مکان یابی خطای اتصال کوتاه در خطوط انتقال جریان مستقیم ولتاژ بالا با استفاده از شبکه عصبی رگرسیون تعمیم یافته و الگوریتم جنگل تصادفی

این مقاله روشی مبتنی بر استراتژی های یادگیری ماشین برای حل مسئله مکان یابی خطا در خطوط انتقال جریان مستقیم ولتاژ بالا (HVDC) ارائه می دهد. در روش مکان یابی پیشنهادی، تنها از سیگنال ولتاژ پس از خطای اندازه گیری شده از یک پایانه برای استخراج ویژگی های موردنیاز بهره گیری می شود. در این مقاله، متناسب با بعد بالای بردار ویژگی های ورودی، امکان استفاده از دو تخمین گر متفاوت شامل شبکه عصبی رگرسیون تعمیم یافته (GRNN) و الگوریتم جنگل تصادفی (RF) برای یافتن رابطه موجود بین ویژگی های الگوها و مکان وقوع خطا مورد بررسی قرار می گیرد. نتایج ارزیابی با استفاده از الگوهای یادگیری و تست بدست آمده از شبیه سازی انواع خطاها در یک خط انتقال هوایی بلند و بر اساس مقادیر مختلف محل وقوع خطا، مقاومت خطا و جریان پیش از خطا، نشان دهنده کارآیی و دقت قابل قبول روش پیشنهادی می باشند.