TELKOM NIKA , Vol.14, No .2, June 20 16 , pp. 741~7 4 7   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i1.2750    741      Re cei v ed  Jan uary 2, 2016;  Re vised Ma rch 18, 2016; A c cepted Ap ril 2, 2016   Fault Diagnosis of Power Network Based on GIS  Platform and Bayesian Networks      Yunfang Xie * , Yuhong Zhou, Weina  Liu  Coll eg e of Mechan ical a nd El ectrical En gin e e rin g , Agricultu r al Univ ersit y   o f  Hebei,    Baod ing  071 00 1, Hebe i, Chin a  *Corres p o ndi n g  author, e-ma i l : xy f 2 0 01_ 20 0 1 xd w @ 16 3.co m      A b st r a ct   In order to det ermine th e loc a tion of the fau l t  comp on ents of the pow er n e tw ork quickly  and g i ve   troubl esho otin g so lutio n s, thi s  pa per  obta i n s  a s i mpl i fy  structure  of rel a y  protec ti on  an d  circuit-br eak er  as   key eq uip m ent  by an aly z i n g t he p o w e r netw o rk topo logy  of  GIS platform  and  uses th e B a yesi an n e tw orks  fault dia g n o sis  algor ith m  an d  finally d e si gn s the  pow er n e tw ork fault di agn osis  mo dul e base d  on G I S  platfor m . F a u l t dia gnos is a l g o r i thm bas ed  on   Bayesi an  netw o rks is  a n e w  meth od  for p o w er netw o rk fa ult  dia gnos is w h ic h dea ls w i th the pow er netw o rk fault dia g n o s is w i th inco mplete a l ar m si g nals ca use d  by  the   protectio n  dev ice ’ s a nd the  circuit break er ’ s  malfu n cti on or refus a l  to move, d e vice fai l ure  of   communic a tio n  and oth e r rea s ons in the  us e of Bayesi an  netw o rks meth od.  T h is meth od estab lis hes  the  transmissio n   li ne fa ult d i a gno sis  mod e l  by  u s ing  No isy-Or, Noisy-An d  nod e  mo del  an d s i mi lar BP  n eura l   netw o rk back prop agati on a l gorith m , an d o b tains the  fau l t trust degree o f  each compo n ent by usin g the  formu l a, a nd fi nally  d e termin e s the fa ult a ccordi ng to  th e fault trust  d egre e . T he  practical  en gin e e rin g   app licati on s h o w s that the se a r ch sp eed  a nd  accuracy  of  fau l t dia g n o sis  are  i m prov ed  by  a pplyi ng  the  faul t   dia gnos is mod u le b a se d on GIS pl atform a n d  Bayesia n  netw o rk.    Ke y w ords : Bayesian Networks, Faul t Diagn osis, Pow e r Ne tw ork     Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  At present, the mai n  po wer n e two r k fa ult locatio n  i s  based  on th e sche dulin g  model.  This  mod e l la ck s t h e n e ce ss ary   simul a t i on a nd d o e s   not provide t he line  loa d  t r an sfer sch e me,  so the  co ntro l of the line is bas ed o n  th e natural on/ off powe r . Th e circuit - brea ker  co ntrol  st ate  and li ne  relati onship i s  n o t  quantified,  an d the  pro b le m solvin g i s  l a ck of  releva nt mathem atical   model, so tha t  the efficien cy of fault diag nosi s  al gorith m  is n o t high,  and the r e i s   no informatio n  about the structure of the  overhe ad line ,  and the stru cture of the  p o we r network is lack of visua l   image [1]. Base d on the  GIS platform  whi c h can p r ovide the to pology of the  actual lin e, th e   power  net work  di agn osi s  system solve s  the abov e proble m s. The  GIS platform expresse s the   logical co nne ction of the  tower, the  ci rcuit - brea ke r and the ove r head lin e, so it provide s  a  simulatio n  en vironme n t. On this  ba sis  a nd u s ing th e  map info rmati on of road  an d co nst r u c tio n ,  we can ma ke  the fault point positionin g  more a c curate and intuitive.  