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

Résumé

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.

Date	29 août 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Maarouf Saad (Directeur(-trice)) & Hasan Mehrjerdi (Codirecteur(-trice))