To improve power system reliability, a protection mechanism is highly needed. Early detection can be used to prevent failures in the power transmission line (TL). A classification system method is widely used to protect against false detection as well as assist the decision analysis. Each TL signal has a continuous pattern in which it can be detected and classified by the conventional methods, i.e., wavelet feature extraction and artificial neural network (ANN). However, the accuracy resulting from these mentioned models is relatively low. To overcome this issue, we propose a machine learning-based on Convolutional Neural Network (CNN) for the transmission line faults (TLFs) application. CNN is more suitable for pattern recognition compared to conventional ANN and ANN with Discrete Wavelet Transform (DWT) feature extraction. In this work, we first simulate our proposed model by using Simulink® and Matlab®. This simulation generates a fault signal dataset, which is divided into 45.738 data training and 4.752 data tests. Later, we design the number of machine learning classifiers. Each model classifier is trained by exposing it to the same dataset. The CNN design, with raw input, is determined as an optimal output model from the training process with 100% accuracy.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE W OKRESIE WAKACYJNYM BIBLIOTEKA BĘDZIE FUNKCJONOWAŁA W ZMIENIONYCH GODZINACH::
od 15 do 31 lipca:
Wypożyczalnia i Czytelnia Główna:
9.00 - 15.00
(poniedziałek-piątek)
Czytelnia Działu Zbiorów Specjalnych:
9.00 - 15.00
(poniedziałek-piątek)
od 1 do 31 sierpnia:
BIBLIOTEKA BĘDZIE NIECZYNNA
UWAGA:
Zwrotu wypożyczonych materiałów można dokonać u dyżurującego bibliotekarza w Wypożyczalni Głównej od 9.00 do 15.00.
Na pozycje, których termin zwrotu przypadnie od 1 do 31 sierpnia, wprowadzona zostanie prolongata (nowy termin zwrotu – 6 września).