fa تعیین نوع و سطح تماس خطای امپدانس بالا در شبکه‌های توزیع با استفاده از روش‌های تشخیص الگو قدرت Power پژوهشي Research <p><span dir="RTL">در این مقاله، به کمک روش</span>&shy;<span dir="RTL">های تشخیص الگو نوع خطای امپدانس بالا که می</span>_&shy;<span dir="RTL">تواند بریده شده یا بریده نشده باشد و همچنین سطحی که خطای امپدانس بالا بر روی آن اتفاق افتاده است تشخیص داده شده است. روش</span>&shy;<span dir="RTL">های مذکور عبارتند از: تبدیل </span>TT<span dir="RTL"> و تبدیل </span>S<span dir="RTL"> در بخش استخراج ویژگی، ماشین بردار تکیه گاه چند لایه و شبکه عصبی </span>Fuzzy ART<span dir="RTL"> در بخش کلاسه بندی. در این روش&shy;ها، ویژگی‌ها شامل انرژی، انحراف از معیار و انحراف مطلق از میانگین هستند که از یک پنجره داده به طول یک سیکل با استفاده از اطلاعات زمان- زمان ماتریس حاصل از تبدیل‌</span>TT<span dir="RTL"> و اطلاعات زمان </span><span dir="RTL">&ndash;</span><span dir="RTL"> فرکانسی ماتریس حاصل از تبدیل</span>S<span dir="RTL"> به دست می‌آیند. سپس این ویژگی</span>&shy;<span dir="RTL">ها به ماشین بردار تکیه گاه چند لایه و شبکه عصبی </span>Fuzzy ART<span dir="RTL"> اعمال می</span>&shy;<span dir="RTL">شوند تا نوع خطای امپدانس بالا و سطح تماس تشخیص داده شوند. </span><span dir="RTL">نتایج حاصل از بکارگیری الگوریتم پیشنهادی بر روی داده‌های واقعی بدست آمده از آزمایش‌های عملی خطای امپدانس بالا، حاکی از آن است که ویژگی</span>&shy;<span dir="RTL">های استخراج شده از تبدیل‌</span>TT<span dir="RTL"> نسبت به تبدیل </span>S<span dir="RTL"> بهتر بوده و همچنین شبکه عصبی </span>Fuzzy ART<span dir="RTL"> دارای دقت بیشتری در دسته بندی در برابر ماشین بردار تکیه گاه چند لایه است.</span></p> <p>In this paper, pattern recognition algorithms are employed to detect and classify the type of high impedance faults (broken and unbroken) and in case of broken ones to determine the surface (gravel, asphalt and concrete) which the conductor has become in contact with it in power distribution networks.</p> <p>These methods are multilayer SVM and Fuzzy ART classifiers on the bases of features extracted by S-transform and TT-transform from feeder one cycle post-fault current waveforms. These features include energy, standard deviation and median absolute deviation.</p> <p>The proposed algorithms have been tested on different data set, obtained from field tests and simulated data for events with similar characteristics. The results have shown that the features which are extracted by applying TT-transform contain more information and separability characteristics than those extracted by S-transform and also Fuzzy ART classifier has more accuracy in comparison with multilayer SVM.</p> حفاظت شبکه توزیع, خطای امپدانس بالا, تشخیص الگو, تبدیلS, تبدیلTT, ماشین بردار تکیه‌گاه, شبکه عصبی ART Classification, High impedance fault, S-transform, TT-transform, Support Vector Machine, ART neural network. 95 108 http://jiaeee.com/browse.php?a_code=A-10-1-49&slc_lang=fa&sid=1 I. Nikoofekr ایمان نیکوفکر 1003194753284600198 1003194753284600198 Yes M. Sarlak مصطفی سرلک 1003194753284600199 1003194753284600199 No S. M. Shahrtash سید محمد شهرتاش 1003194753284600200 1003194753284600200 No