استخراج و انتخاب ویژگی های شاخص به منظور مکان یابی هوشمند خطا در خطوط انتقال فشارقوی تنها با استفاده از ولتاژ یک پایانه

مکان یابی دقیق خطا های ماندگار و موقتی، از منظر تعمیرات و رفع عیب سریع و همچنین شناسایی نقاط ضعف خط انتقال و اتخاذ تدابیر مناسب برای کاهش احتمال وقوع خطا در آن محل ها دارای اهمیت است. مسئله مکان یابی خطا در خطوط انتقال به دلیل تاثیرگذار بودن عوامل متعدد در آن، دارای پیچیدگی زیادی است. حل مسئله مزبور با استفاده از روش های مبتنی بر الگوریتم های یادگیری ماشین، مزایا و قابلیت انعطاف بالایی داشته و در سال های اخیر، با توجه به پیچیدگی ذاتی مسئله بسیار مورد توجه بوده است. در روش های مبتنی بر یادگیری ماشین، استفاده از ویژگی های ورودی مفید و بهره گیری از ابزار یادگیری مناسب، دو موضوع اصلی هستند که در دقت حل مسئله موردنظر تاثیرگذارند. در این رساله، ویژگی های شاخص و کارآمد با استفاده از ابزارهای مختلف و به منظور مکان یابی هوشمند خطا در خطوط انتقال فشارقوی جریان متناوب و جریان مستقیم استخراج و انتخاب شده اند. جهت استخراج ویژگی ها تنها از سیگنال های ولتاژ یک پایانه خط انتقال استفاده شده است که با مزایای متعددی از جمله عدم نیاز به مخابره و سنکرون سازی اطلاعات دو پایانه، عدم وجود خطاهای ناشی از اندازه گیری جریان و عدم ترکیب خطاهای اندازه گیری همراه خواهد بود. انتخاب و بهره گیری از تخمین گرها و ابزار یادگیری مناسب جهت مکان یابی دقیق خطا در خطوط انتقال نیز جزو نکات برجسته این رساله محسوب می شود. در این رساله، به منظور مکان یابی خطا در خطوط انتقال جریان متناوب، ویژگی های کارآمدی از طریق اعمال جداگانه تبدیل فوریه، تبدیل s و ترکیب ابتکاری تبدیل موجک و آنالیز پرونی بر روی سیگنال های ولتاژ استخراج شده اند. برای انتخاب ویژگی های مفید استخراج شده نیز در مواردی از طریق انجام آزمایش های متعدد و تحلیل حساسیت و در موردی دیگر از طریق اجرای روش انتخاب ویژگی rrelieff اقدام شده است. همچنین، دو روش برای مکان یابی خطا در خطوط انتقال جریان مستقیم پیشنهاد شده اند که در آنها، نمونه های مستخرج از سیگنال ولتاژ پس از خطا جهت تشکیل بردار ویژگی مورد استفاده قرار گرفته اند. در این رساله، با توجه به بُعد نسبتاً بالای بردارهای ویژگی در روش های مکان یابی خطای پیشنهادی برای خطوط جریان متناوب و جریان مستقیم، بهره گیری از سه تخمین گر جنگل تصادفی، شبکه عصبی رگرسیون تعمیم یافته و k همسایگی نزدیک مدنظر قرار گرفته است. علاوه بر مزایای ذاتی روش های پیشنهادی، نتایج آزمایش های متعدد بر روی سیستم های نمونه، بیانگر دقت بالاتر و یا قابل مقایسه آنها نسبت به روش های مکان یابی خطای موجود می باشند.