9 1 en Id

Dr. Abduladhem A. Ali, Dr. Abaas H.
Abaas & Ahmed Thamer Radhi
Differential Perlindungan Generator dengan Menggunakan Neural Network,

Fuzzy Neural dan Fuzzy Neural Petri Net
Prof. Dr. Abduladhem A. Ali abduladem1@yahoo.com

College of Eng. / Komputer Dept.
University of Basrah Basrah, Irak
Asst. Prof. Dr. Abaas H. Abaas abbashafeth@yahoo.com

College of Eng. / Listrik Dept University
of Basrah Basrah, Irak
Ahmed Thamer Radhi dr.ahmed197750@yahoo.com

Teknis / Lembaga Al-Amarah / Rekayasa. Dept
Yayasan Pendidikan Teknik Missan, Irak
Abstrak
Tulisan ini berkaitan dengan aplikasi teknik Artificial Intelligence untuk mendeteksi kesalahan internal generator Power. Tiga
teknik yang digunakan yang Neural Net (NN), Fuzzy Neural Net (FNN) dan Fuzzy Neural Petri Net (FNPN) untuk
menerapkan perlindungan diferensial generator. MATLAB toolbox telah digunakan untuk simulasi dan generasi data
kesalahan untuk pelatihan program untuk kasus-kasus kesalahan yang berbeda dan untuk melaksanakan relay. Hasil
kasus kesalahan yang berbeda disajikan dan hasil ini dibandingkan antara tiga teknik dilaksanakan relay dan dengan relay
diferensial konvensional generator.
Kata kunci: Diferensial Perlindungan, Kesalahan Generator internal, Neural Net, Fuzzy Neural dan Fuzzy Neural Petri Net.
1. PERKENALAN
generator sinkron adalah elemen yang paling penting dari sistem tenaga. Generator melakukan pengalaman singkat sirkuit
dan kondisi listrik abnormal. Dalam banyak kasus, kerusakan peralatan karena peristiwa ini dapat dikurangi atau dicegah
dengan perlindungan pembangkit yang tepat. Generator perlu melindungi dari kondisi normal, ketika mengalami kondisi,
kerusakan atau kegagalan lengkap dapat terjadi dalam hitungan detik, sehingga membutuhkan deteksi otomatis dan
tersandung. Semua kesalahan yang terkait dengan generator sinkron dapat diklasifikasikan sebagai kegagalan isolasi atau
kondisi berjalan normal [1, 2]. Kegagalan isolasi dalam stator yang berkelok-kelok akan mengakibatkan kesalahan
antar-turn, kesalahan fase atau kesalahan tanah, dll Saat ini generator dilindungi terhadap hampir semua jenis kesalahan
menggunakan metode diferensial perlindungan. relay diferensial, khususnya yang digital, digunakan untuk mendeteksi
kesalahan stator dari generator. utilitas listrik dan pabrik-pabrik industri menggunakan elektromekanis dan solid-state relay
untuk melindungi generator sinkron [3]. Dengan munculnya teknologi digital telah membuat kemajuan yang signifikan dalam
mengembangkan sistem perlindungan berdasarkan teknik digital [4,5]. Perlindungan relay hanya sebanyak kandidat untuk
aplikasi pengenalan pola. Mayoritas teknik perlindungan sistem tenaga yang terlibat dalam mendefinisikan sistem negara
melalui identifikasi pola gelombang arus diukur pada lokasi relay. Ini berarti bahwa perkembangan perlindungan adaptif
dapat dasarnya diperlakukan sebagai masalah pengenalan pola. Kecerdasan buatan (AI) yang kuat dalam pengenalan pola
dan klasifikasi. Mereka memiliki fitur yang sangat baik seperti kemampuan generalisasi, kekebalan kebisingan, ketahanan
dan toleransi kesalahan. teknik berbasis AI telah digunakan dalam perlindungan sistem tenaga dan hasil yang
menggembirakan diperoleh [6, 7]. jaringan syaraf tiruan adalah jenis struktur jaringan berdasarkan biologi modern penelitian
sistem saraf, yang menunjukkan potensi aplikasi yang besar pada diagnosis peralatan dengan kemampuan pengolahan
terdistribusi paralel, memori asosiatif dan belajar mandiri. Melalui belajar pada beberapa jenis sampel kesalahan, sebuah
NN tunggal dapat menghafal karakteristik kesalahan tersebut, demikian NN kaleng tunggal
International Journal of Artificial Intelligence dan Sistem Pakar (IJAE), Volume (3): Isu (1): 2012 14
Dr. Abduladhem A. Ali, Dr. Abaas H. Abaas & Ahmed Thamer Radhi
menerapkan diagnosis sebagian besar jenis kesalahan [8]. Dalam jaringan saraf kabur (FNN), baik logika fuzzy dan kombinasi
jaringan syaraf telah menemukan aplikasi luas. Pendekatan ini melibatkan penggabungan sistem fuzzy dan jaringan saraf dalam
suatu sistem yang terintegrasi untuk menuai keuntungan dari keduanya. FNN adalah struktur yang efisien mampu belajar dari
contoh-contoh.
Petri Nets (PNs) [9] didasarkan pada konsep bahwa hubungan antara komponen sistem, yang menunjukkan kegiatan
asynchronous dan bersamaan, bisa dengan diwakili oleh jaring. Petri jaring pada dasarnya dikembangkan untuk
menggambarkan dan menganalisis arus informasi, dan mereka adalah alat yang sangat baik untuk sistem concurrent model
asynchronous seperti sistem komputer dan sistem manufaktur, serta perlindungan sistem tenaga. Konsep dasar dari PN
dimasukkan ke dalam FNN tradisional digunakan untuk mengatur sistem FNPN untuk diterjemahkan lebih lanjut ke jaring saraf
untuk menambahkan kemampuan belajar dari NN ke PN. Struktur baru model FNPN dilatih dengan cara back-propagasi
dengan jaring berlapis-lapis umpan-maju dari ANN yang membuat model yang FNPN memberikan output yang sesuai bila
sampel input yang berbeda. Dalam tulisan ini, generator diferensial skema perlindungan dengan menggunakan NN, FNN dan
FNPN diperkenalkan. Skema yang diusulkan memiliki kemampuan untuk mendeteksi kesalahan dengan sensitivitas yang
lebih tinggi.
2. JARINGAN SYARAF
Teori-teori ANN telah diterapkan untuk pengenalan pola, klasifikasi pola, belajar, optimasi, dll, Rumethart, et al. [10] telah
mengusulkan teknik jaringan saraf yang disebut Back Propagation (BP) dengan perceptrons berlapis-lapis. Teknik ini telah
berhasil diterapkan untuk masalah pengenalan pola adaptif.
Pendekatan back-propagasi juga dapat digunakan dalam sistem tenaga. Beberapa aplikasi telah dibuat dalam
memecahkan masalah listrik seperti stabilitas transient [11], deteksi kesalahan impedansi tinggi [12], lokasi gangguan pada
saluran transmisi EHV, lokasi kesalahan estimator untuk kabel bawah tanah, dan perlindungan diferensial transformator
daya [13]. Jaringan saraf tanpa koneksi umpan balik dari satu lapisan yang lain atau dirinya sendiri disebut "Pakan maju
Neural Network". Sebuah model simpul umum diberikan dalam Gambar 1) untuk menggambarkan operasi model ideal.
aktivasi
prasangka ib Fungsi
W ib
U1 W i1
node
Output u saya
W i2
masukan
U2
neuron i
W jb
Uj
Output
Fungsi
GAMBAR 1: Ideal Neuron Operasi
Mendefinisikan output unit j pada lapisan sebelumnya sebagai u j, aktivasi atau total masukan unit i pada lapisan ini dapat ditulis
sebagai:
Si= Wijuj + ib (1)

