BİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA

Transkript

1 BİRLEŞİK DALGACIK-SİNİR AĞI MODELİ YAKLAŞIMI İLE ELEKTRİK GÜÇ SİSTEMLERİNDE ARIZA SINIFLAMA Oben DAĞ Canbolat UÇAK, Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlk Fakültes Yedtepe Ünverstes,, Erenköy, İstanbul e-posta: e-posta: ABSTRACT Ths paper presents an ntegrated desgn of a fault classfer whch uses a hybrd Wavelet-Artfcal Neural Network (ANN) based approach. The data for the fault classfer s produced by PSCAD/EMTDC smulaton program for. kv Sagmalcılar-Maltepe dstrbuton system n Istanbul, Turkey. It s amed to desgn a classfer capable of recognzng ten classes of three-phase dstrbuton system faults. A database of lne currents and lne-to-ground voltages s bult up ncludng system faults at dfferent fault ncepton angles and fault locatons. The characterstc nformaton over sx-channel of current and voltage samples s extracted by the wavelet mult-resoluton analyss technque. Then, an ANN-based tool was employed for classfcaton task. The man dea of ths approach s to solve the complex fault (three-phase short-crcut) classfcaton problem under varous system and fault condtons. A self-organzng map, wth Kohonen s learnng algorthm and type-one learnng vector quantzaton technque s mplemented nto ths study. The performance of the wavelet-neural fault classfer s presented and the results are analyzed n the paper. It s shown that ths technque correctly recognzes and dscrmnates the fault types and faulted phases wth a hgh degree of accuracy n the smulated model dstrbuton system. Anahtar Kelmeler Enerj dağıtımı, arıza sınıflama, dalgacık dönüşümü, çoklu-çözünürlük analz, yapay snr ağları, kendne-organze özellk hartaları, vektör kuantalamayı öğrenme.. GİRİŞ Kaltel elektrk enerjs üretm ve tüketclere temn edlmes günümüzde son derece öneml br yere sahptr. Kullanılan yüklern vermn ve etknlğn azaltması sebebyle tüketcler, güç kaltesndek bozuculara ve arızalara artık daha az tolerans göstermektedr. Elektrk enerjsnn kaltesn arttırmak çn tüketclere dağıtılan enerjnn sürekl zlenmes yoluna gdlmektedr. Güç zleme chazları kullanılarak bozucu dalga şekller zlenmekte ve kayıt edlmektedr. Bununla brlkte, bu chazlar, yakalanan snyallern verml ve hızlı br şeklde ayrıştırılması yeteneğnden çok dalga şekllernn görsel takbne dayandığından, yüksek mktarda vernn sınıflanması görev uzman güç kaltes mühendslernce yapılmaktadır []. Güç zleme chazlarının dalga şekllern yakalayıp kaydetme özellklerne ek olarak bu snyaller sınıflayablme becersne sahp olmaları arzulanan br özellktr. Bu özellk, otomasyon sstemlernde hızlı ve etkn karar verme süreçlernn sağlanmasına olanak tanıyacaktır. Sonuç olarak güç sstemlernden optmum vermn alınması ve tüketc memnunyetszlklernn de azaltılması mümkün olablecektr. Bu çalışmada, bozucu dalga şekllernn sınıflanması konusu çn önem taşıyablecek br yaklaşım sunulmaktadır. Yapılan çalışmanın ana fkr, on adet faz sstem arızalarının tanımlanmasına olanak sağlayacak br akıllı sstem tasarlanmasıdır. Arıza tp bulunduktan sonra gerekl mekanzmalar hızlı br şeklde devreye alınarak elektrk enerjsnn kaltesnn kesntye uğramasının önüne geçleblecektr. Bu amaçla, öncelkl olarak -baralı, kv Sağmalcılar-Maltepe dağıtım şebekes PSCAD/EMTDC le smule edlerek her arıza tp çn altı kanal akım ve gerlm blgler elde edlmştr. Daha sonra dalgacık dönüşümü ve çoklu çözünürlük analz kullanılarak her sınıf çn ayırt edc öz-ntelk vektörler elde edlmştr. Bu verler elde edldkten sonra yapay snr ağı (YSA) tabanlı sınıflayıcı model kullanılarak grlen snyallern brbrnden ayırt edlmes sağlanmıştır. Elde edlen sonuçlar, bldrnn son bölümünde verlmştr. Bu bldr, [] ve [] çalışmalarının br derlemes ntelğndedr. Daha detaylı blg çn bu kaynaklara başvurulablr.. ÖZ-NİTELİK ÇIKARILMASI Bu çalışmada sunulan arıza saptama ve sınıflama yaklaşımı şu üç genel adımdan oluşmaktadır: hat akımı ve hat-toprak gerlmlernn üretlmes, bu snyal kümeler kullanılarak YSA nın eğtlmes ve sstemn test edlmes. Eğtm kümeler

2 elektromanyetk geçc bleşen benzetm programı kullanılarak elde edlmştr. Sınıflama performansını arttırmak amacıyla, üretlen snyaller br ön şlemden geçrlmştr. Bu ön-şleyc modülünün görev dalga şekllernn belrl karakterstklern çıkartmak ve buna ek olarak bu snyallerden olusan ver yığını boyutlarını azaltarak YSA ağının yükünü azaltmaktır. Öz-ntelk çıkartma şlemnn hedefler; () kategorlern tpk karakterstklernn elde edlmes, ve () kategorler arası ayırt edc ntelklern çıkartılmasıdır. Bu bldrde sunulan özellk çıkartım yöntem dalgacık dönüşümü (DD) ve çokluçözünürlük analz (ÇÇA) teknklerne dayanmaktadır. ÇÇA, ayrık dalgacık dönüşümü (ADD) kullanarak zamanla değşen snyallern frekans bleşenler olarak fade edlmesn sağlamaktadır []. ÇÇA, zaman uzayındak tek boyutlu br şaretn zaman ve ölçek uzayında k boyutlu br fonksyona dönüştürülmesne olanak sağlar. DD, şaretlern farklı ölçek ve pozsyonlarda bast bloklar (dalgacıklar) halnde fade edlmesn sağlar. Asıl amaç, karmaşık br f(t) şaretn ortonormal baz fonksyonları (ölçekleme ve dalgacık fonksyonları) bçmnde fade edeblmektr. Ölçekleme ve dalgacık fonksyonları, farklı pozsyonlarda ve ölçeklerde dalgacıklar elde edlmes amacıyla dönüştürülmekte ve ölçeklendrlmektedr. Dalgacık fonksyonları verlen şaretn detaylarına karşılık gelen yüksek frekans bleşenlern, ölçekleme fonksyonu se snyaln alçak frekans bleşenlern göstermektedr. Bu k fonksyon kullanılarak f(t) şaret yenden oluşturulablr. Bu se çoklu çözünürlük şaret oluşturma (MSD) yöntem olarak adlandırılmaktadır. ADD ve MSD teknklernn detaylı tanımlaması [] makalesnde bulunablr.. UYARLAMALI ÖRÜNTÜ SINIFLAYICI Arıza sınıflama çalışmalarında kullanılan YSA modellernn brçoğu, çok katmanlı ler-beslemel ağ mmarsne sahptr. Geleneksel eğtcl gerye yayılım (GY) algortmasında grş-çıkış kümelernden oluşan örnekler YSA ya verlmekte ve YSA nın grşçıkış verler arasındak lşky öğrenmes beklenmektedr. Bununla brlkte, GY ağının eğtm sürec zaman alma, yüksek mktarda eğtm kümes gerektrme ve kolay br şeklde yerel mnmum noktasında çakılı kalablme zaaflarına sahptr. Bundan başka, YSA nın yen eğtm kümeler le eğtm de zor olablmektedr. Sonuç olarak bu yöntem arıza sınıflama çn yeterl olmayablr. Br başka yaklaşım se kendne-organze ağ tasarımı kullanarak eğtcsz öğrenme algortması le sınıflama yapmaktır. Burada sınıflayıcı ağının görev arıza sınıflarını kümelemektr; bu se br örüntü tanımlama problem olarak ntelendrleblr. Kendne-organzasyon, dışardan eğtc örnekler verlmekszn öğrenme şlem olarak nteleneblr. Burada grş örnekler ssteme verldğnde, kendne-organze ağını oluşturan brbrne komşu şlem brmler (nöronlar) bu örneklern öz-ntelklern yakalayıcı dedektörler ntelğ kazanmaktadır. Bu şeklde herbr yerel nöron grubu grşte verlen örnekler çn kodlayıcı vazfes görmektedr []. Eğtcsz öğrenme metodu le öğrenme aşamasından sonra YSA sınıflama görev çn hazır hale gelmektedr; böylece grş verlernden alınan öz-ntelkler sınıflara atanmaktadır. Br kendne-organze hartası tekl olarak sınıflayıcı rolü alablmesne rağmen, lteratürde [] ve [], en y performans çn kendne-organze hartasının (KOH) br eğtcl öğrenme model le brleştrlmes önerlmştr. Burada kendne-organze hartasının şlev, br uyarlamalı örüntü sınıflama problemnn lk safhası olarak nteleneblr. İknc aşamada vektör kuantalamayı öğrenme (LVQ) teknğ le özellk hartasının yleştrlmes sağlanmaktadır. Kendneorganze harta le eğtcl öğrenme yapılarının brleşm hbrt uyarlamalı örüntü sınıflayıcısını oluşturmaktadır []. Bu çalışmada, Kohonen algortmasını kullanarak KOH ve LVQ teknkler uygulanmıştır []. KOH, karmaşık doğrusal olmayan yüksek boyutlu ver çndek gzl blgnn elde edlmesn ve bunun düşük boyutlu bast geometrk br yapı şeklnde gösterlmesn sağlamaktadır. KOH eğtm prosedürü teratfdr; her eğtm adımında grş ver kümes çnden örnek br x vektörü rasgele seçlerek, bu vektör le dğer prototp vektörler arasındak mesafe hesaplanır. b le gösterlen en y uyan brm (BMU) x vektörüne en yakın prototp vektörünü çeren harta elemanı (nöron) olmak üzere şu şeklde fade edlr; b { x m } x m = mn () Daha sonrak aşamada prototp vektörler güncellenr. BMU ve onun topolojk komşuları grş uzayında başlangıçta grlmş olan grş vektörüne yaklaştırılır. Br elemanındak prototp vektörünün güncellenmes [ x m ( )] m ( t + ) = m ( t) + η ( t) h ( t) t () kuralına [] göre yapılır. Burada t ayrık zaman, < η ( t) < zamana bağlı öğrenme oranı, h b (t) kazanan eleman çn komşuluk fonksyonudur. Bu çalışmada, Kohonen n LVQ algortması [] eğtcl sınıflayıcı olarak modele eklenmştr. LVQ algortması, sınıf blgsn kullanarak KOH üzerndek Vorono vektörlernn yavaşça hareket ettrlerek, sınıflayıcının karar bölgelerndek ayırtedeblme becersnn arttırılmasını sağlamaktadır.. BENZETİM SONUÇLARI Bu çalışmadak arıza sınıflama problem, on adet kısadevre sstem arızalarının ayırt edleblmes çalışmasını kapsamaktadır. Bu sınıflar AG, BG, CG, AB, AC, BC, ABG, ACG, BCG, ve ABCG olarak adlandırılmaktadır. A, B, C ve G harfler sırasıyla faz A, faz B, faz C ve b

3 toprak olarak tanımlanmıştır. YÜK MVA cos φ =. Y ÜK MV A cos φ =. TRF KABLO KABLO TRF MVA.KV/. KV H Z YÜK MVA cos φ =. km,x(xmm)xlpe./. KV MVA.KV/. KV H Z C BANKASI. MVA km,x(x mm)xlpe. /. KV KV HZ MVASC TRF İndrc MVA H Z KV/. KV KABLO MVA.KV/. KV HZ TRF. km,x( xmm)xlpe./. KV YÜK MVA cos φ =. KABLO TRF MVA HZ.KV/. KV YÜK MVA cos φ =. KABLO TRF MV A.KV/. KV HZ km,x( xmm)xlpe./. KV km,x(xmm )XLPE./. KV Ver Izleme ( V, I ) Şekl.. kv Sagmalclar-Maltepe Dağıtım Şebekesnn Tek- Hat Dyagramı. Çalışmada, İstanbul dak br dağıtım şebekesnn PSCAD/EMTDC programı le benzetm yapılmıştır. Test sstemnn ağ paremetreler Şekl üzernde gösterlmştr. -baralı sstemn baz gerlm. kv, baz gücü se MVA dr. Tüm test vers Şekl de düğüm olarak gösterlen ana ndrc trafonun (TRF) sekonder barası üzernden alınmıştır. Amaç, sadece. kv baradan alınan akım ve gerlm blgsn kullanarak şebekenn herhang br noktasında oluşan arızanın tanımlanablmesdr. Herbr örnek kümes, br saha zleme chazının tpk olarak yakalayacağı ve şlenmek üzere hafıza üntesnde saklayableceğ üç kanal hat akımı ve üç kanal hattoprak gerlm snyallernden oluşmaktadır. A. PSCAD/EMTDC le snyal üretlmes PSCAD/EMTDC yazılımı le test sstemnn çeştl noktalarında ve farklı oluşum anlarında tek faz toprak, k faz, k faz toprak, ve üç faz toprak olarak dört tp arıza senaryolarını çeren benzetmler yapılmış ve altı kanal şaret blglern çeren br vertabanı oluşturulmuştur. Daha sonra, altı kanal dalga şekllernden meydana gelen ver kümeler oluşturularak sınıflama modelnn knc aşamasını oluşturan şaret ön-şleycye grlecek hale getrlmştr. Bu ver kümesnde, herbr kanal khz örnekleme frekansında ( Hz temel frekans), [msn] lk peryod şeklnde üretlmştr. Böylece, (,) matrs boyutlarında altı-kanal ver kümeler oluşturulmuştur. B. ÇRA le öz-ntelk çıkarılması Öz-ntelk seçm şlemnde kullanılan krter, herbr sınıfı dğerlernden ayırt etmey sağlayan öneml karakterstklern elde edlmesdr. Dalgacık çoklu çözünürlük analz teknğ br ön-şleyc şeklnde kullanılarak, her sınıf daha küçük boyutlarda ver kümeler bçmne dönüştürülmüştür. Öz-ntelklern elde edlmes sürecnde dalgacık dönüşümü teknğnn kullanılmasındak ana fkr, herbr şaret tp çn elde edlen dalgacık dönüşümü katsayılarının özgün ve tek olmasıdır. Dalgacık dönüşümü teknğne ek olarak tanımlayıcı statstk analz teknğ de kullanılarak ver kümesnn en belrleyc özellklerden oluşan yapılar bçmne ndrgenmes amaçlanmıştır. Burada on-katsayılı Daubeches fltres le dyadkortonormal dalgacık dönüşümü kullanılarak beşsevyel MSD analz uygulanmıştır. Böylece, hem yüksek hem de alçak frekanslardak tüm bozucu özellklern yakalanması sağlanmıştır. C. Öz-ntelk Vektörü Altı kanal akım ve gerlm örneklerndek karakterstk blg, Şekl de görülen ön-şleyc le çıkartılmıştır. Herbr altı kanal ver kümes, paremetreden oluşan öz-ntelk vektörlerne dönüştürülmüştür. Buna göre, br öz-ntelk vektörü paremetreler şunlardır:. Arıza oluşumundan önce herbr akım şaretnn genlğ.. Arıza oluşum anında herbr akım şaretnn genlğ.. Herbr akım şaret kanalının.-. khz v. Herbr akım şaret kanalının.-. khz v. Herbr akım şaret kanalının.-. khz v. Herbr akım şaret kanalının.-. khz v. Herbr akım şaret kanalının.-. khz v. Herbr gerlm şaret kanalındak güç bleşen. x. Herbr gerlm şaret kanalındak enerj bleşen. Yukarıda verlen parametrelern tanımı şu şeklde yapılablr: Akım şaretlernn enerj bleşen, Parsevals Teorem ( [], []) kullanılarak farklı çözünürlük sevyelernde elde edlmştr. Beş-sevye MSD nn farklı çözünürlük sevyelerndek ADD katsayılarının standart sapması, akım şaretlernn enerj bleşen olarak kullanılmaktadır. Her akım

4 kanalı çn beş-sevye detay katsayılarının standart sapmaları hesaplanarak onbeş parametre elde edlmştr. Sınıflayıcı vermne yardımcı olması amacıyla akım şaretlernn genlklerndek değşme blgs de öz-ntelk olarak kullanılmıştır ve altı adet parametre elde edlmştr. Yavaş br değşm gösteren (gerlm sarkmaları ve şşmeler gb) olayların saptanması çn gerlm şaret güç bleşen (ortalama karesel değer) kullanılmıştır []. Üç adet gerlm şaret çn hesaplanan güç bleşenler de öz-ntelk vektörü çn üç bleşen oluşturmuştur. Bunlardan başka, sınıflayıcının vermn yleştrmek çn gerlm şaretlernn standart sapması da hesaplanarak özntelk vektörünün dğer üç parametres elde edlmştr. Elde edlen öz-ntelk vektörü, daha sonrak aşamada, YSA ya grş vers olarak uygulanmaktadır. Uyarlamalı Örüntü Sınıflayıcı Ön-şleyc EMTDC/PSCAD MSD le özntelk çıkartma Ozntelk Vektörü Kohonen Ağı LVQ Sınıf Etketler Egtc Şekl.. Uyarlamalı örüntü sınıflayıcı mmars. vektörü ver kümelernden oluşan vertabanı br YSA nın eğtm fazı, dğer se YSA nın test fazı çn olmak üzere k parçaya ayrılmıştır. Eğtm kümes adet örnekten (her sınıf çn adet örnek) oluşmaktadır. Test kümes se adet (her sınıf çn örnek) örnekten oluşmaktadır. Şekl de gösterlen hbrd örüntü sınıflayıcı üzernde brçok parametre değşm yapılarak (kendne-organze harta boyutu, harta yapısı gb) farklı benzetmlerle en y performansın elde edlmesnn sağlayacak sstem elde edlmştr. Optmum performans; lneer, dkdörtgen yapıda, (,) boyutunda harta le elde edlmştr. Sınıflama oranı eğtm kümes çn %. ve ssteme daha önce hç grlmemş test kümes çn %. olarak elde edlmştr. Benzetm sonuçları hakkında detaylı blg [] ve [] de bulunablr. KOH un LVQ le eğtlmesnden sonrak durumu Şekl de gösterlmştr. Bu gösterm bçm hthstogramları olarak ntelenen []; br ver kümesnn alınıp, herbr örnek çn BMU nun elde edlmes ve harta elemanındak sayıcının her yen BMU oluşunda arttırılması yöntem le oluşturulmaktadır. Hthstogramlarının boyutu, o bölgedek harta elemanının (nöron) kaç kez BMU seçldğn fade etmektedr. Bu gösterm bçm, ver kümesnn kendne-organze harta üzerndek dağılımını göstermektedr. Şekl de aynı anda brden fazla ht-hstogramı kullanılarak test ver kümesnn dağılımı gözlemlenmştr. Burada, adet ver kümesnn hthstogramları şu tanımlamaya göre gösterlmştr: AG arıza sınıfı le, BG arıza sınıfı le, CG arıza sınıfı le, AB arıza sınıfı le, BC arıza sınıfı le, AC arıza sınıfı le, ABG arıza sınıfı le, BCG arıza sınıfı le, ACG arıza sınıfı le, ve son olarak ABCG arıza sınıfı se le etketlendrlmştr. Şekl ün arka fonundak görüntü se KOH un brleştrlmş mesafe matrsdr (U-mat). (U-mat, burada enterpole edlmş renk gölgeleme teknğn kullanmaktadır). U-mat, KOH un kümeleme yapısını analz etmeye olanak sağlayan br görüntüleme teknğdr. Komşu harta elemanlarının prototp vektörler arasındak mesafeler ve KOH un kümeleme yapısını göstermektedr. Koyu renkler komşu harta elemanları arasındak uzak mesafey (küme sınırlarını) fade etmektedr. Kümeler se açık renkl bölgeler le temsl edlr. Şekl dek U-mat görsel olarak ncelenerek ble farklı sınıfın ayırt edlebleceğ görülmektedr. Fakat bu sınıflamanın daha rahat anlaşılması amacıyla hthstogramları kullanılmıştır. D. YSA sınıflayıcısı ve benzetm sonuçları PSCAD/EMTDC kullanılarak farklı durumdan oluşan br vertabanı oluşturulmuştur. Herbr arıza durumu çn ver kümeler Şekl de gösterlen önşleyc kullanılarak şlenmş ve paremetreden oluşan adet grş vektörü elde edlmştr. Grş

