REGULARIZATION TECHNIQUES TO IMPROVE EFFICIENCY OF TIME DOMAIN PROTECTION

One component of time domain protection in a power system is estimating the location of a fault. In an embodiment, a multi-objective problem is formulated that comprises a non- smoothness penalization function that drives the primary objective function for fault location estimation towards a solution that respects smoothness between the inputs and outputs of a machine-learning model. This technique improves the accuracy, blind zone, and speed of state- of-the-art techniques, in the context of time domain protection, as well as for other regression tasks. In an additional or alternative embodiment that is specific to time domain protection, the multi-objective problem may comprise a phasor-deviation penalization function that drives the primary objective function towards a solution that minimizes deviations in phasor values. The trained machine-learning model may be executed in a line protection system to determine whether or not to trip a circuit breaker of a power line. Une composante de protection de domaine temporel dans un système d'alimentation estime l'emplacement d'une défaillance. Dans un mode de réalisation, un problème multi-objectif est formulé qui comprend une fonction de pénalisation sans lissage qui transmet la fonction objective primaire pour une estimation d'emplacement de défaillance vers une solution qui respecte la régularité entre les entrées et les sorties d'un modèle d'apprentissage automatique. Cette technique améliore la précision, la zone aveugle et la vitesse des techniques de l'état de la technique, dans le contexte de la protection du domaine temporel, ainsi que pour d'autres tâches de régression. Dans un mode de réalisation supplémentaire ou alternatif qui est spécifique à la protection de domaine temporel, le problème multi-objectif peut comprendre une fonction de pénalisation d'écart de phaseur qui entraîne la fonction objective primaire vers une solution qui réduit au minimum des écarts dans des valeurs de phaseur. Le modèle d'apprentissage automatique entraîné peut être exécuté dans un système de protection de ligne pour déterminer s'il faut ou non déclencher un disjoncteur d'une ligne électrique.