Abstract

In this paper, in order to locate the fault in the transmission network, a discrete wavelet transform is used to extract the fault characteristics from the zero-sequence current, in order to train the artificial neural network. In fact, the basis of the work is based on the information recorded after the fault at the beginning and at the end of the line, received by the relay. In the following, with the help of Fortescue’s transform, the current of zero sequence seen from both terminals is calculated and by the transform of the wavelet of stored information at high frequency is extracted in the horizontal components of the zero sequence current from both terminals, and finally calculating the energy stored in horizontal components, as well as extracting the maximum scales of horizontal components can reveal certain features of the fault that are suitable for training the neural network. Simulation results show that the maximum scales of horizontal components and the energy stored in these components strongly depend on the fault resistance, type of fault, fault angle and fault location. Therefore, the training data should be selected in such a way that these changes are well represented so that the neural network does not encounter problem in its diagnosis. Finally, the proposed method has been tested on a transmission network of 735 kV at different distances of the transmission line. And results indicate that the proposed algorithm can estimate fault distance depending on the type of fault in different conditions.

中文翻译：

---

人工神经网络在输电网络中的故障定位

摘要

为了定位传输网络中的故障，采用离散小波变换从零序电流中提取故障特征，以训练人工神经网络。实际上，工作的基础是继电器在线路开始和结束时在故障之后记录的信息。接下来，借助Fortescue变换，计算从两个端子看到的零序电流，并通过对高频存储的信息小波进行变换，从两个端子提取零序电流的水平分量，最后计算水平分量中存储的能量 以及提取水平分量的最大比例可以揭示适合训练神经网络的某些故障特征。仿真结果表明，水平分量的最大尺度和这些分量中存储的能量在很大程度上取决于断层电阻，断层类型，断层角度和断层位置。因此，应该以这样的方式选择训练数据：这些变化可以很好地表示出来，以使神经网络在诊断中不会遇到问题。最后，在传输线不同距离的735 kV传输网络上对提出的方法进行了测试。结果表明，该算法可以根据不同情况下的故障类型来估计故障距离。仿真结果表明，水平分量的最大尺度和这些分量中存储的能量在很大程度上取决于断层电阻，断层类型，断层角度和断层位置。因此，应该以这样的方式选择训练数据：这些变化可以很好地表示出来，以使神经网络在诊断中不会遇到问题。最后，在传输线不同距离的735 kV传输网络上对提出的方法进行了测试。结果表明，该算法可以根据不同情况下的故障类型来估计故障距离。仿真结果表明，水平分量的最大尺度和这些分量中存储的能量在很大程度上取决于断层电阻，断层类型，断层角度和断层位置。因此，应该以这样的方式选择训练数据：这些变化可以很好地表示出来，以使神经网络在诊断中不会遇到问题。最后，在传输线不同距离的735 kV传输网络上对提出的方法进行了测试。结果表明，该算法可以根据不同情况下的故障类型来估计故障距离。应该以这样的方式选择训练数据：这些变化可以很好地表示出来，以使神经网络在诊断中不会遇到问题。最后，在传输线不同距离的735 kV传输网络上对提出的方法进行了测试。结果表明，该算法可以根据不同情况下的故障类型来估计故障距离。应该以这样的方式选择训练数据：这些变化可以很好地表示出来，以使神经网络在诊断中不会遇到问题。最后，在传输线不同距离的735 kV传输网络上对提出的方法进行了测试。结果表明，该算法可以根据不同情况下的故障类型来估计故障距离。