Differential Protection of ISPST Using Chebyshev Neural Network ‎
Article Type:
Research/Original Article (دارای رتبه معتبر)

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.

Journal of Operation and Automation in Power Engineering, Volume:11 Issue: 2, Summer 2023
123 to 129
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!