The protection of intertie zone between wind farm and grid line is critical for stable and safe operation of both the grid line and wind farm in the event of fault within or outside the intertie zone. As a reliable source of renewable energy doubly fed induction generator (DFIG)-based wind farms have been increasingly integrated to the power grid over the last two decades. Nowadays with the enormous penetration of large-scale DFIG wind farms, the commonly used distance relays are no longer reliable due to their incapability of providing accurate impedance measurement during internal and external faults. Thus, it results in maloperation, false tripping, and/or delayed operation. Therefore, in this article a digital differential-based protective relay (DBPR) scheme is designed and developed to provide reliable protection for wind farm intertie zone. Additionally, a new Bayesian-based optimized support vector machine (SVM), as a supervised machine learning classifier approach, is developed to take into account both the dynamic behaviors of wind speed and the current measured by the current transformers. Thus, the proposed hybrid SVM-DBPR scheme can distinguish among the normal operation, internal and external faults correctly that helps to avoid any false tripping. In a laboratory environment the proposed DBPR is implemented in realtime using FPGA DE2-115 board equipped with Cyclone IV-E device (EP4CE115F29C7). It is found from both simulation and experimental results that the proposed hybrid SVM-DBPR is able to provide reliable, efficient, and robust protection for the intertie zone of wind farms with 97.5% accuracy rate.

中文翻译：

---

一种新型的基于混合机器学习分类器的大型集中式双馈风电场连接区数字差动保护方案

风电场与电网线路之间的连接区保护对于电网线路和风电场在连接区域内外发生故障时的稳定安全运行至关重要。作为可再生能源的可靠来源，基于双馈感应发电机 (DFIG) 的风电场在过去二十年中越来越多地集成到电网中。如今随着大型双馈风电场的大规模普及，常用的距离继电器由于无法在内部和外部故障期间提供精确的阻抗测量而不再可靠。因此，它会导致误操作、误跳闸和/或延迟操作。因此，本文设计并开发了一种基于数字差分的保护继电器 (DBPR) 方案，为风电场连接区提供可靠的保护。此外，开发了一种新的基于贝叶斯的优化支持向量机 (SVM)，作为一种有监督的机器学习分类器方法，以考虑风速的动态行为和电流互感器测量的电流。因此，所提出的混合 SVM-DBPR 方案可以正确区分正常运行、内部和外部故障，有助于避免任何错误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。开发了一种新的基于贝叶斯的优化支持向量机 (SVM)，作为一种有监督的机器学习分类器方法，以考虑风速的动态行为和电流互感器测量的电流。因此，所提出的混合 SVM-DBPR 方案可以正确区分正常运行、内部和外部故障，有助于避免任何错误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。开发了一种新的基于贝叶斯的优化支持向量机 (SVM)，作为一种有监督的机器学习分类器方法，以考虑风速的动态行为和电流互感器测量的电流。因此，所提出的混合 SVM-DBPR 方案可以正确区分正常运行、内部和外部故障，有助于避免任何错误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。开发时考虑了风速的动态特性和电流互感器测量的电流。因此，所提出的混合 SVM-DBPR 方案可以正确区分正常运行、内部和外部故障，有助于避免任何错误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。开发时考虑了风速的动态特性和电流互感器测量的电流。因此，所提出的混合 SVM-DBPR 方案可以正确区分正常运行、内部和外部故障，有助于避免任何错误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。内部和外部故障，有助于避免任何误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。内部和外部故障，有助于避免任何误跳闸。在实验室环境中，建议的 DBPR 是使用配备有 Cyclone IV-E 器件 (EP4CE115F29C7) 的 FPGA DE2-115 板实时实现的。仿真和实验结果表明，所提出的混合 SVM-DBPR 能够以 97.5% 的准确率为风电场的连接区提供可靠、高效和稳健的保护。