دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 4 2 2013 08 23 Fault Locating in HVDC Transmission Lines Using Generalized Regression Neural Network and Random Forest Algorithm مکان‌یابی خطای اتصال کوتاه در خطوط انتقال جریان مستقیم ولتاژ بالا با استفاده از شبکه عصبی رگرسیون تعمیم‌یافته و الگوریتم جنگل تصادفی 14 1 15365 FA محمد فرشاد دانشجوی دکتری، گروه برق- دانشکده مهندسی- دانشگاه فردوسی مشهد- مشهد- ایران جواد ساده - دانشیار، گروه برق- دانشکده مهندسی- دانشگاه فردوسی مشهد- مشهد- ایران Journal Article 2016 06 14 This paper presents a novel method based on machine learning strategies for fault locating in high voltage direct current (HVDC) transmission lines. In the proposed fault-location method, only post-fault voltage signals measured at one terminal are used for feature extraction. In this paper, due to high dimension of input feature vectors, two different estimators including the generalized regression neural network (GRNN) and the random forest (RF) algorithm are examined to find the relation between the features and the fault location. The results of evaluation using training and test patterns obtained by simulating various fault types in a long overhead transmission line with different fault locations, fault resistance and pre-fault current values have indicated the efficiency and the acceptable accuracy of the proposed approach. این مقاله روشی مبتنی بر استراتژی‌های یادگیری ماشین برای حل مسئله مکان‌یابی خطا در خطوط انتقال جریان مستقیم ولتاژ بالا (HVDC) ارائه می‌دهد. در روش مکان‌یابی پیشنهادی، تنها از سیگنال ولتاژ پس از خطای اندازه‌گیری شده از یک پایانه برای استخراج ویژگی‌های موردنیاز بهره‌گیری می‌شود. در این مقاله، متناسب با بُعد بالای بردار ویژگی‌های ورودی، امکان استفاده از دو تخمین‌گر متفاوت شامل شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و الگوریتم جنگل تصادفی (RF) برای یافتن رابطه موجود بین ویژگی‌های الگوها و مکان وقوع خطا مورد بررسی قرار می‌گیرد. نتایج ارزیابی با استفاده از الگوهای یادگیری و تست بدست آمده از شبیه‌سازی انواع خطاها در یک خط انتقال هوایی بلند و بر اساس مقادیر مختلف محل وقوع خطا، مقاومت خطا و جریان پیش از خطا، نشان‌دهنده کارآیی و دقت قابل قبول روش پیشنهادی می‌باشند. https://isee.ui.ac.ir/article_15365_222c03f75173fdeae5cc58bd583402bb.pdf