j
Dimana: W aku j adalah berat koneksi dari unit j unit i.

ib adalah ambang simpul (atau vektor bias).
Output u saya unit i dinyatakan oleh satuan i input S saya:
u i = f (S saya) (2)
Dimana, f (x) biasanya, namun tidak diperlukan fungsi sigmoid seperti:
f (x) = 1 / (1 + exp (-x)) (- < x <+ ) (3)
Output dari unit lapisan tersembunyi i kemudian dikirim ke input dari unit lapisan berikutnya melalui koneksi tertimbang lain. Gambar
1) menunjukkan dengan jelas hubungan yang diberikan oleh Eqn. (1) dan Eqn. (2). Algoritma kesalahan back-propagasi
adalah salah satu teknik belajar yang paling penting dan banyak digunakan untuk jaringan saraf. Aturan pembelajaran
dikenal sebagai backpropagation, yang merupakan jenis teknik gradient descent dengan kembali error (gradien) propagasi.
objek di sini adalah untuk "melatih" jaringan untuk menemukan cara mengubah bobot dan ambang sehingga kesalahan
tersebut akan mencapai minimum. Bandingkan sinyal output akhir dengan sinyal sasaran, jumlah kuadrat error, E p dihasilkan
yang merupakan jumlah dari perbedaan kuadrat antara output t diinginkan p dan u output aktual aku p,
E p = 1/2 -( ut ip p
)
2
(4)
saya
Dimana: t p adalah sinyal target unit u saya pada lapisan output, dan
u aku p adalah sinyal output aktual dari unit u saya pada lapisan output.
Bobot penyesuaian bisa dilakukan dengan meminimalkan E p dalam keturunan gradien mulai unit output dan perubahan
berat badan ( w aku j) bekerja mundur ke lapisan tersembunyi rekursif.
Bobot yang disesuaikan:
w aku j( t + 1) = w aku j( t) + w aku j (5)
Dimana: w aku j( t) adalah berat dari unit j unit i pada waktu t, dan w aku j adalah berat
pengaturan. Berat baru w aku j( t + 1) adalah mudah untuk lapisan berikutnya berulang kali.
3. NETWORK NEURAL FUZZY

Fuzzy jaringan saraf (FNN) dianggap sebagai tipe khusus dari jaringan saraf [14], setiap lapisan dan setiap simpul memiliki
makna praktis karena FNN memiliki struktur yang didasarkan pada kedua aturan fuzzy dan inferensi, Gambar (2) menunjukkan
struktur FNN. Berikut ini
item setiap lapisan akan dijelaskan:
1. Input lapisan: Mengirim input linguistik

variabel x n untuk output tanpa berubah.
2. Lapisan Tersembunyi I: lapisan Keanggotaan

mewakili nilai input dengan fungsi keanggotaan
Gaussian berikut [14]:
i= exp (- (x J- c ij) 2 / 2s 2
j aku j) (6)
di mana c aku j dan S aku j ( i = 1, 2, ..., n.; j = 1, 2, ..., m), masing-masing adalah mean dan standar deviasi dari fungsi
Gaussian di j th jangka i th variabel input linguistik x n ke node dari lapisan ini.
3. Hidden Lapisan II: lapisan Peraturan menerapkan mekanisme inferensi fuzzy, dan setiap node dalam lapisan
ini mengalikan sinyal input dan output hasil produk.
Output dari lapisan ini diberikan sebagai [14]:
n j saya
HAI i = j (7)
dimana saya mewakili i th output lapisan aturan.
4. Keluaran lapisan: The node dalam lapisan ini merupakan variabel linguistik output. Setiap node Y Hai( O = 1, ..., N Hai), yang
menghitung output sebagai [14]:
m w saya
Hai HAI saya
Y o = saya (8)
Tujuan utama dari algoritma pembelajaran adalah untuk meminimalkan mean fungsi kesalahan persegi [14]:
E = 1/2 (Y Hai- Y p) 2 (9)
di mana Y Hai adalah output aktual dan Y p adalah output yang diinginkan.
1
1
1
1
n w1
X1 2 2
1 2
w2
m Y0

2
n
wm
m
Xn 2 1
m
m m
n

layer 1 layer 2 layer 3 layer 4
GAMBAR 2: Struktur FNN
Algoritma gradient descent memberikan persamaan berulang berikut untuk nilai parameter [14]:
w saya( k + 1) = w saya( k) - w E / w saya (10)
c aku j( k + 1) = c aku j( k) - c E / c aku j (11)
s aku j( k + 1) = s aku j( k) - s E / s aku j (12)
Dimana adalah tingkat belajar untuk setiap parameter dalam sistem, i = 1, 2, ...., n dan j = 1,
2, ..., m.
Mengambil turunan parsial dari fungsi kesalahan yang diberikan oleh Eqn. (9), mendapat persamaan berikut:
E / w i = ( Y Hai- Y p) HAI saya (13)
E / c ij = ( Y Hai- Y p) HAI saya w saya( x J- c aku j)/ s 2 aku j (14)
E / s ij = ( Y Hai- Y p) HAI saya w saya( x J- c ij) 2 / s 3 aku j (15)
Oleh karena itu, nilai baru dari w saya, c aku j & s aku j setelah adaptasi sama dengan:
w saya( k + 1) = w saya( k) - w ( Y Hai- Y p) HAI saya (16)
c aku j( k + 1) = c aku j( k) - c ( Y Hai- Y p) HAI saya w saya( x J- c aku j)/ s 2aku j (17)
s aku j( k + 1) = s aku j( k) - s ( Y Hai- Y p) HAI saya w saya( x J- c ij) 2 / s 3 aku j (18)
4. FUZZY NEURAL PETRI NET

Struktur yang diusulkan Fuzzy Neural Petri Net ditunjukkan pada Gambar (3). jaringan memiliki berikut tiga lapisan [15]:
1- Sebuah lapisan input terdiri dari tempat n masukan. 2- Lapisan transisi

terdiri dari transisi tersembunyi. 3- Sebuah lapisan output yang terdiri dari
tempat m output.
Tempat masukan ditandai dengan nilai fitur tersebut. Transisi bertindak sebagai unit pengolahan. penembakan tergantung
pada parameter transisi, yang merupakan ambang batas, dan parameter busur (koneksi), yang merupakan bobot.
Penandaan tempat keluaran mencerminkan tingkat keanggotaan pola di kelas yang sesuai.
masukan transisi Output

Tempat Tempat
masukan tersembunyi Output

lapisan lapisan layer
GAMBAR 3: Struktur FNPN
Spesifikasi dari jaringan untuk bagian dari jaringan ditunjukkan pada Gambar (4) adalah sebagai berikut [15]: P j adalah
tingkat menandai tempat masukan-j yang dihasilkan oleh fungsi pemetaan segitiga. Bagian atas fungsi segitiga berpusat
pada titik rata-rata nilai input. Panjang dasar segitiga dihitung dari selisih antara nilai minimum dan maksimum input.
Ketinggian segitiga adalah kesatuan. Proses ini menjaga masukan dari jaringan dalam periode [0, 1]. generalisasi ini dari
Petri bersih akan dalam perjanjian penuh dengan versi generik dua terhormat Petri net.
Pj
W aku j
r aku j Z saya
Yk
GAMBAR 4: Sebuah bagian dari jaring menguraikan notasi
(j)) (19)
Di mana f adalah fungsi pemetaan segitiga ditampilkan di Gambar (5).
f (p)
p
minimum rata-rata maksimum
masukan j masukan j masukan j
GAMBAR 5: Fungsi pemetaan segitiga P j = f ( Input
W aku j adalah berat antara transisi ke-i dan tempat masukan-j; r aku j adalah tingkat ambang batas terkait dengan tingkat
menandai tempat masukan-j dan transisi ke-i; Z saya adalah tingkat aktivasi i-th transisi dan didefinisikan sebagai berikut [15]:
Zi= r SW ([ P j )],
ij ij n j = 1, 2, ..., n.; i = 1, 2, ...., tersembunyi (20)
j =1
Di mana, "T" adalah t-norma, "S" menunjukkan suatu s-norma, sedangkan singkatan operasi implikasi dinyatakan
dalam bentuk:
Sebuah b = sup {c [ 0,1], ATC b} (21)
Di mana a, b adalah argumen dari operator implikasi terbatas interval satuan.
Dalam kasus dua-nilai logika, Eqn. (21) mengembalikan nilai kebenaran yang sama seperti:
. jika b> ba 0, dan jika= 1 b = 0