On the othe r hand ， in o r der to imp r o v e the accuracy and the  rapidity of the fault  diagn osi s , many native and foreig n schol ars have   broug ht forward expe rt system, artifi cial   neural n e two r k, fu zzy pet ri net a nd  gen etic al gor ith m  and  so o n  [ 2 -4]. Mo st  of these m e tho d s  can  gain  a  satisfying resu lt for the a ccurate  and  co mplete  sign al s that a r e  se nd to the  con t rol  cente r  [5-6]. Ho wever, in t he a c tual p r o c e ss  of  fault diagn osi s  it n eed s un ce rta i nty reasonin g   becau se  of the la rge  am ount of  un ce rtai n kno w le dge and dat a  which  a r e   ca used by  the   prote c tion or brea ke r  m a lfu n ction,   reje cti on, chan nel transmi ssion  in terfere n ce e r rors,  protectio n   action time  deviation an d other fa ct ors. In m a n y  unce r tain  rea s oni ng m e thod s, Bayesia n   netwo rks m e thod should  be taken a s   the first con s ideratio n be cause of  its strict proba bility  theory fou n d a tion. In con s ideratio n of th e flexib le  cau s ual  re asonin g  and  dia gno sis re asonin g  of  Bayesian  net works, it can  be used in rese archin g di agno si s of the fault of the powe r  net work  unde r the in complete al arming si gnal  mode  whi c h  i s  cau s ed  by the protectio n  device’ s an d  the  circuit brea ke r’s malfu n ctio n or refusal to mo ve, and  the device f a ilure  of com m unication.  So,  the Baye sian   netwo rks met hod i s   used f o r fa ult dia g n o si s of  po we r network i n  th is p ape r. By t h is   method  whi c h u s e s  Noisy-Or,  Noi s y-And no de m odel a nd  si milar BP n e u ral  network ba ck  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  741 – 74 7   742 prop agatio n algorith m , the transmi ssion  line fault di agno sis mo del  is establi s he d. The fault trust   degree  of e a ch  compo n ent is obtain ed by u s i n g  the formula,  and t he fau l t is det ermi ned   according to the fault trust  degree.   This pap er di scus  that  the power network  e s tabli s he s  the sim p lified  topology  wh ose  key   equipm ent is  the relay p r ot ection  and  circuit-b r e a ke r  on the ba si s  of the GIS platform from t h e   point of vie w  of  engi ne ering  ap plica t ion. The n ,  usin g Baye si an n e two r ks fault dia g n o si s  algorith m , the po wer  net work  can  qui ckly a nd a ccurately dete r mine the lo cation of the f ault  point, and the  operatio n ticket of line  sce ne ca n autom atically gen erated.       2. Po w e r  Ne tw o r k Faul t Diagnosis Ba sed on GIS Platform   B e cau s e  t h e  mult i po we r  su pply  ci r c u i t  has t h e  ch ara c t e ri st ic s  of  com p lex   s t ruct u r e,   multi loop a n d  difficult con t rol, so the  re sea r ch  on fa ult cha r a c teri stics of po we r network ba se d   on g r id  topol ogy st ru cture  [7]. As th e f ault info rmati on  com e s fro m  the  po sitio n  of th e  circuit- brea ke r, the   con n e c tion  relation ship  a nd the  ele c tr i c al  qua ntity, the st ru ctural  fault an alysi s  i s   different fro m  the  po we r g r id  analy s is of ot h e r ele c tri c  p o w er a pplication  softwa r e.  The   cha r a c teri stic analysi s  (th eoreti c al lo ss calculat ion, flow calculatio n etc.) of the  general po wer  grid fo cu s  on  the  con necti on b e twe en t he  con n e c tions  of pri m ary  devices. T h e  Powe r  network  fault diagn osi s  is  an a naly s is  of the lo cal po wer  net work,  which  only analy z e s  the  con n e c tion   betwe en the  electri c al  equ ipment an d th e po wer  netwo rk i n  the faul t area. At the same tim e , we   must e s tabli s h a  co nne ctio n bet wee n  va riety of secon dary e quip m e n t (in c ludi ng  relay protectio n   and a u tomati c devi c e )  an d prim ary d e v ices and   a  variety of eq uipment [8].  Therefore, th e   resea r ch met hod ba se d o n  the GIS pla tform ca n be  cho s e n  to re alize fault a n a lysis  better.  