DÉTECTION ET LOCALISATION INTELLIGENTES DE DÉFAUTS DANS LES LIGNES DE TRANSPORT ÉLECTRIQUES HAUTE TENSION
DOI :
https://doi.org/10.59277/RRST-EE.2024.69.3.2Mots-clés :
Apprentissage automatique, Localisation du défaut, Optimisation, Optimisation de la recherche Atom, Lignes de transmissionRésumé
La localisation des défauts dans les lignes de transport est essentielle pour garantir un fonctionnement fiable et efficace des systèmes électriques. Une détection et une localisation précises des défauts sont essentielles pour minimiser les temps d'arrêt, éviter les pannes en cascade et maintenir la stabilité globale du réseau électrique. Au fil des années, diverses méthodes de localisation des défauts ont été proposées, allant des approches traditionnelles basées sur des modèles à des techniques d'intelligence artificielle plus sophistiquées. Cette recherche présente deux méthodologies de localisation de pannes : l'approche métaheuristique d'optimisation de la recherche Atom (ASO) et l'apprentissage automatique (ML) avec des modèles splines cubiques. Nous évaluons les performances des deux approches en considérant différents types de défauts, distances de défauts et résistance des défauts. Nous analysons la précision et l’efficacité des calculs. Les résultats révèlent que l'approche métaheuristique démontre une robustesse dans la détection et la localisation des défauts dans diverses conditions, mais peut souffrir d'une surcharge de calcul plus élevée. En revanche, l’hybridation de l’apprentissage automatique et des métaheuristiques présente un potentiel prometteur pour parvenir à une localisation des défauts en temps réel avec une précision améliorée.
Références
(1) A.S. Ahmed, M.A. Attia, N.M. Hamed, A.Y. Abdelaziz, Modern optimization algorithms for fault location estimation in power systems, Engineering Science and Technology, an International Journal, 20, pp. 1475–1485 (2017).
(2) J. Ezquerra, V. Valverde, A.J. Mazon, I. Zamora and J.J. Zamora, Field programmable gate array implementation of a fault location system in transmission lines based on artificial neural networks, IET Generation, Transmission & Distribution, 5, 2, pp. 191–198 (2011).
(3) C.E.M. Pereira, L.C. Zanetta, Fault location in transmission lines using one-terminal postfault voltage data, IEEE Transactions Power Delivery, 19, pp. 570–575 (2004).
(4) L. Wei, W. Guo, F. Wen, G. Ledwich, Z. Liao, J. Xin, Waveform Matching Approach for Fault Diagnosis of a High-Voltage Transmission Line Employing Harmony Search Algorithm, IET Generation, Transmission & Distribution, 4, pp. 801–809 (2010).
(5) M. Kezunovic, S. Lou, Z. Galijasevic, D. Ristanovic, Accurate fault location in transmission networks using modeling, simulation and limited field recorded data, Power Systems Engineering Research Center, pp. 1–50 (2002).
(6) R. Rohani, A. Koochaki, J. Siahbalaee, Fault location in VSC-HVDC systems based on NSGA-II and discrete wavelet transform, International Journal of Renewable Energy Research, 12, 3, pp. 1347–1361 (2022).
(7) S. G. Di Santo, A.D.R. Albertini, R.R. Tiferes, Optimization-Based Fault Location Algorithm for Series-Compensated Power Transmission Lines, IEEE Access, 10, pp. 46864–46877 (2022).
(8) H. Gupta, P. Kumar, S. Saurabh, S.K. Mishra, B. Appasani, A. Pati, C. Ravariu, A. Srinivasulu, Category boosting machine learning algorithm for breast cancer prediction, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg, 66, 3, pp. 201–206 (2021).
(9) F. Rafique, L. Fu, M.H.U. Haq, R. Mai, Automatic features extraction by transfer learning for transmission line protection, Rev. Roum. Sci. Techn– Électrotechn. et Énerg. 68, 3, pp. 339–344 (2023).
(10) B. Ponnuswamy, C. Columbus, S.R. Lakshmi, J. Chithambaram, Wind turbine fault modeling and classification using cuckoo-optimized modular neural networks, Rev. Roum. Sci. Techn.– Électrotechn. et Énerg, 68, 4, pp. 369–374, (2023).
(11) B.R.C. Joseph, I.J. Jebadurai, G.J.L. Paulraj, J. Jebadurai, Mulli mary varuveL deep vein net: deep vein thrombosis identification via sooty tern optimized deep learning network, Rev. Roum. Sci. Techn.–Électrotechn. et Énerg., 69, 1, pp. 115–120, Bucarest, 2024.
(12) N. Sabri, A. Tlemçani, A. Chouder, Real-time diagnosis of battery cells for stand-alone photovoltaic system using machine learning techniques, Rev. Roum. Sci. Techn.–Électrotechn. et Énerg., 66, 2, pp. 105–110, Bucarest, 2021.
(13) J. Liang, Tao. Xiaojie, Fu. Yang, Fu. Yong, Mi. Yang, Li. Zhenkun, A new single ended fault location method for transmission line based on positive sequence superimposed network during auto-reclosing, IEEE Transactions on Power Delivery, 34, 3, pp.1019-1029 (2019).
(14) Z. Weigu, W. Liying, Z. Zhenxing, Atom search optimization and its application to solve a hydrogeologic parameter estimation problem, Knowledge-Based Systems, 163, 1, pp. 283–304 (2019).
(15) L. Roach, G.M. Rignanese, A. Erriguible, C. Aymonier, Applications of machine learning in supercritical fluids research, The Journal of Supercritical Fluids, 202, pp. 1–28 (2023).
(16) M.G. Davoudi, J. Sadeh, E. Kamyab, Time domain fault location on transmission lines using genetic algorithm, 11th International Conference on Environment and Electrical Engineering IEEE, Venice, Italy, pp. 1–6, 18-25 May 2012.
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
