@article { author = {Venkata, P. and Pandya, V. and Sant, A.V.}, title = {Data Mining Model Based Differential Microgrid Fault Classification Using SVM ‎Considering Voltage and Current Distortions}, journal = {Journal of Operation and Automation in Power Engineering}, volume = {11}, number = {3}, pages = {162-172}, year = {2023}, publisher = {University of Mohaghegh Ardabili}, issn = {2322-4576}, eissn = {2423-4567}, doi = {10.22098/joape.2023.10185.1722}, abstract = {This paper reports support vector machine (SVM) based fault detection and classification in microgrid while considering distortions in voltages and currents, time and frequency series parameters, and differential parameters. For SVM-based fault classification, the data set is formed by analysing the operation of the standard IEC microgrid model, with and without grid interconnection, under different fault and non-fault scenarios. Fault scenarios also include different locations, resistances, and incident angles of fault. Whereas, for non-fault scenarios, the variation in load is considered. Voltages and currents from both ends of the distribution line (DL) are sampled at 1920 Hz. The time and frequency series parameters, total harmonic distortion (THD) in current and voltage, and differential parameters are determined. The SVM algorithm uses these parameters to detect and classify faults. The performance of this developed SVM based algorithm is compared with that of different machine learning algorithms. This comparative analysis reveals that SVM detects and classifies the faults on the microgrid with an accuracy of over 99.99%. The performance of the proposed method is also tested with 30 dB, 35 dB, and 40 dB noise in the generated data, which represent measurement errors.}, keywords = {Data Mining,Fault Identification and Classification,Microgrid Protection,Machine Learning,SVM.‎}, title_fa = {طبقه‌بندی خطای ریزشبکه دیفرانسیل مدل داده کاوی با استفاده از SVM با در نظر گرفتن اعوجاج‌های ولتاژ و جریان}, abstract_fa = {این مقاله شناسایی و طبقه‌بندی عیب مبتنی بر ماشین برداری (SVM) را در ریزشبکه پشتیبانی می‌کند، در حالی که اعوجاج‌ها در ولتاژها و جریان‌ها، پارامترهای سری زمان و فرکانس و پارامترهای دیفرانسیل را در نظر می‌گیرد. برای طبقه‌بندی خطای مبتنی بر SVM، مجموعه داده‌ها با تحلیل عملکرد مدل ریزشبکه استاندارد IEC، با و بدون اتصال به شبکه، تحت سناریوهای مختلف خطا و بدون خطا تشکیل می‌شود. سناریوهای خطا همچنین شامل مکان‌های مختلف، مقاومت‌ها و زوایای وقوع خطا می‌شوند. در حالی که برای سناریوهای بدون خطا، تغییر بار در نظر گرفته می شود. ولتاژها و جریان های دو سر خط توزیع (DL) در فرکانس 1920 هرتز نمونه برداری شده و پارامترهای سری زمان و فرکانس، اعوجاج هارمونیک کل (THD) در جریان و ولتاژ و پارامترهای دیفرانسیل تعیین می شود. الگوریتم SVM از این پارامترها برای شناسایی و طبقه بندی خطاها استفاده می کند. عملکرد این الگوریتم مبتنی بر SVM توسعه یافته با الگوریتم های مختلف یادگیری ماشین مقایسه شده است. این تحلیل مقایسه ای نشان می دهد که SVM خطاهای ریزشبکه را با دقت بیش از 99.99% شناسایی و طبقه بندی می کند. عملکرد روش پیشنهادی نیز با نویزهای 30 دسی بل، 35 دسی بل و 40 دسی بل در داده های تولید شده، که نشان دهنده خطاهای اندازه گیری است، آزمایش می شود.}, keywords_fa = {داده کاوی,شناسایی و طبقه بندی خطا,حفاظت ریزشبکه,یادگیری ماشین,SVM.‎}, url = {https://joape.uma.ac.ir/article_1655.html}, eprint = {https://joape.uma.ac.ir/article_1655_b2149c20dcd6fdffd56e18055f17855a.pdf} }