Hybrid Machine Learning-based Intelligent Distance Protection and Control Schemes with Fault and Zonal Classification Capabilities for Grid-connected Wind Farms
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
This paper presents the analysis of several hybrid intelligent protection and control algorithms to improve the reliability of doubly-fed induction generator (DFIG)-based wind farms during faults, and other dynamic operating conditions. First, a decision tree (DT) classification algorithm is developed as a fault classifier for the purpose of distinguishing between different types of faults, as well as normal operation and grid disturbances. Next, a support vector machine (SVM) as a fault location estimator and zonal protection scheme is proposed to assist with the decision-making process of distance relay by detecting the location of any type of fault on the transmission line, and precise line zoning protection with a high reliability. Lastly, a combined direct PI control-based scheme is developed for both rotor and grid side converters of the DFIG based wind energy conversion system (WECS). This scheme avoids extra PI based current loop to achieve robust performance at the time of grid side voltage dip as well as normal operating condition. In this research, MATLAB and WEKA software are used for developing, training and testing the proposed machine learning algorithms and designing proposed control scheme, while ETAP and PSCAD software are used for design, modelling, fault analysis and data acquisition of the wind farm, as well as testing the operation of distance relays for various conditions. The analysis of the proposed intelligent protection and control schemes exhibits satisfactory results in improving the reliability and stability of grid-connected wind farms.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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