Neuron Network
Neuron Network
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.
KONDISI SIMULASI
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.
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
Sudut
(Fase R tegangan)
a)
b)
90
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
(3)
Dimana
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
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