عنوان

Faults Detection in Distribution Networks Using Artificial Neural Network

Number

T27587

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

Faults Detection in Distribution Networks Using Artificial Neural Network

General Material Designation

Dissertation

First Statement of Responsibility

ALI MIZHER MOHAMMED AL-IBRAA

Name of Publisher, Distributor, etc.

Electrical and Computer Engineering

Date of Publication, Distribution, etc.

1401

Specific Material Designation and Extent of Item

75p.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S.

Discipline of degree

Electrical Engineering

Date of degree

1401/08/09

Text of Note

Faults on electrical distribution systems can be divided into three-phase balanced faults and unbalanced faults. The balanced faults types are three-phase fault and three-phase to ground (TPG) fault. Three types of unbalanced fault occurrence on electrical distribution systems are single line to ground (SLG) faults, line to line (LL) faults, and double line to ground (DLG) faults. Fault studies are used to select and set the proper protective devices and switchgears. These faults reduce the reliability of the system's operation, and are a source of threat to the continuity of electric power. It is not possible to completely avoid these Faults, it is important to determine the location and type of the fault and disconnect it quickly so that the damage caused by this fault to the distribution system is kept as small as possible. Standards of surge current are used in protection devices at the present time, as using the current surge standard is the simplest and fastest way to determine the fault. Many methods have been adopted in the past in order to serve the purpose as fault detection and calculation. These methods consist of various ways of mathematical calculation which is difficult and taking long time to perform. In this thesis design the intelligent algorithm based fault detection, location, fault type classification and fault current calculation using Artificial Neural Networks (ANN). Proposed intelligent algorithm used two ANN technique, which are ANN radial basis (ANNRB) and ANN Backpropagation technique (ANNBP) based fault detection has been predicted the fault occurs calculation and location for each fault type. Moreover, impedance building algorithm and fault calculation algorithm are implemented to find the fault training data in the distribution system for ANN learning on the fault detection and type. ANNRB and ANNBP are best method to train the ANN. Therefore, this training technique used to learn of proposed ANN in this work. Proposed algorithm has been applied on two actual distribution systems to know success of proposed algorithm, which are Iraqi Alakraman-Hilla distribution system (57-bus) and 69-bus IEEE distribution system. MATLAB program is used to design the ANN based fault detection, location, fault type classify and fault current calculation. This work proposes ANN based protection of distribution systems faults, which mainly includes three parts: first, fault study and type fault. Secondly, detecting fault current and location fault. Finally, detection fault as quickly and predicated as possible using ANNRB, ANNBP and compared with traditional method. Moreover, monitoring of fault detection system in main substation to know the operator fault type, location and current at occurs.

Text of Note

خطاهای سیستم های توزیع برق را می توان به خطاهای متعادل سه فاز و خطاهای نامتعادل تقسیم کرد. انواع خطاهای متعادل عبارتند از خطای سه فاز و خطای سه فاز به زمین (TPG). سه نوع وقوع خطا نامتعادل در سیستم های توزیع برق عبارتند از: خطاهای تک خط به زمین (SLG)، خطاهای خط به خط (LL) و خطاهای دو خط به زمین (DLG). از مطالعات خطا برای انتخاب و تنظیم وسایل حفاظتی و تابلو برق مناسب استفاده می شود. این خطاها قابلیت اطمینان عملکرد سیستم را کاهش می دهد و منبع تهدیدی برای تداوم نیروی الکتریکی است. اجتناب کامل از این خطاها امکان پذیر نیست، مهم این است که محل و نوع عیب را مشخص کرده و سریع آن را قطع کنید تا آسیب ناشی از این عیب به سیستم توزیع تا حد امکان کم شود. در حال حاضر از استانداردهای جریان افزایشی در دستگاه های حفاظتی استفاده می شود، زیرا استفاده از استاندارد افزایش جریان، ساده ترین و سریع ترین راه برای تعیین عیب است. روش های بسیاری در گذشته به منظور خدمت به هدف به عنوان تشخیص خطا و محاسبه اتخاذ شده است. این روش ها از روش های مختلف محاسبه ریاضی تشکیل شده است که انجام آن دشوار و زمان زیادی می برد. در این پایان نامه تشخیص خطا، مکان، طبقه بندی نوع خطا و محاسبه جریان خطا بر اساس الگوریتم هوشمند با استفاده از شبکه های عصبی مصنوعی (ANN) طراحی شده است. الگوریتم هوشمند پیشنهادی با استفاده از دو تکنیک ANN، که مبتنی بر ANN شعاعی (ANNRB) و روش ANN Backpropagation (ANNBP) مبتنی بر تشخیص خطا است، محاسبه و مکان وقوع خطا برای هر نوع خطا را پیش‌بینی کرده است. علاوه بر این، الگوریتم ساخت امپدانس و الگوریتم محاسبه خطا برای یافتن داده‌های آموزش خطا در سیستم توزیع برای یادگیری ANN در تشخیص و نوع خطا پیاده‌سازی می‌شوند. ANNRB و ANNBP بهترین روش برای آموزش ANN هستند. بنابراین، از این تکنیک آموزشی برای یادگیری ANN پیشنهادی در این کار استفاده شد. الگوریتم پیشنهادی بر روی دو سیستم توزیع واقعی برای آگاهی از موفقیت الگوریتم پیشنهادی استفاده شده است که عبارتند از: سیستم توزیع عراقی الکرامان-هیلا (57 باس) و سیستم توزیع 69 شینه IEEE. برنامه متلب برای طراحی تشخیص عیب مبتنی بر شبکه عصبی مصنوعی، مکان، طبقه بندی نوع خطا و محاسبه جریان خطا استفاده می شود. این کار حفاظت مبتنی بر ANN از خطاهای سیستم های توزیع را پیشنهاد می کند که عمدتاً شامل سه بخش است: اول، مطالعه خطا و خطای نوع. ثانیاً، تشخیص جریان خطا و خطای مکان. در نهایت، با استفاده از ANNRB، ANNBP و مقایسه با روش سنتی، خطا را در سریع ترین زمان ممکن و پیش بینی کرد. علاوه بر این، نظارت بر سیستم تشخیص عیب در پست اصلی برای اطلاع از نوع عیب اپراتور، محل و جریان در آن صورت می گیرد.

Variant Title

تشخیص عیب در شبکه های توزیع با استفاده از شبکه عصبی مصنوعی

Subject Term

artificial neural network (ANN), Distribution power system, Fault analysis, Fault types, detection and location.

Subject Term

شبکه عصبی مصنوعی (ANN)، سیستم قدرت توزیع، تجزیه و تحلیل خطا، انواع خطا، تشخیص و مکان.

Entry Element

MIZHER MOHAMMED AL-IBRAA,

Part of Name Other than Entry Element

ALI

Relator Code

Producer

Entry Element

ZARE,

Entry Element

SEYEDI,

Part of Name Other than Entry Element

KAZEM

Part of Name Other than Entry Element

HERESH

Relator Code

Thesis advisor

Relator Code

Consulting advisor

Entry Element

Tabriz

Country

ایران

Agency

Central Library of Tabriz University

Call Number

ارشد پایاننامه TK7871.M5 1401

Electronic name

ALI MIZHER MOHAMMED AL-IBRAA

Contact for access assistance

عبادی

e

TL

276903

a

Y