Sebuah b = = a, b [ 0, 1]
1, jika tidak 1, jika tidak
Jika T-norma didefinisikan sebagai operator perkalian ( ) kemudian

. jika rp >ij pr j

r aku j Pj= ij j

1, jika tidak

n . jika rp >ij pr j

Zi=
W ij
ij j
j = 1

1, jika tidak
Y k adalah tingkat menandai dari k-th tempat output yang dihasilkan oleh lapisan transisi dan melakukan pemetaan nonlinear
dari jumlah tertimbang dari tingkat aktivasi transisi ini (Z saya) dan terkait koneksi V ki, seperti yang diberikan:
.No Transisi dari
Yk= f ( ZVi ) . j = 1, 2, ...., n

ki
(22)
=1
saya
Mana "f" adalah nonlinear monoton meningkat fungsi dari [0, 1].
Proses belajar tergantung pada meminimalkan indeks kinerja tertentu untuk mengoptimalkan parameter jaringan (bobot dan
ambang batas). Indeks kinerja yang digunakan adalah jumlah standar kesalahan kuadrat. Kesalahan adalah perbedaan
antara tingkat menandai tempat output dan nilai target. Pelatihan set (p, t), yang merupakan tingkat menandai tempat input
(dilambangkan dengan p) dan diperlukan menandai tempat keluaran (target "t") yang, disajikan ke jaringan untuk
mengoptimalkan parameter. Indeks kinerja adalah sebagai berikut:
E= 1 (2 Y- t kk
)
2
(23)
k =1
Dimana:
t k adalah target k-th; Y k adalah
output k-th.
Pembaruan parameter dilakukan menurut metode gradien:
param (iter + 1) = param (iter) - param

E (24)
Dimana param
E adalah gradien indeks kinerja E sehubungan dengan
parameter jaringan, adalah koefisien tingkat belajar, dan iter adalah kontra iterasi.
Fungsi nonlinear terkait dengan tempat keluaran adalah sigmoid standar digambarkan sebagai:
1
Yk= (25)
+ exp (1- ki i
)VZ
Diagram alir pembelajaran algoritma ditunjukkan pada Gambar (6).
Mulai
Mengingat Input & Output Matriks
Parameter diinisialisasi: (W, V) untuk NN

(W, C, S) untuk FNN (W, V,
r) untuk FNPN
Mengingat nilai ambang kesalahan (E th)
Mengambil pola masukan dari set pertama
Menemukan kesalahan dari yang diberikan set = E (set)
Update Parameter: (W, V) untuk NN

(W, C, S) untuk FNN (W, V,
r) untuk FNPN
Untuk Set = 1 untuk

Total Jumlah set
E sum = Sum (E (set))
E berarti = 0,5 * E jumlah
Tidak
Jika E berarti <= E th
iya nih
Hemat Parameter (W, V, r, C, S)
Akhir
GAMBAR 6: Belajar Mekanisasi Algoritma yang diusulkan
5. USULAN menyampaikan PENDEKATAN GENERATOR

Generator listrik merupakan komponen utama dalam sistem kekuasaan dan kesalahan apapun akan berpengaruh pada
ketersediaan daya. perlindungan diferensial adalah sistem yang paling umum digunakan untuk perlindungan gulungan
stator terhadap kesalahan bumi dan fase untuk kesalahan fase memanfaatkan beredar prinsip saat ini. Sensitivitas
perlindungan tersebut untuk gangguan bumi tergantung pada resistensi di netral untuk koneksi bumi. Perlawanan dari netral
tidak dapat menyebabkan relay beroperasi, besarnya zona terlindungi tergantung pada nilai resistansi mempekerjakan di
bumi netral dan pengaturan relay. Nilai zona ini dilindungi sekitar (80% 85%) dari berkelok-kelok, yang berarti (20% -15%)
dari gulungan dekat titik netral tidak dapat menyebabkan tersandung [16]. Pendekatan ini menghasilkan relay pelindung
untuk memecahkan masalah ini dan untuk melindungi generator listrik, di mana variabel input relay diusulkan diferensial
saat [16]
dan metode harmonik ketiga [17]. Diferensial saat ini di kedua ujung generator dilindungi dibandingkan, dalam kondisi
operasi normal arus ini adalah sama, tetapi mungkin berbeda ketika kesalahan terjadi di bagian yang dilindungi.
Perbedaan arus bawah kondisi kesalahan dibuat mengalir melalui koil operasi relay. perlindungan diferensial melindungi
gulungan stator terhadap kesalahan bumi dan fase untuk kesalahan fase [16, 18] .Differential memberikan stator tanah
perlindungan kesalahan saat harmonik ketiga. Komponen harmonik dibandingkan ketiga di netral mesin dan di terminal
memberikan percontohan untuk kondisi operasi normal dan gangguan bumi. pengawasan kekuasaan yang tergabung
memungkinkan pengaturan sensitif pada mesin yang memiliki konten harmonik ketiga mereka bervariasi secara signifikan
perubahan kekuasaan diekspor. Komponen harmonik ketiga berbeda sebagai lokasi perubahan gangguan bumi.
5.1 Simulasi Model Generator

Generator listrik dengan (22 kV, 23 MVA) disimulasikan dengan menggunakan software simulasi MATLAB seperti yang ditunjukkan
pada Gambar (7). Skenario pelatihan dan menguji pendekatan yang diusulkan yang dihasilkan selama sistem tenaga kondisi operasi
nominal. beban penuh, 0,5 beban penuh dan 0,25 kasus beban penuh yang diambil untuk menutupi berbagai peristiwa kesalahan.
patahan, lokasi kesalahan (yaitu zona dilindungi internal dan eksternal), resistensi kesalahan (0, 5 ) dan waktu kesalahan awal
diubah untuk mendapatkan pola pelatihan yang mencakup berbagai pembangkit listrik kondisi kesalahan yang berbeda.
saya
SEBUAH +
-
SEBUAH Sebuah
N B SEBUAH SEBUAH
+
saya- C - B B B b
+ C C
saya
+ C c
-i 3-Phase PI
Bagian TL
ABC
sinyal
Menambahkan besarnya
sudut
1
3 Harmonic Id Tr2
z
Produk
sinyal
besarnya ID3
Product1
sudut
di ff
1 Harmonic Id tr1
In1Out1 id
LPF & S / H 1
GAMBAR 7: Model simulasi Generator
5.2 Pola Generation dan Preprocessing

diferensial arus dan diferensial harmonik ketiga saat diolah dengan sederhana 2 nd-
oredr filter low-pass. Filter memiliki frekuensi cut-off dari 400 Hz yang memperkenalkan hanya penundaan waktu kecil.
Kedua input sampel pada tingkat 20 sampel per siklus dan dinormalisasi memiliki nilai maksimum 1 dan nilai minimum -1
seperti yang ditunjukkan pada Angka 8).
jaringan feedforward multilayer dipilih untuk memproses data masukan siap. Input layer berisi 5 sampel untuk setiap masukan,
karena ada dua input dalam model, oleh karena itu, lapisan input yang diperlukan 10 node input. Berbagai jaringan dengan jumlah
yang berbeda dari node pada lapisan tersembunyi mereka dipelajari. Lapisan output hanya terdiri dari satu node, yang memiliki nilai 1
jika kesalahan terjadi untuk menunjukkan tersandung atau 0 untuk tidak ada kesalahan.
saya d1
tiruan
Filter Contoh Untuk NN
Dengan
antialiasing Dengan normalisasi FNN
Model
1 kHz FNPN
MATLAB saya d3 / saya d1
ANGKA 8: Proses Generation Pola pelatihan
6. HASIL UJI
Data pelatihan dan pengujian pendekatan yang diusulkan yang dihasilkan selama kondisi sistem tenaga operasi nominal dengan
menggunakan software simulasi MATLAB. beban penuh, 0,5 beban penuh dan 0,25 kasus beban penuh yang diambil untuk
menutupi keragaman acara kesalahan. Jenis-jenis kesalahan yang disimulasikan meliputi:
- Operasi normal
- Normal dengan beban tidak seimbang
- Normal dengan beban non-linear
- LG eksternal
- LLG eksternal
- LL eksternal
- kesalahan simetris eksternal
- LG internal
- internal LLG
- internal LL
- kesalahan simetris internal
- kesalahan antar-turn pada 20% dari berliku
6.1 beban Kasus Penuh
Tabel 1) menjelaskan besarnya dan waktu tunda output untuk pendekatan yang diusulkan, NN relay, FNN relay, FNPN relay
dan estafet diferensial konvensional untuk kasus beban penuh. Tabel 1)
menunjukkan bahwa pendekatan yang diusulkan tidak memiliki perjalanan output untuk (operasi normal dan kasus kesalahan eksternal). NN-estafet
memiliki keluaran perjalanan untuk kasus-kasus gangguan internal dengan waktu tunda (2-4) ms, FNNrelay memiliki keluaran perjalanan untuk gangguan
internal kasus dengan waktu tunda (2-4) ms dan FNPN-estafet memiliki keluaran perjalanan untuk kasus-kasus gangguan internal dengan waktu delay
(2-3) ms. diferensial estafet konvensional tidak memiliki perjalanan output untuk operasi normal dan kasus kesalahan eksternal, sedangkan untuk kasus
kesalahan nternal memiliki perjalanan output dengan waktu tunda (2-9) ms. Contoh kasus ini internal LG kesalahan ditampilkan di Gambar (9), sebuah
kesalahan internal LG (fase A-
G) terjadi pada t = 6ms, seperti yang terlihat dari Gambar (9) semua relay mendeteksi kesalahan pada t = 6ms, NN-output relay perjalanan setelah
2ms tapi FNN-relay dan FNPN-estafet keduanya perjalanan output setelah 1ms dari kesalahan terjadi, maka FNN-relay dan FNPN-relai memberikan
output perjalanan lebih cepat dari NN-relay.
Tidak Kasus TABEL 1: Hasil NN

Simulasi untuk Full Beban
Menyampaikan Kasus
FNN Menyampaikan FNPN Menyampaikan Konvensional Diff.
Menyampaikan
R Di luar T R Di luar T R Di luar T R Di luar T

(Nona) (Nona) (Nona) (Nona)
1 Operasi normal 0,0003 -0 - 0,0058 - Tidak ada perjalanan -

