Fault classification in transmission lines utilizing imaging time-series and convolutional neural networks and adaptive relay protection

Khabaz, Baraa (2023). Fault classification in transmission lines utilizing imaging time-series and convolutional neural networks and adaptive relay protection. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

In this research, a model is presented to fault classification in the transmission lines to detect and classify faults while keeping the coordination between the primary and the backup relays by adaptively changing the relay’s parameters accordingly.

Furthermore, this research provides a method to select the directional overcurrent primary and backup relays in the transmission lines, as well as the mathematical model for coordinating these relays in a meshed power system. Additionally, a fault classification model based on deep learning as convolutional neural network to determine the fault type within the transmission lines. To comply with convolutional neural network, the voltages and the currents signals were transformed into images using Gramian Angular Field. The objective is to benefit from convolutional neural networks extract the relative temporal features from time-series signals, with the classification process performed using fully connected neural networks.

Additionally, to ensure the synchronized operation of the primary and backup relay relays, the coordination between these relays are modelled as an optimization problem with constraints and objective function. Where the objective function is to minimize the total primary relay operating time by using GAMS software. The 9-bus test system is employed to determine optimal relay coordination according to the fault type and evaluate the results in comparison to existing literature.

Titre traduit

Classification des défauts dans les lignes de transport à l’aide de séries temporelles d’imagerie et de réseaux neuronaux convolutifs, et protection par relais adaptatif

Résumé traduit

Dans cette étude, nous présentons une modèle de classification des défauts dans les lignes de transport, visant à détecter et à classifier ces défauts tout en maintenant une coordination entre les relais primaires et de secours grâce à l’adaptation des paramètres du relais de manière adaptative.

Nous proposons une méthode pour la sélection des relais primaires et de secours à surintensité directionnelle dans les lignes de transmission, ainsi qu’un modèle mathématique pour coordonner ces relais dans un système électrique maillé. Par ailleurs, nous utilisons un modèle de classification des défauts basé sur l’apprentissage profond, plus précisément un réseau neuronal convolutif (CNN) tel qu’AlexNet, pour déterminer le type de défaut dans les lignes de transport. Afin de se conformer à cette approche, les signaux de tension et de courant sont transformés en images à l’aide de la méthode du champ angulaire Gramian. L’objectif est d’exploiter les capacités des réseaux neuronaux convolutifs pour extraire les caractéristiques temporelles des signaux de séries temporelles, et la classification est réalisée à l’aide de réseaux neuronaux entièrement connectés.

Afin d’assurer un fonctionnement synchronisé des relais primaires et de secours, nous modélisons la coordination entre ces relais comme un problème d’optimisation avec des contraintes et une fonction objective. Cette fonction vise à minimiser le temps total de fonctionnement des relais primaires en utilisant le logiciel GAMS. Nous avons utilisé le système d’essai à 9 bus pour déterminer la coordination optimale des relais en fonction du type de défaut, et les résultats ont été évalués par rapport à la littérature existante.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis". Comprend des références bibliographiques (pages 81-87).
Mots-clés libres:	classification des défauts, optimisation, réseau de neurones artificiels, coordination des relais
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Saad, Maarouf
Codirecteur:	Codirecteur Mehrjerdi, Hasan
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	16 nov. 2023 18:37
Dernière modification:	16 nov. 2023 18:37
URI:	https://espace.etsmtl.ca/id/eprint/3317

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt