A hybrid intelligent busbar protection strategy using hyperbolic S‐transforms and extreme learning machines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In power systems, busbars connect important components such as generators, transmission lines, and loads. A typical fault occurrence on the busbar may result in the isolation of faulty sections from other normally operating parts of the system resulting from differential protection operation. Although the main busbars' protection scheme is differential protection, its operation is significantly affected by magnetic saturation of the current transformer (CT), particularly during external fault occurrence or energizing power transformers. Saturation of the CT may generate a spurious differential current and is the main reason for the differential scheme malfunctioning. Previous research presented different methods to modify and improve busbars' differential protection scheme. However, there has been lack of a comprehensive study to assess the efficiency of the busbar protection scheme regarding all involved, and influencing aspects including various fault types, energizing power transformer, (high) fault resistance, fault angle (changing from 0° to 360°), and the angle of the sources. Thus, in this study, a hybrid intelligent busbar protection scheme is proposed and the effects of all these factors are investigated. The proposed strategy utilizes the hyperbolic S‐transform as a signal processing technique to extract an efficient feature that is able to discriminate internal faults from other abnormal modes, that is, external faults and inrush current under CT saturation. To obtain this goal, a learning‐based classification method known as extreme learning machines is used to classify the system conditions based on the selected features. The proposed protection scheme was found to have low sensitivity to CT saturation and noise and was able to accurately detect internal faults from half a cycle to one cycle of the power system depending on the fault resistance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle