การศึกษาการบ่งชี้ลักษณะ Fault ด้วยค่าพารามิเตอร์ที่มีนัยสำคัญ

Study of indication in fault characteristics with significant parameters

Name: ณัฏฐ์ศรณ์ โชติอัครรัตน์

ThaSH: มหาวิทยาลัยเกษตรศาสตร์ -- วิทยานิพนธ์. วศ.ม. (วิศวกรรมไฟฟ้า) 2562.

Classification :.LCCS: QA76.87

ThaSH: มหาวิทยาลัยเกษตรศาสตร์. -- สาขาวิศวกรรมไฟฟ้า -- วิทยานิพนธ์

ThaSH: นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)

ThaSH: ระบบไฟฟ้ากำลัง

ThaSH: ระบบไฟฟ้า -- การบำรุงรักษาและการซ่อมแซม

Abstract: งานวิจัยนี้อธิบายถึงการประยุกต์ใช้โครงข่ายประสาทเทียม (Neural Network) เพื่อตรวจหาตำแหน่ง และประเภทของความผิดพร่องในระบบไฟฟ้ากำลัง โดยเก็บข้อมูลแรงดันของเฟส (A B และ C) แต่ละบัสเพื่อศึกษารูปแบบการเปลี่ยนแปลงของแรงดันขณะเกิดความผิดพร่องแต่ละประเภทขึ้น และหาความสัมพันธ์ระหว่างการเปลี่ยนแปลงของแรงดันกับระยะทางจากตำแหน่งที่สังเกตไปจนถึงจุดที่เกิดความผิดพร่องนั้น จากนั้นนำผลข้อมูลทั้งหมดที่ได้หลังจากการศึกษานำมาให้โครงข่ายประสาทเทียมเรียนรู้ จดจำ ซึ่งสามารถบ่งบอกระยะทาง ประเภทของความผิดพร่องที่เกิดขึ้นได้ โดยใช้ระบบพื้นฐาน 2 ระบบเป็นข้อมูลในการฝึกโครงข่ายประสาทเทียม คือ 9-bus system, 14-bus system และใช้ระบบที่ใช้งานจริงในการทดสอบการทำงานของโครงข่ายประสาทเทียม พบว่า โครงข่ายประสาทเทียมสามารถจดจำข้อมูลและให้ผลออกมาเป็นที่ต้องการได้ โดยมีค่าเปอร์เซ็นต์ความคลาดเคลื่อนดังต่อไปนี้ ระบบ 9-bus มี Bus Fault Error เฉลี่ยเท่ากับ 0.20311%, Type of Fault Error เฉลี่ยเท่ากับ 0.06227% ระบบ 14-bus มี Bus Fault Error เฉลี่ยเท่ากับ 0.43561%, Type of Fault Error เฉลี่ยเท่ากับ 0.07835% ซึ่งเป็นค่าที่สามารถเชื่อถือได้เมื่อนำข้อมูลจากระบบใช้งานจริงมาทดสอบซึ่งมี Bus Fault Error เฉลี่ยเท่ากับ 0.26084%, Type of Fault Error เฉลี่ยเท่ากับ 0.01936% This research describes the application of neural networks to detect position and type of fault in power systems. By collecting phase voltage (A, B and C) of each bus, the variation of voltage during fault in the power system is studied. The relation between the voltage change and the distance from the observed position to the point of the fault is found. Then the results of the data obtained after the study were brought to the artificial neural network to learn, remember and be able to indicate the distance, types of fault that occur. By using 2 basic systems as data in the neural network training is 9-bus system, 14-bus system and using the actual system to test the work of the neural network. The result shows that the artificial neural network can recognize the data and give the desired result. With the following error percentage. 9-bus system has an average Bus Fault Error equal to 0.20311%, Type of Fault Error, equal to 0.06227%. 14-bus system has an average Bus Fault Error equal to 0.43561%, Type of Fault Error is equal to 0.07835% which is a value that can be trusted when testing data from the actual system with 0.26084% of Bus Fault Error and 0.01936% of Type of Fault Error

มหาวิทยาลัยเกษตรศาสตร์. สำนักหอสมุด

Address: กรุงเทพมหานคร

Email: tdckulib@ku.ac.th

Name: เกียรติยุทธ กวีญาณ

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก

Created: 2562

Modified: 2567-06-10

Issued: 2567-06-10

วิทยานิพนธ์/Thesis

วิทยานิพนธ์/Thesis

application/pdf

URL: https://kasetsart.idm.oclc.org/login?url=http://www.lib.ku.ac.th/KUthesis/2561/natsorn-cho-all.pdf

CallNumber: QA76.87.ณ113

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมไฟฟ้า

Grantor: มหาวิทยาลัยเกษตรศาสตร์

©copyrights มหาวิทยาลัยเกษตรศาสตร์

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	natsorn-cho-all.pdf	3.93 MB

ใช้เวลา

0.030118 วินาที