دانلود ترجمه مقاله طرح مکانیابی خطا برای کابل های ابررسانا با الگوریتم های یادگیری عمیق

1. مقدمه 2. مدلسازی عددی SC 3. مدلسازی سیستم قدرت و مشخصه خطای SC 4. الگوریتم پیشنهادی مکانیابی خطا 5. ارزیابی عملکرد طرح پیشنهادی مکانیابی خطا 6. تحلیل مقایسه ای با دیگر الگوریتم های داده محور 7. نتیجه گیری

چکیده – این مقاله، با پیشنهاد یک طرح مکانیابی خطای متکی بر داده نوین، به بررسی چالش مکان یابی خطا در شبکه های قدرت می پردازد که از «کابل های ابررسانا» (SC ها) و مولد متصل به اینورتر تشکیل شده اند. الگوریتم مکانیابی خطای توسعه یافته از تبدیل سیگنال های حوزه زمانی جریان و ولتاژ خطا به حوزه فرکانس و مزایای یک شبکه عصبی کانوال (CNN) بهره می گیرد تا موقعیت خطا در SC ها برآورد شود. الگوریتم پیشنهادی با استفاده از یک مدل تایید شده SC تست شده است و نتایج آشکار کردند که این الگوریتم می تواند مکانیابی خطای دقیق را برای طیف گسترده ای از سناریوهای خطا، شامل انواع مختلف خطا، مقادیر مقاومت خطا و زاویه های وقوع خطا، فراهم کند. علاوه بر آن، استواری طرح پیشنهادی در برابر عوامل موثر مختلف که مسئول افزایش بسیار اندک مکان خطا، نویز بیشتر و مقدار متفاوت فرکانس نمونه برداری هستند، تایید شده است. جهت اعتباریابی، اثربخشی این الگوریتم مبتنی بر CNN با دیگر الگوریتم های داده محور مقایسه شد و مزایای مرتبط مورد تاکید قرار گرفتند. مقدمه: سیستم های قدرت در حال تجربه تحولاتی سریع هستند که این امر ناشی از کنار گذاشتن تدریجی «مولدهای سنکرون» (SG های) بزرگ و نصب رو به رشد «مولدهای متصل به مبدل» (CIG) می باشد. ماهیت گهگاهی CIG ها همراه با افزایش شدید تقاضای جهانی برق، باعث بوجود آمدن چالش های قابلیت اطمینان و تاب آوری برای شبکه های قدرت آینده شده است. در نتیجه، نیاز رو به رشد به کریدورهای توان انبوه برای فراهم کردن انتقال قدرت فرا قاره ای به نحو کارآمد، بوجود آمده است [1]. کابل های ابررسانا (SC ها)، بیش از پیش در مقایسه با خطوط و کابل های انتقال متداول، رقابتی تر شده اند که این بخاطر مزایای عالی، مانند قابلیت انتقال قدرت در فواصل طولانی در سطوح ولتاژ کمتر و کاهش تلفات توان می باشد [2]. بنابراین، کاربردهای مقیاس بزرگ SC ها، بخاطر ویژگی های فیزیکی منحصربفردشان، به میزان زیادی مورد پژوهش قرار گرفته شده اند [3].

This paper addresses the challenge of fault localization in power grids which incorporate Superconducting Cables (SCs) and presence of inverter-connected generation, by proposing a novel data-driven fault location scheme. The developed fault location algorithm utilizes the transformation of time domain fault current and voltage signatures, to time–frequency domain and exploits the advantages of a Convolutional Neural Network (CNN) to estimate the fault position along SCs. The proposed algorithm has been tested using a verified model of SC, and the results revealed that it can provide precise fault localization for a wide range of fault scenarios, including different fault types, fault resistance values and fault inception angles. Furthermore, the proposed scheme robustness has been verified against different influencing factors accounting for very small increments of fault location, additive noise and different value of sampling frequency. For validation purposes, the effectiveness of the CNN-based algorithm has been compared with other data-driven algorithms and the relevant advantages have been highlighted. Introduction: Power systems are experiencing a rapid transition, emanating from the gradual decommission of large Synchronous Generators (SGs) and the progressive deployment of Converter Interfaced Generation (CIG). The intermittent nature of the CIGs in conjunction with the immense increase in global electricity demand, have created reliability and resilience challenges to the future power grids. Consequently, there is a growing need for bulk power corridors to provide continent-wide sharing of electric power in an efficient way [1]. Superconducting Cables (SCs) are becoming increasingly competitive compared to conventional transmission lines and cables, by the virtue of superior advantages, such as their capability to transfer power over long distances at lower voltage levels and with reduced power losses [2]. Therefore, large-scale applications of SCs have been the focus of enormous research due to their unique physical characteristics [3].