PHÁT HIỆN VÀ PHÂN LOẠI SỰ CỐ ĐƯỜNG DÂY TRUYỀN TẢI  DỰA TRÊN MÔ HÌNH LAI DWT-GAF-CNN TỔ HỢP

Nguyễn Thị Hoài Thu; Hoàng Quốc Hưng

doi:10.34238/tnu-jst.12240

PHÁT HIỆN VÀ PHÂN LOẠI SỰ CỐ ĐƯỜNG DÂY TRUYỀN TẢI DỰA TRÊN MÔ HÌNH LAI DWT-GAF-CNN TỔ HỢP

Thông tin bài báo

Ngày nhận bài: 07/03/25 Ngày hoàn thiện: 07/05/25 Ngày đăng: 08/05/25

Các tác giả

1. Nguyễn Thị Hoài Thu , Trường Điện- Điện tử - Đại học Bách khoa Hà Nội
2. Hoàng Quốc Hưng, Trường Điện- Điện tử - Đại học Bách khoa Hà Nội

Tóm tắt

Nghiên cứu này đề xuất một mô hình lai kết hợp biến đổi wavelet rời rạc, trường góc Gramian và mạng nơ-ron tích chập tổ hợp để phát hiện và phân loại sự cố trên đường dây truyền tải. Các dạng sóng điện áp và dòng điện của từng pha được phân tách và khử nhiễu bằng phương pháp biến đổi wavelet rời rạc trước khi chuyển đổi thành ảnh chuỗi thời gian bằng trường góc Gramian để trích xuất đặc trưng. Các ảnh này được đưa vào một mô hình mạng nơ-ron tích chập tổ hợp, bao gồm 6 mạng mạng nơ-ron tích chập song song xử lý tín hiệu điện áp và dòng điện của từng pha, sau đó được ghép nối lại đưa ra kết quả nhận dạng loại ngắn mạch. Phương pháp đề xuất được đánh giá bằng cách sử dụng dữ liệu từ mô phỏng một hệ thống điện đơn giản với hai máy phát điện, xem xét các loại sự cố khác nhau tại nhiều vị trí khác nhau trên đường dây truyền tải. Mô hình đề xuất vượt trội hơn so với các mô hình mạng nơ-ron tích chập thông thường, mô hình lai trường góc Gramian – Mạng có bộ nhớ dài ngắn hạn và mô hình lai biến đổi wavelet rời rạc – máy vec tơ hỗ trợ. Mô hình đạt độ chính xác trên 95% trong việc phát hiện và phân loại sự cố, đồng thời đảm bảo thời gian xử lý nhanh.

Từ khóa

Mạng nơ ron tích chập; Biến đổi wavelet rời rạc; Phát hiện lỗi; Phân loại; Lỗi đường dây truyền tải

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] A. M. Aboelezz, A.A. Eladl, M.T. A. Amasha, M. H. Elderigi, M. A. Mohamed, S. W. Aldaodaoa, A. R. Elhameyd, H. M. Alnegeri, T. M. Elshreef, A. A. Eldwany, M. S. Shabka, B. N. Alhasnawi, B. E. Sedhom, and V. Bureš, “Efficient fault detection, localization, and isolation in MT-HVDC systems based on distance protection and LoRaWAN communication,” Energy Reports, vol. 10, pp. 4183–4197, Nov. 2023, doi: 10.1016/j.egyr.2023.10.083.

[2] A. P. Oliveira, F. A. Moreira, and A. F. Picanço, “Accuracy analysis using the EMD and VMD for two-terminal transmission line fault location based on traveling wave theory,” Electric Power Systems Research, vol. 224, Nov. 2023, Art. no. 109667, doi: 10.1016/j.epsr.2023.109667.

[3] S. Belagoune, N. Bali, A. Bakdi, B. Baadji, and K. Atif, “Deep learning through LSTM classification and regression for transmission line fault detection, diagnosis and location in large-scale multi-machine power systems,” Measurement, vol. 177, Jun. 2021, Art. no. 109330, doi: 10.1016/j.measurement.2021.109330.

[4] S. R. Fahim, Y. Sarker, S. K. Sarker, M. R. I. Sheikh, and S. K. Das, “Self attention convolutional neural network with time series imaging based feature extraction for transmission line fault detection and classification,” Electric Power Systems Research, vol. 187, Oct. 2020, Art. no. 106437, doi: 10.1016/j.epsr.2020.106437.

[5] A. P. Shafei, J. F. A. Silva, and J. Monteiro, “Convolutional neural network approach for fault detection and characterization in medium voltage distribution networks,” e-Prime - Advances in Electrical Engineering, Electronics and Energy, vol. 10, Dec. 2024, Art. no. 100820, doi: 10.1016/j.prime.2024.100820.

[6] B. Khabaz, M. Saad, and H. Mehrjerdi, “Fault classification in distribution system utilizing imaging time-series, convolutional neural network and adaptive relay protection,” Electric Power Systems Research, vol. 238, Jan. 2025, Art. no. 111143, doi: 10.1016/j.epsr.2024.111143.

[7] A. Abdullah, “Ultrafast Transmission Line Fault Detection Using a DWT-Based ANN,” IEEE Transactions on Industry Applications, vol. 54, no. 2, pp. 1182–1193, Mar. 2018, doi: 10.1109/TIA.2017.2774202.

[8] S. Bhaumik, A. Chattopadhyaya, and J. N. Bera, “Detection and classification of faults in renewable energy penetrated stand alone microgrids using SVM and DWT techniques,” Electric Power Systems Research, vol. 245, Aug. 2025, Art. no. 111634, doi: 10.1016/j.epsr.2025.111634.

[9] Q. Zhang, Z. Qi, P. Cui, M. Xie, and J. Din, “Detection of single-phase-to-ground faults in distribution networks based on Gramian Angular Field and Improved Convolutional Neural Networks,” Electric Power Systems Research, vol. 221, Aug. 2023, Art. no. 109501, doi: 10.1016/j.epsr.2023.109501.

[10] Q. Zhang, W. Ma, G. Li, J. Ding, and M. Xie, “Fault diagnosis of power grid based on variational mode decomposition and convolutional neural network,” Electric Power Systems Research, vol. 208, Jul. 2022, Art. no. 107871, doi: 10.1016/j.epsr.2022.107871.

DOI: https://doi.org/10.34238/tnu-jst.12240

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