Inter-Circuit Fault Classification in Parallel Incomplete Journey Transmission Lines Using Artificial Neural Networks: A MATLAB-Based Approach
Notice bibliographique
Résumé
Transmission line is a main portion of power system owing to its capacity of increasing power in a power grid.Nonetheless, due to increasing complexity, faulty detection in power line has been always a potential issue.Parallel incomplete journey transmission lines (PIJTL) frequently subject a variety of technical issues in the view of power system protection.This study presents artificial neural networks (ANN) based inter circuit fault classification of PIJTL using MATLAB Software.Although different approaches have been addressed for ordinary shunt faults in PIJTL, nonetheless, determining the inter circuit faults in PIJTL hasn't been focused so far.When fault occurs in the PIJTL current waveforms are distorted due to transients and its pattern changes according to the fault type in the line.The ANN approach finds the inter circuit faults by means of currents.ANN takes a reduced set of feature inputs, i.e., the fundamental components of six phase currents of the two parallel lines at source of parallel incomplete journey only.The result performed that proposed ANN is capability of right tripping action then type of fault at high speed as a result can be applied in practical application.The main feature of ANN is that it acceptably estimates finds the inter circuit faults and also ordinary shunt faults, thus making it more accurate and reliable when compared to other approaches.Several fault case studies have conformed the effectiveness of ANN technique.Further, fuzzy based inter circuit fault locator and classifier for PIJTL we can design.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».