2 Normal dengan beban tidak seimbang 0,0011 -0 - 0,005 - - -
3 Normal dengan beban Non-linear 0 - 0,0014 - 0,0001 - - -
4 LG eksternal 0,0017 - 0,0005 -0 - Tidak ada perjalanan -
5 LLG eksternal 0 - 0,0067 -0 - Tidak ada perjalanan -
6 LL eksternal 0 - 0,0033 - 0,001 - Tidak ada perjalanan -
7 kesalahan simetris eksternal 0,0087 - 0.01 -0 - Tidak ada perjalanan -
8 LG internal 1 3 0,9998 2 0,9997 2 Perjalanan 5
9 internal LLG 1 4 1 4 1 3 Perjalanan 2
10 internal LL 1 3 1 4 1 3 Perjalanan 3
11 kesalahan simetris internal 1 2 1 2 1 2 Perjalanan 2
12 gilirannya Inter pada 20% dari berliku 1 4 0,9991 4 0,9994 3 Perjalanan 9
Titik tegangan 3-ph
- 2 0 2 x 10 4
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-NN
0,5 1
R-FNN Sesar
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-FNPN
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
Waktu (msec)
6.2 Half beban penuh Kasus Tabel (2) menjelaskan besarnya dan waktu tunda output untuk pendekatan yang diusulkan, NN relay, FNN relay,
FNPN relay dan estafet diferensial konvensional untuk kasus setengah beban penuh. Tabel (2) menunjukkan bahwa pendekatan yang diusulkan tidak
memiliki perjalanan output untuk (operasi normal, dan kasus kesalahan eksternal). NN-estafet memiliki keluaran perjalanan untuk kasus-kasus
gangguan internal dengan waktu tunda (2-5) ms, FNN relay memiliki keluaran perjalanan untuk kasus-kasus gangguan internal dengan waktu tunda
(2-4) ms dan FNPNrelay memiliki keluaran perjalanan untuk gangguan internal kasus dengan waktu delay (2-3) ms. diferensial estafet konvensional
tidak memiliki perjalanan output untuk operasi normal dan kasus kesalahan eksternal, sedangkan untuk kasus kerusakan internal memiliki perjalanan
output dengan waktu tunda (3-11) ms.
Contoh kasus ini adalah kesalahan LLG internal ditunjukkan pada Gambar (10), sebuah kesalahan internal LLG (2phase ABG) terjadi pada t = 3ms,
seperti yang terlihat dari Gambar (10), NN-estafet mendeteksi kesalahan setelah 2ms (yaitu pada t = 5ms) dan output perjalanan setelah 3ms (yaitu
di = 6ms), sementara FNN-relay dan FNPN-estafet keduanya mendeteksi kesalahan setelah 1ms (yaitu pada t = 4ms) dan Output perjalanan setelah
2ms kesalahan terjadi (yaitu pada t = 5ms), maka FNN-relay dan FNPN-relai memberikan output perjalanan lebih cepat dari NN-relay.
Tidak Kasus NN Menyampaikan FNN Menyampaikan FNPN Menyampaikan Konvensional Diff.

Menyampaikan
1 Operasi normal 0,0006 - 0.02 - 0,0036 - Tidak ada perjalanan -

2 Normal dengan beban tidak seimbang 0,001
GAMBAR 9: Relay Output untuk internal LG-Patahan
0 - Case0,0038
untuk Beban Penuh - - -
3 Normal dengan beban Non-linear 0,008 -0 - 0,0016 - - -
4 LG eksternal 0,0036 - 0,0003 -0 - Tidak ada perjalanan -
6 LL eksternal 0 - 0,0034 -0 - Tidak ada perjalanan -
7 kesalahan simetris eksternal 0 - 0.019 - 0,002 - Tidak ada perjalanan -
8 LG internal 0,9994 2 0,9993 2 0,9981 2 Perjalanan 5
9 internal LLG 1 5 1 4 1 3 Perjalanan 3
10 internal LL 1 3 0,9912 3 0,9995 3 Perjalanan 3
11 kesalahan simetris internal 0,9999 3 0,9882 2 1 2 Perjalanan 3
12 gilirannya Inter pada 20% dari berliku 1 4 0,9999 4 0,9991 3 Perjalanan 11
TABEL 2: Hasil Simulasi untuk Half Full Beban Kasus
tegangan 3-ph
- 2 0 2 x 10 4
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
Sesar Titik
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-FNN R-NN
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-FNPN
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
Waktu (msec)
GAMBAR 10: Relay Output untuk internal LLG Patahan untuk Half Full Beban Kasus
6.3 Quarter beban penuh Kasus Table (3) menjelaskan besarnya dan waktu tunda output untuk pendekatan yang diusulkan,
NN relay, FNN relay, FNPN relay dan estafet diferensial konvensional untuk kasus kuartal beban penuh.
Tabel (3) menunjukkan bahwa pendekatan yang diusulkan tidak memiliki perjalanan output untuk (operasi normal, dan kasus kesalahan eksternal). NN-estafet
memiliki keluaran perjalanan untuk kasus-kasus gangguan internal dengan waktu tunda (3-6) ms, FNN relay memiliki keluaran perjalanan untuk kasus-kasus
gangguan internal dengan waktu tunda (3-5) ms dan FNPNrelay memiliki keluaran perjalanan untuk gangguan internal kasus dengan waktu delay (2-5) ms.
diferensial estafet konvensional tidak memiliki keluaran Perjalanan untuk operasi normal dan kesalahan eksternal kasus, sedangkan untuk kasus kerusakan
internal memiliki perjalanan output dengan waktu tunda (3-12) ms.
Contoh kasus ini adalah kesalahan LLLG internal ditunjukkan pada Gambar (11), sebuah kesalahan internal LLLG (3-fase ABCG) terjadi pada t =
10 ms, seperti yang terlihat dari Gambar (11), NN-estafet mendeteksi kesalahan setelah 1ms (yaitu pada t = 11ms) dan output perjalanan setelah
2ms (yaitu pada t = 12ms), sementara FNN-relay dan FNPN-estafet keduanya mendeteksi kesalahan pada t = 10 ms) dan output perjalanan
setelah 1ms kesalahan terjadi (yaitu pada t = 11ms), maka FNN-relay dan FNPN-relai memberikan output perjalanan lebih cepat dari NN-relay.
Tidak Kasus NN Menyampaikan FNN Menyampaikan FNPN Menyampaikan Konvensional Diff.

