Search

This paper introduces a comparative study for fault detection and classification on parallel transmission line using cascade forward and feed forward back propagation. Both calculations were based on discrete wavelet transform (DWT) and Clarke’s transformation. Daubechies4 mother wavelet (Db4) was applied to decompose coefficients of wavelet transforms coefficients (WTC) and wavelet energy coefficients (WEC) of high frequency signals. The coefficients were inputs for training of neural network back-propagation (BPNN). The results showed that the feed forward back propagation algorithm of Artificial Neural Network (ANN) models responded better than Cascade forward back propagation algorithm models, particularly in fault detection and classification on parallel transmission. The results showed that the proposed method for fault analysis was able to classify all the faults on the parallel transmission line rapidly and correctly. Streszczenie. W pracy przedstawiono badanie porownawcze wykrywania i klasyfikacji uszkodzen rownoleglej linii przesylowej z wykorzystaniem propagacji kaskadowej do przodu i do tylu. Oba obliczenia oparto na dyskretnej transformacie falkowej (DWT) i transformacji Clarke'a. Falke macierzystą Daubechies4 (Db4) zastosowano do dekompozycji wspolczynnikow przeksztalcen falkowych (WTC) i wspolczynnikow energii falkowej (WEC) sygnalow wysokiej czestotliwości. Wspolczynniki stanowily dane wejściowe do szkolenia propagacji wstecznej sieci neuronowej (BPNN). Wyniki pokazaly, ze algorytm propagacji wstecznego sprzezenia zwrotnego modeli sztucznej sieci neuronowej (ANN) zareagowal lepiej niz modele algorytmu kaskadowego propagacji wstecznej, szczegolnie w wykrywaniu bledow i klasyfikacji w transmisji rownoleglej. Wyniki pokazaly, ze zaproponowana metoda analizy uszkodzen byla w stanie szybko i poprawnie sklasyfikowac wszystkie uszkodzenia na rownoleglej linii przesylowej. Wykrywanie bledow w rownoleglej linii przesylowej z wykorzystanirem transformaty Clarke’a