This paper proposes a hybrid technique to detect and classify the transmission line faults in the power system. The proposed approach is the joint execution of linear discriminant analysis (LDA) and cuttlefish optimizer (CFO) learning process‐based random forest algorithm (RFA), ie, named as LDA‐CFRFA technique. Here, two modules are utilized for fault analysis in power system: fault detection and fault classification. The first procedure of the proposed method is the power system transmission line parameters in normal and abnormal condition dataset preparation by using LDA. LDA‐based dataset preparation process consists of feature extraction of power flow parameters and defines the nature of signals occurred by the system. The extracted dataset is assessed by CFO‐based RFA technique for classifying the fault type occurred in the transmission system. By then, the proposed model is executed in MATLAB/Simulink working stage, and the execution is assessed with the existing techniques such as CFO, RFA, Feed forward neural network (FNN), and artificial neural network (ANN). In our research, the faults implemented on test system are phase A, phase B, phase C, phase A to ground (AG), phase B to ground (BG), phase C to ground (CG), phase AB, phase AC and phase BC, phase AB to ground (ABG), phase AC to ground (ACG), and phase BC to ground (BCG). From the results, the proposed technique guarantees the system with less complexity and less consumption time for the detection and classification of the fault, and hence, the accuracy of the system is increased.

中文翻译：

---

电力系统故障检测与分类的新智能方案：混合技术

本文提出了一种混合技术来检测和分类电力系统中的传输线故障。所提出的方法是基于线性判别分析（LDA）和墨鱼优化器（CFO）学习过程的随机森林算法（RFA）的联合执行，即称为LDA-CFRFA技术。在此，电力系统中的两个模块用于故障分析：故障检测和故障分类。该方法的第一个步骤是使用LDA准备正常和异常条件数据集的电力系统传输线参数。基于LDA的数据集准备过程包括功率流参数的特征提取，并定义系统发生的信号的性质。提取的数据集通过基于CFO的RFA技术进行评估，以对传输系统中发生的故障类型进行分类。届时，将在MATLAB / Simulink工作阶段执行所提出的模型，并使用CFO，RFA，前馈神经网络（FNN）和人工神经网络（ANN）等现有技术对执行情况进行评估。在我们的研究中，测试系统上实施的故障是A相，B相，C相，A相接地（AG），B相接地（BG），C相接地（CG），AB相，AC相和BC相，AB相接地（ABG），AC相接地（ACG）和BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的时间用于故障的检测和分类，从而提高了系统的准确性。该模型在MATLAB / Simulink工作阶段执行，并通过CFO，RFA，前馈神经网络（FNN）和人工神经网络（ANN）等现有技术对执行情况进行评估。在我们的研究中，测试系统上实施的故障是A相，B相，C相，A相接地（AG），B相接地（BG），C相接地（CG），AB相，AC相和BC相，AB相接地（ABG），AC相接地（ACG）和BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的故障检测和分类时间，从而提高了系统的准确性。该模型在MATLAB / Simulink工作阶段执行，并通过CFO，RFA，前馈神经网络（FNN）和人工神经网络（ANN）等现有技术对执行情况进行评估。在我们的研究中，测试系统上实施的故障是A相，B相，C相，A相接地（AG），B相接地（BG），C相接地（CG），AB相，AC相和BC相，AB相接地（ABG），AC相接地（ACG）和BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的时间用于故障的检测和分类，从而提高了系统的准确性。前馈神经网络（FNN）和人工神经网络（ANN）。在我们的研究中，测试系统上实施的故障是A相，B相，C相，A相接地（AG），B相接地（BG），C相接地（CG），AB相，AC相和BC相，AB相接地（ABG），AC相接地（ACG）和BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的时间用于故障的检测和分类，从而提高了系统的准确性。前馈神经网络（FNN）和人工神经网络（ANN）。在我们的研究中，测试系统上实施的故障是A相，B相，C相，A相接地（AG），B相接地（BG），C相接地（CG），AB相，AC相和BC相，AB相接地（ABG），AC相接地（ACG）和BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的时间用于故障的检测和分类，从而提高了系统的准确性。BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的故障检测和分类时间，从而提高了系统的准确性。BC相接地（BCG）。从结果来看，所提出的技术保证了系统具有更少的复杂度和更少的故障检测和分类时间，从而提高了系统的准确性。