شناسایی جریان هجومی، جریان در حالت نرمال و جریان خطا در حوزه حفاظتی ترانسفور ماتور قدرت با استفاده از شبکه عصبی بوسیله الگوریتم gsa (الگوریتم جستجوی گرانشی)وpso (بهینه سازی گروه ذرات)و مقایسه این دو روش با هم

پدیده جریان هجومی مغناطیس کننده یک حالت گذرای بزرگ است که به هنگام برقدار شدن ترانسفورماتور روی می دهد. اندازه جریان هجومی ممکن است تا 10 برابر جریان نامی ترانسفورماتور باشد که منجر به عملکرد نامناسب سیستمهای حفاظتی می گردد. در واقع تشابه بین ویژگی های جریان هجومی و شرایط خطای داخلی باعث بروز این خطا می گردد. بنابراین برای کارکرد ایمن ترانسفورماتور لازم است که جریان هجومی از جریان خطا تشخیص داده شود. در این پروژه یک شبکه عصبی مصنوعی که توسط دو الگوریتم مبتنی بر گروه یعنی الگوریتم جستجوی گرانش (gsa) و بهینه سازی گروه ذرات (pso) آموزش داده می شود، برای تشخیص جریان هجومی از جریان خطا در ترانسفورماتورهای قدرت بکار رفته است. الگوریتم جستجوی گرانشی بر مبنای قانون گرانش عمل می نماید و بر خلاف سایر الگوریتم های مبتنی بر گروه ذرات دارای هویت می باشد و الگوریتم بهینه سازی گروه ذرات مبتنی بر حرکت گروهی پرندگان می باشد. این پروژه شامل دو مرحله عمومی می باشد، در گام اول داده های بدست آمده از شبیه سازی، پردازش شده و به شبکه عصبی اعمال شده اند سپس در گام دوم شبکه عصبی در نظر گرفته شده با الگوریتم های جستجوی گرانشی و بهینه سازی گروه ذرات آموزش داده شده است. در نهایت به منظور نشان دادن اینکه این روش آموزش مفید بوده و منجر به نتایج دقیق تری می شود، نتایج بدست آمده از دو الگوریتم پیشنهادی و روش پس انتشار(bp) که یکی از رایج ترین روشهای آموزش شبکه های عصبی می باشد، مقایسه شده اند.