5 Şekl. Test versnn U-mat üzerndek ht-hstogramları gösterm.. SONUÇ Enerj dağıtım sstemler çn br brleşk dalgacık- YSA tabanlı arıza sınıflayıcı model araştırılmıştır. Bu amaç çn on adet arıza tp belrlenmş ve kullanılmıştır. Kullanılan sınıflayıcı modelnn yüksek doğruluk oranı le sınıflama yapableceğ gösterlmştr. Arıza sınıflama modelnn verm lteratürdek benzer modellere yakındır. Örneğn, [] de Mladen Kezunovc ve Igor Rkalo YSA tabanlı eğtcleğtcsz hbrd sstem le br letm hattındak onk sınıftan oluşan sınıflama problemnn %. oranı le sınıflanableceğn belrtmşlerdr. Bundan başka, [] da br dalgacık YSA-bulanık mantık yaklaşımı kullanılarak güç kaltes bozucu şaretler eğtm kümes çn % ve test kümes çn de % başarım oranı le sınıflanablmştr. Şekl de gösterlen arıza sınıflayıcısı farklı arıza örneğ le eğtlmş ve farklı test datası le de test edlmştr. Kullanılan modeln verm test verler çn % le % arasında elde edlmştr. Test sonuçları KOH tabanlı modeln, arıza sınıflama problem çn uygun olduğunu göstermektedr. Bu çalışma, brleşk dalgacık-ysa teknğnn güç sstemlernde kısa devre arızalarının tanımlanması amacıyla kullanılableceğ gösterlmektedr. Bu aşamadan sonra karar verme sürecnde br uzman sstem model kullanılarak hızlı ve etkn br otomasyon model oluşturulablr. KAYNAKLAR [] S. Santoso, E. J. Powers, W. M. Grady, A. J. Parsons, Power Qualty Dsturbance Waveform Recognton Usng Wavelet-Based Neural Classfer-Part : Theoretcal Foundaton, IEEE TRANS. POWER DELIVERY, /, -, Ocak.. [] O. Dağ, Yüksek Lsans Tez, İSTANBUL TEKNİK ÜNİVERSİTESİ, Combned Wavelet Neural Classfer for Power Dstrbuton Systems, Mayıs. [] O. Dag, C. Ucak, Combned Wavelet-Neural Classfer for Power Dstrbuton Systems, ARI, İSTANBUL TEKNİK ÜNİVERSİTESİ BÜLTENİ, /, -, Mayıs. [].M. Vetterl, C. Herley, Wavelets and Flter Banks: Theory and Desgn, IEEE TRANSACTIONS ON SIGNAL PROCESSING, /, -,. [] S. Mallat, A Wavelet Tour of Sgnal Processng, Academc Press, Cambrdge,. []..S. Haykn, Neural Networks: A Comprehensve Foundaton, Prentce Hall Internatonal. Inc., New Jersey,. [] J. A. Kangas, T. Kohonen, J. T. Laaksonen, Varants of Self-Organzng Maps, IEEE TRANSACTIONS ON NEURAL NETWORKS, /, -, Mart.. [] A. M. Gaouda, E. F. El-Saadany, M. M. A. Salama, V. K. Sood, ve A. Y. Chkhan, Montorng HVDC Systems Usng Wavelet Mult-Resoluton Analyss, IEEE TRANSACTIONS ON POWER SYSTEMS, /, -, Kasım.. [] A. M. Gaouda, M. M. A. Salama, M. R. Sultan, ve A. Y. Chkhan, Power Qualty Detecton and Classfcaton Usng Wavelet- Multresoluton Sgnal Decomposton, IEEE TRANSACTIONS ON POWER DELİVERY, /, -, Eylül.. [].A. Elmtwally, S. Farghal, M. Kandl, S. Abdelkader, ve M. Elkateb, Proposed Waveletneurofuzzy Combned System for Power Qualty Volatons Detecton and Dagnoss, IEEE PROC. GENER. TRANSM. DISTRIB., /, -, Ocak.. [] J. Vesanto, J. Hmberg, E. Alhonem, ve J. Parkankangas, SOM Toolbox for Matlab, Helsnk Unversty of Technology, URL: [] M. Kezunovc, L. Rkalo, Detect and Classfy Faults Usng Neural Nets, IEEE COMPUTER APPLICATIONS IN POWER, -, Eylül..