به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

a. agrawal

  • توحید قنبری، بهروز طوسی، محمد فرهادی کنگرلو

    یک ترانسفورماتور تغییر فاز متقارن غیرمستقیم (ISPST) هم مدارهای متصل الکتریکی و هم مدارهای جفت شده مغناطیسی را نشان می دهد که آن را در مقایسه با ترانسفورماتور قدرت منحصر به فرد می کند. تمایز موثر بین جریان هجومی ترانسفورماتور و جریان خطای داخلی برای جلوگیری از خاموش شدن نادرست رله دیفرانسیل ضروری است. این تحقیق سیستمی را پیشنهاد می کند که از یک شبکه عصبی چبیشف (ChNN) به عنوان طبقه بندی کننده هسته برای تشخیص چنین خطاهای داخلی استفاده می کند. برای شبیه سازی از نرم افزار PSCAD/EMTDC استفاده کردیم. خطاهای داخلی و هجوم به روش های مختلف با استفاده از پارامترهای مختلف ISPST شبیه سازی شده اند. یک مجموعه داده بزرگ و شبیه سازی شده استفاده می شود و عملکرد در برابر ISPST با اندازه های مختلف ثبت می شود. ما دقت کلی بیش از 99٪ را مشاهده کردیم. طبقه بندی کننده ChNN نتایج فوق العاده مطلوبی را حتی در مورد سیگنال های نویزدار، اشباع CT و پارامترهای مختلف ISPST ایجاد می کند.

    کلید واژگان: انرژی بخشی، خطا داخلی، شبکه عصبی چبیشف (ChNN)
    S. K. Bhasker *, M. Tripathy, A. Agrawal, A. Mishra

    An Indirect Symmetrical Phase Shift Transformer (ISPST) represents both electrically connected and magnetically coupled circuits, which makes it unique compared to a power transformer. Effective differentiation between transformer inrush current and internal fault current is necessary to avoid incorrect differential relay tripping. This research proposes a system that uses a Chebyshev Neural Network (ChNN) as a core classifier to distinguish such internal faults. For simulations, we used PSCAD/EMTDC software. Internal faults and inrush have been simulated in various ways using various ISPST parameters. A large, simulated dataset is used, and performance is recorded against different sized ISPSTs. We observed an overall accuracy greater than 99%. The ChNN classifier generated exceptionally favorable results even in case of noisy signal, CT saturation, and different ISPST parameters.

    Keywords: Energization, Internal Fault, Chebyshev Neural Network (ChNN), ISPST, PSCAD, EMTDC.‎
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال