahan. Kesalahan diakui benar
meskipun gangguan disebabkan oleh
resistensi busur tegangan dan bentuk
gelombang arus.
Sinyal tegangan dan arus disaring dengan

yang handal dan cepat dengan operasi

waktu antara 1 dan 7ms. Tampaknya
NFTE dengan akurasi tersebut dapat
menjadi estimator tipe kesalahan yang
baik bila digunakan dalam sistem lokasi
gangguan dan yang paling penting dari
pelaksanaan ANNs di sistem nyata adalah
perlunya proses pelatihan baru
untuk setiap objek baru.

low-pass filter karena gangguan primer

bentuk gelombang memiliki pengaruh
yang dapat diabaikan pada pengoperasian
classifier yang benar. Waktu rata-rata dari
klasifikasi adalah sekitar 4ms. Gambar. 6
menunjukkan tegangan, arus, dan
kesalahan resistansi serta sebagai sinyal
diskriminasi
pada
output
dari
pengklasifikasi untuk kesalahan terletak
pada S-G -80km dari busbar.

REFRENSI

KESIMPULAN
Telah terbukti bahwa feedforward dan
jaringan recurrent jika digabungkan
bersama-sama dapat digunakan untuk
estimator desain jenis kesalahan yang
handal dan cepat ditujukan untuk aplikasi
dalam relay protektif dari sistem tenaga
tegangan tinggi. Terlepas dari pengenalan
feedback semua jaringan ANN-Ph
bekerja dengan benar. Selain itu,
penggunaan fungsi tipe tangen di output
neuron dapat menjamin stabilitas global
dari jaringan ANN-Ph.
Jaringan telah diklasifikasikan dengan
benar dimana bentuk gelombang terlepas
dari posisi kesalahan pada transmisi
line, sudut kesalahan, jenis short sirkuit
dan nilai-nilai resistansi kesalahan. NFTE
menyediakan klasifikasi tipe kesalahan

[1] Wasserman P.D.: Neural Computing.

Theory andPractice., VNR New York
1989.
[2] Haykin S., Neural Networks, A
Comprehensive
Foundation,
Macmillan Publishing Company,
1994.
[3]--Sidhu T. S., Singh H., Sachdev M.
S.: Design, implementation and
testing of an artificial neural network
based fault direction discriminator
for protecting transmission lines.
IEEE Transactions on Power
Delivery, Vol. 10, No. 2, April 1995.
[4] Alves da Silva A.P., Insfran A.H.F., da
Silveira P.M., Lambert-Torres G.:
Neural networks for fault location in
substations., IEEE/PES Meeting,
July 23-27, 1995, paper 95 SM 360-8
PWRD.
[5] EMTP Rule book, Leuven EMTP
Centre, July 1987.
[6]--IEEE Power System Relaying
Committee, "Transient Response of
Current Transformers", IEEE Trans.
PAS,
vol.
96,
no.
6,
November/December 1977, pp.
1809-1814