Menyampaikan

1 Operasi normal 0,0011 -0 - 0,0093 - Tidak ada perjalanan -

2 Normal dengan beban tidak seimbang 0,0001 -0 - 0,0068 - - -
3 Normal dengan beban Non-linear 0 -0 -0 - - -
4 LG eksternal 0,086 - 0,0233 - 0,001 - Tidak ada perjalanan -

6 LL eksternal 0 - 0,0032 -0 - Tidak ada perjalanan -
7 kesalahan simetris eksternal 0 - 0,0196 -0 - Tidak ada perjalanan -
8 LG internal 1 6 0,9999 5 0,9376 5 Perjalanan 7
9 internal LLG 0,9908 6 1 5 1 4 Perjalanan 3
10 internal LL 1 3 1 4 1 2 Perjalanan 3
11 kesalahan simetris internal 1 3 1 3 1 4 Perjalanan 3
12 gilirannya Inter pada 20% dari berliku 1 4 0,9978 5 1 4 Perjalanan 12
TABEL 3: Hasil Simulasi untuk Triwulan Beban Kasus
kesalahan Titik tegangan 3-ph
- 2 0 2 x 10 4
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-NN
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-FNN
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
R-FNPN
0,5 1
0
3 6 9 0 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 60
Waktu (msec)
GAMBAR 11: Relay Output untuk internal LLLG Patahan untuk Triwulan Beban Kasus
7. KESIMPULAN
Pendekatan menyampaikan diusulkan untuk melindungi generator listrik, dengan menggunakan prinsip dasar sebagai diferensial saat
ini dan ketiga harmonik arus diferensial. Metode ini digunakan sebagai masukan untuk NN-relay, FNN-relay dan FNPN-relay, yang
memiliki solusi yang baik untuk kasus ketidakpastian. Perbandingan pendekatan yang diusulkan dengan perlindungan diferensial
konvensional, yang memiliki sifat-sifat relay perlindungan yang baik dari kecepatan operasi, sensitivitas dan keandalan, mana yang
memiliki kurang dari setengah siklus sebagai rata-rata untuk mengoperasikan, pendekatan ini memiliki baik sensitif untuk generator
antar-turn kesalahan pada setiap titik dalam belitan stator, dengan keandalan yang tinggi untuk membedakan antara kasus kesalahan
dan kasus non kesalahan. Hasil yang diperoleh menunjukkan bahwa pendekatan yang diusulkan merupakan tindakan yang tepat dan
kinerja yang baik. Hasil tes juga menjelaskan bahwa FNN-relay dan FNPN-estafet lebih cepat dalam operasi dari NN-estafet dalam
beberapa kasus kesalahan.
8. PUSTAKA
[1] Pelindung Aplikasi Relay Gratis. Inggris Electric Company Limited, Relay
Divisi, Stafford, 1975.
[2] CJ Mozina. "IEEE Tutorial tentang Perlindungan Generator Synchronous." IEEE Tutorial
Tentu saja, IEEE Power Engineering Masyarakat khusus Publ., No. 95 TP102 1995.
[3] AI Megahed, dan op Malik. "Skema diferensial digital berdasarkan Artificial neural network untuk generator
sinkron belitan stator perlindungan." Transaksi IEEE Power Delivery, vol. 14, Januari 1999.
[4] MS Sachdev (Koordinator). "Microprocessor Relay dan Perlindungan Systems." IEEE Totorial Course Text, Power
Engineering Masyarakat khusus Publ. No. 88 EH0269-1-PWR, IEEE, Piscatway, NJ, USA, 1988.
[5] G. Benmouyal, S. Barceloux, dan R. Pelletier. "Pengalaman di lapangan dengan relay digital untuk generator
sinkron." Transaksi IEEE Power Delivery, vol. 7, No 4, Oktober
1992.
[6] T. Dalstein dan B. Kulicke. "Pendekatan Neural Network untuk Patahan Klasifikasi untuk Internet Kecepatan
pelindung Relaying." IEEE Trans. Power Delivery, vol. 10, No. 2, pp. 1002-
1011, April 1995.
[7] M. Kezonuic. "Sebuah Survei Neural Net Application untuk pelindung Relaying dan Analisis Fault." Eng. Int. Sys.
Vol. 5, No 4, pp. 185-192, Desember 1997.
[8] Z. Zhi-hua, dan Ch. Shi-fu. "Neural Network Ensemble [J]." Cina J. Komputer, 25
(1), pp.1-8 2002.
[9] T. Murata. "Petri Net:. Properties, analisis, aplikasi" di Proc. IEEE, 77, (4), hlm. 541-
580 1989.
[10] DE Rumelhart, GE Hinton dan RJ Willians. "Belajar internal Representasi oleh Kesalahan Propagasi." secara paralel
Distributed Processing: Explorations di Mikro Kognisi (eds Rumelhart dan McClelland.), vol. Aku, MIT Press, hlm.
318-362 1986.
[11] DJ Sobajic dan YH Pao. "Berdasarkan Artificial Neural Net Dinamis Penilaian Keamanan untuk Sistem Tenaga
Listrik." IEEE Trans. Pada Power Systems, Vol. 4, No 1, pp. 220-
224 1989 Februari
[12] AF Sultan, GW Swif dan DJ Fedirchuk. "Deteksi Tinggi Impedansi Arcing

