@article { author = {Bhasker, S. K. and Tripathy, M. and Agrawal, A. and Mishra, A.}, title = {Differential Protection of ISPST Using Chebyshev Neural Network ‎}, journal = {Journal of Operation and Automation in Power Engineering}, volume = {11}, number = {2}, pages = {123-129}, year = {2023}, publisher = {University of Mohaghegh Ardabili}, issn = {2322-4576}, eissn = {2423-4567}, doi = {10.22098/joape.2023.10004.1709}, abstract = {An Indirect Symmetrical Phase Shift Transformer (ISPST) represents both electrically connected and magnetically coupled circuits, which makes it unique compared to a power transformer. Effective differentiation between transformer inrush current and internal fault current is necessary to avoid incorrect differential relay tripping. This research proposes a system that uses a Chebyshev Neural Network (ChNN) as a core classifier to distinguish such internal faults. For simulations, we used PSCAD/EMTDC software. Internal faults and inrush have been simulated in various ways using various ISPST parameters. A large, simulated dataset is used, and performance is recorded against different sized ISPSTs. We observed an overall accuracy greater than 99%. The ChNN classifier generated exceptionally favorable results even in case of noisy signal, CT saturation, and different ISPST parameters.}, keywords = {Energization,Internal Fault,Chebyshev Neural Network (ChNN),ISPST,PSCAD/EMTDC.‎}, title_fa = {حفاظت افتراقی ISPST با استفاده از شبکه عصبی چبیشف}, abstract_fa = {یک ترانسفورماتور تغییر فاز متقارن غیرمستقیم (ISPST) هم مدارهای متصل الکتریکی و هم مدارهای جفت شده مغناطیسی را نشان می دهد که آن را در مقایسه با ترانسفورماتور قدرت منحصر به فرد می کند. تمایز مؤثر بین جریان هجومی ترانسفورماتور و جریان خطای داخلی برای جلوگیری از خاموش شدن نادرست رله دیفرانسیل ضروری است. این تحقیق سیستمی را پیشنهاد می‌کند که از یک شبکه عصبی چبیشف (ChNN) به عنوان طبقه‌بندی کننده هسته برای تشخیص چنین خطاهای داخلی استفاده می‌کند. برای شبیه سازی از نرم افزار PSCAD/EMTDC استفاده کردیم. خطاهای داخلی و هجوم به روش های مختلف با استفاده از پارامترهای مختلف ISPST شبیه سازی شده اند. یک مجموعه داده بزرگ و شبیه سازی شده استفاده می شود و عملکرد در برابر ISPST با اندازه های مختلف ثبت می شود. ما دقت کلی بیش از 99٪ را مشاهده کردیم. طبقه‌بندی‌کننده ChNN نتایج فوق‌العاده مطلوبی را حتی در مورد سیگنال‌های نویزدار، اشباع CT و پارامترهای مختلف ISPST ایجاد می‌کند.}, keywords_fa = {انرژی بخشی,خطا داخلی,شبکه عصبی چبیشف (ChNN)}, url = {https://joape.uma.ac.ir/article_1598.html}, eprint = {https://joape.uma.ac.ir/article_1598_b411d0dcf8b92f3928d0f9c02ac84c8d.pdf} }