دانلود ترجمه مقاله مدل داده‌کاوی به منظور حفاظت خط انتقال مبتنی بر ادوات فکتس (FACTS)

1. مقدمه 2. جنگل‌های تصادفی 3. سیستم مطالعه‌شده 4. نتایج 5. آنالیز و بحث و بررسی 6. نتیجه گیری

تکنیک ارائه شده یک مدل داده‌کاوی مثل مجموعه درختان تصمیم (جنگل‌های تصادفی) برای تشخیص ناحیه خطا در یک خط مبتنی بر FACTS ارائه می دهد که دارای صحت و قابلیت اطمینان بیش از 99% است. RF (جنگل تصادفی)، به عنوان الگوریتم داده‌کاوی، مشخص شد که در مقایسه با تکنیک یادگیری-ماشینی موجود برای تشخیص ناحیه خطا، مثل SVM، سریع‌تر است (سه چهارم سیکل). نتایج نشان می‌دهند که درختان جمعی در تشخیص ناحیه خطا در خط انتقال مبتنی بر ادوات FACTS موثرتر و قابل اعتمادتر بوده و مجموعه الگوریتم‌های متوالی دیگری را راه‌اندازی می‌کنند، مثل محاسبه امپدانس ظاهری برای ارسال سیگنال تریپ در رله دیستانس.

The proposed technique provides a data-mining model, such as ensemble decision trees (RFs), for fault-zone identification in a FACTS-based transmission line with an accuracy and reliability of more than 99%. RF, the data-mining algorithm, was found to be faster (3/4 cycles) and accurate compared to the existing machine-learning technique, such as SVM for fault-zone identification. The results indicate that the ensemble trees is highly effective and reliable in identifying the fault zone in the FACTS-based transmission line which triggers the next cascaded algorithms, such as an apparent impedance calculation for issuing the tripping signal in distance relaying.