Journal of Novel Researches on Smart Power Systems

fa ارائه طرح حفاظتی دیفرانسیلی مبتنی بر مدل ترکیبی C‏NN-LSTM برای تشخیص زودهنگام و طبقه‌بندی خطاهای داخلی سیم‌پیچی در ترانسفورماتورهای قدرت A CNN–LSTM Based Differential Protection Scheme for Early Detection and Classification of Internal Winding Faults in Power Transformers تخصصي Special پژوهشي Research <div style="text-align: justify;">ترانسفورماتورهای قدرت از تجهیزات حیاتی در شبکه‌های انتقال و توزیع هستند که بروز خطاهای داخلی در آن‌ها می‌تواند منجر به خسارت‌های سنگین و کاهش پایداری شبکه شود. تشخیص سریع و تفکیک دقیق خطاهای سیم‌پیچی از پدیده‌های گذرا، چالش اصلی در حفاظت دیفرانسیل است. در این مقاله، یک مدل هوشمند ترکیبی مبتنی بر شبکه‌های عصبی کانولوشنی و حافظه طولانی‌مدت کوتاه‌مدت (CNN-LSTM) جهت تشخیص زودهنگام و طبقه‌بندی خطاهای داخلی ارائه شده است. در روش پیشنهادی، از سیگنال‌های جریان تفاضلی سه‌فاز به‌عنوان ورودی استفاده می‌شود؛ به‌طوری‌که لایه‌هایCNN وظیفه استخراج ویژگی‌های مکانی و محلی از شکل‌موج‌ها را بر عهده داشته و لایه LSTM وابستگی‌های زمانی موجود در سیگنال‌های گذرا را فرا می‌گیرد. سناریوهای مختلفی شامل وضعیت عادی، جریان هجومی و انواع خطاهای داخلی (فاز به زمین، فاز به فاز و سه‌فاز) شبیه‌سازی شده است. نتایج حاصل از ارزیابی مدل نشان می‌دهد که ساختار ترکیبی پیشنهادی با دستیابی به دقت ۹۸.۴ درصد، عملکرد بهتری نسبت به مدل‌های تک‌ساختار CNN و LSTM نشان می‌دهد. این مدل با سرعت پاسخ‌دهی بالا و دقت در تفکیک جریان هجومی، پتانسیل بالایی جهت به‌کارگیری در نسل جدید رله‌های حفاظتی هوشمند دارد. </div> <div style="text-align: justify;">Power transformers are critical assets in transmission and distribution networks, and internal faults can cause substantial equipment damage and compromise power system stability. The rapid detection of winding faults and their accurate discrimination from transient phenomena remain key challenges in transformer differential protection. This paper proposes an intelligent hybrid model based on a convolutional neural network and long short-term memory network (CNN–LSTM) for the early detection and classification of internal transformer faults. Three-phase differential current signals are used as inputs to the proposed model. The CNN layers extract salient local and spatial features from the current waveforms, while the LSTM layer captures the temporal dependencies embedded in the transient signals. Various operating scenarios are simulated, including normal operating conditions, magnetizing inrush current, and different types of internal faults, namely phase-to-ground,  phase-to-phase, and three-phase faults. The evaluation results demonstrate that the proposed hybrid architecture achieves an accuracy of 98.8%, outperforming standalone CNN and LSTM models. With its fast response and high accuracy in discriminating internal faults from magnetizing inrush currents, the proposed model shows strong potential for implementation in next-generation intelligent protective relays.</div> ترانسفورماتور قدرت, خطای داخلی, حفاظت دیفرانسیل, شبکه عصبی کانولوشنی, LSTM, تشخیص زودهنگام خطا CNN–LSTM, differential protection, early fault detection, internal fault, long short-term memory, power transformer 1 14 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-72-19&slc_lang=fa&sid=1 Ehsan Akbari احسان اکبری e.akbari@ustmb.ac.ir 10031947532846003262 10031947532846003262 Yes Department of Electrical Engineering, Mazandaran University of Science and Technology, Babol, Iran دانشکده مهندسی برق، دانشگاه علوم و فنون مازندران، بابل، ایران