Kesalahan Menggunakan Multi-Layer. "IEEE Trans., Kekuatan Pengiriman, vol. 7, No. 4, Oktober 1992.
[13] Z. Moravej dan DN Vishwakarma. "Berbasis ANN Harmonic Restraint Differential

Perlindungan Power Transformer. "Vol. 84, Juni 2003.
[14] RJ Wai, Ch. Ch. Chu. "Kuat Petri Fuzzy Neural Network Control untuk Linear Induction
Motor Drive. "IEEE trans., Vol. 54, hlm. 177-189 2007.
[15] W. Pedrycz dan F. Gomide. "A Generalized Fuzzy Petri Model Net." IEEE Trans. Di
Sistem Fuzzy, vol. 2, No. 4, November 1994.
[16] JB Gupta. A Course in Power System. 2003.
[17] D. Finney. "Dynamic Testing Perlindungan Generator Menggunakan Model Generator

Platform. "GE Power Management 215 Anderson Avenue, Markham, Ontario, Kanada L6E 1B3, Atlanta, GA, 1-3
Mei 2002.
[18] CR Mason. The Art & Science of Protective Relaying. 2002.

9 1 en Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

9 1 en Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Dr. Abduladhem A. Ali, Dr. Abaas H.

Abaas & Ahmed Thamer Radhi

Differential Perlindungan Generator dengan Menggunakan Neural Network,

Prof. Dr. Abduladhem A. Ali abduladem1@yahoo.com

Asst. Prof. Dr. Abaas H. Abaas abbashafeth@yahoo.com

Ahmed Thamer Radhi dr.ahmed197750@yahoo.com

GAMBAR 1: Ideal Neuron Operasi

Si= Wijuj + ib (1)

Dimana: W aku j adalah berat koneksi dari unit j unit i.

Output u saya unit i dinyatakan oleh satuan i input S saya:

Dimana, f (x) biasanya, namun tidak diperlukan fungsi sigmoid seperti:

f (x) = 1 / (1 + exp (-x)) (- < x <+ ) (3)

Bobot yang disesuaikan:

w aku j( t + 1) = w aku j( t) + w aku j (5)

3. NETWORK NEURAL FUZZY

1. Input lapisan: Mengirim input linguistik

2. Lapisan Tersembunyi I: lapisan Keanggotaan

Output dari lapisan ini diberikan sebagai [14]:

dimana saya mewakili i th output lapisan aturan.

E = 1/2 (Y Hai- Y p) 2 (9)

layer 1 layer 2 layer 3 layer 4

GAMBAR 2: Struktur FNN

w saya( k + 1) = w saya( k) - w E / w saya (10)

c aku j( k + 1) = c aku j( k) - c E / c aku j (11)

s aku j( k + 1) = s aku j( k) - s E / s aku j (12)

E / w i = ( Y Hai- Y p) HAI saya (13)

E / c ij = ( Y Hai- Y p) HAI saya w saya( x J- c aku j)/ s 2 aku j (14)

E / s ij = ( Y Hai- Y p) HAI saya w saya( x J- c ij) 2 / s 3 aku j (15)

w saya( k + 1) = w saya( k) - w ( Y Hai- Y p) HAI saya (16)

s aku j( k + 1) = s aku j( k) - s ( Y Hai- Y p) HAI saya w saya( x J- c ij) 2 / s 3 aku j (18)

4. FUZZY NEURAL PETRI NET

1- Sebuah lapisan input terdiri dari tempat n masukan. 2- Lapisan transisi

masukan transisi Output

masukan tersembunyi Output

GAMBAR 3: Struktur FNPN

GAMBAR 4: Sebuah bagian dari jaring menguraikan notasi

Di mana f adalah fungsi pemetaan segitiga ditampilkan di Gambar (5).

GAMBAR 5: Fungsi pemetaan segitiga P j = f ( Input

Sebuah b = sup {c [ 0,1], ATC b} (21)

Di mana a, b adalah argumen dari operator implikasi terbatas interval satuan.

. jika b> ba 0, dan jika= 1 b = 0

Jika T-norma didefinisikan sebagai operator perkalian ( ) kemudian

.No Transisi dari

Yk= f ( ZVi ) . j = 1, 2, ...., n

Pembaruan parameter dilakukan menurut metode gradien:

param (iter + 1) = param (iter) - param

Diagram alir pembelajaran algoritma ditunjukkan pada Gambar (6).

Mengingat Input & Output Matriks

Parameter diinisialisasi: (W, V) untuk NN

Mengingat nilai ambang kesalahan (E th)

Mengambil pola masukan dari set pertama

Menemukan kesalahan dari yang diberikan set = E (set)

Update Parameter: (W, V) untuk NN

Untuk Set = 1 untuk

E berarti = 0,5 * E jumlah

Jika E berarti <= E th

Hemat Parameter (W, V, r, C, S)

GAMBAR 6: Belajar Mekanisasi Algoritma yang diusulkan

5. USULAN menyampaikan PENDEKATAN GENERATOR

5.1 Simulasi Model Generator

GAMBAR 7: Model simulasi Generator

5.2 Pola Generation dan Preprocessing

ANGKA 8: Proses Generation Pola pelatihan