چکیده:
رلۀ دیفرانسیل زمین بخشی از حفاظت ترانسفورماتورهای قدرت است که بهمنظور تشخیص خطاهای داخلی اتصال به زمین به کار گرفته میشود. این طرح حفاظتی حساس و سریع است، اما حین برخی موارد از جمله خطای خارج از ناحیۀ حفاظتی و یا طی عبور جریان هجومی مغناطیسکنندۀ ترانسفورماتور قدرت، بهدلیل اشباع ترانسفورماتورهای جریان، ممکن است دچار عملکرد اشتباه شود. در این مقاله، یک طرح هوشمند جدید برای این رله، بر اساس شبکۀ عصبی مصنوعی ارائه میشود. برای پیادهسازی روش پیشنهادی، یک ترانسفورماتور قدرت واقعی تحت موارد بسیاری از شرایط کاری مختلف شامل خطای داخلی، خطای خارجی و برقدار شدن آن، در محیط نرمافزار PSCAD/EMTDC شبیهسازی میشود. سپس بر اساس نتایج حاصل، اطلاعات یک سیکل از جریان دیفرانسیلی مربوط به هر مورد از شرایط مذکور بهعنوان الگوهای نمونه استفاده شده تا شبکۀ عصبی احتمالی با استفاده از آن آموزش یابد. در نهایت، از شبکۀ آموزشیافته بهعنوان هستۀ تشخیصدهنده در طرح این رلۀ نوین استفاده میشود. نتایج پیادهسازی این روش، کارایی عالی آن را از حیث ایمنی در مقابل عملکرد کاذب، تأیید میکند.
Low-impedance transformer ground differential relay is a part of power transformer protection system employed for detecting the internal earth faults. This is a fast and sensitive relay, but in some situations such as external faults and inrush current conditions, it may be exposed to maloperation due to current transformer (CT) saturation. In this paper, a new intelligent transformer ground differential relay based on probabilistic neural network (PNN) is presented. To do so, a real power transformer is simulated under a large number of different operating conditions, including internal fault, external fault, and inrush current by using PSCAD/EMTDC software. Then, one cycle data of differential current obtained from each simulation case of mentioned operation conditions is used to provide exemplar patterns. Then, a probabilistic neural network is trained using them. Finally, the trained network is employed as a detection core of the new relay. A comparative evaluation proves the absolute superiority of the proposed method in comparison with some other methods regarding its immunity against maloperation.