The  netwo rk m a n ageme n t of the power n e twork ba se d o n  GIS platform provide s  the topology of the   actual lin e. A scene  simul a tion environ ment ba s ed  on GIS platform i s  provided abo ut logi ca l   con n e c tion b e twee n the tower,  circuit-b r eaker, and ov erhe ad line.   GIS platform  has  reali z e d  the integ r ated   manag eme n t of power  net work d a ta. When th e   actual  circuit  faults occu r, the  detectio n  of the circuit-brea ker  state is the ba sis of the fa ult  diagn osi s . In  this p ape r,  the ci rcuit-b r eaker  state  monitori ng te rminal  of 4G  com m uni cati on  module  is introdu ced, a nd t he mo dule  se nds a  comm a nd to the  mo nitoring  cente r  to id entify the  status of the  curre n t line whe n   the circuit-brea ker i s  disconn ecte d. The circuit - brea ker  state is  achi eving sy nch r on ou s a nd real -time displ a y  on the GIS platform. Und e r the premi s e,  the   topology of  multi po wer  sup p ly ci rcuit is  st udie d ,  and the  si m p lified topol o g y of the  rel a y  prote c tion  an d ci rcuit-b r ea ker a s  the  ke y equipm ent i s  e s tabli s he d .  Finally, the l i ne fault lo cat i on  is d e termi n e d  by  usin g t he Baye sian   netwo rks faul t diagn osi s   a l gorithm.  Fig u re  1  sh ows the  spe c ific p r og ram flow ch art .           Figure 1. Fau l t diagno sis fl ow chart of th e power net work b a sed on  GIS  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Fault Diag no sis of Po wer  Network Based  on GIS Platform  and Baye sia n … (Y unfang Xie )   743 3. The Ba y esian net w o r ks  fault diagno sis algorith m   3.1. Nois y - Or model  Noi s y-O r  nod e in Bayesia n  netwo rks i s  a gene rali zation of logic "or". The Noisy-O r   model i s  simil a r to logi c "or", when all th e premi s e s  of  Nj are fal s e,  the events  re pre s ente d  by Nj   are  also take n a s  false. But the differe nt from lo gic  "or" is that if  a premise  of  Nj is tru e , it d oes  not mea n  tha t  the Nj  valu e is true.  Ni t hat is  any p r ereq uisite  of  Nj  can  be  se en a s   having  a   prob ability qij that is associ ated with it and ha s a  blocking effe ct. The value of Nj is true wh en  Ni   is the only prerequisite, then the pr obability that Nj i s  true i s  1-qij.  Set cij=1-qij is the conditional   prob abilitie s from no de Ni  to node Nj. T hen the deg ree of belief whe n  Nod e  Nj is true  ca n be  cal c ulate d  usi ng the formul a 1.   i i ij j True N Bel c Ture N Bel )) ( 1 ( 1 ) (                                                                  (1)    Among them , Nj is the jt h Noi s y-O r   node in th e  netwo rk;  Ni i s  Nj' s  the it h dire ct  pre r eq uisite,  also  kno w n a s  the parent node; Bel  ind i cate s the de gree of beli e f. The con c ep tual   view of the Noisy-O r  no de  is sh own in Figure 2.     3.2. Nois y -  And model  Noi s y- And  n ode in  Baye sian net wo rks is a  ge nerali z ation  of logi c "an d ". The  Noi s y-  And model is  simila r to logic "and", whe n  all the  prem ise s  of Nj are  true, the events rep r e s e n te d   by Nj  are  al so taken  as tru e . But the  different  from  lo gic "a nd" i s  th at if a p r emi s e of  Nj i s  fal s e, it  doe s not me a n  that the Nj  value is fal s e.  Ni that  is a n y  prerequi site  of Nj can be  see n  a s  havi ng  a prob ability qij that is associate d  with it and ha s  a blocking effe ct. The value of Nj is false wh en   Ni is the  onl y prerequi site, then the  prob ability that  Nj is fal s e is 1 - qij. Set cij=1-qij i s  the   con d itional  probabilitie s fro m  node  Ni to  node  Nj. Th e n  the de gre e   of belief whe n  No de  Nj is t r u e   can b e  cal c ul ated usin g the formula 2. The co ncept u a l view of the Noisy- And n ode is sho w n  in   Figure 3.  i i ij j True N Bel c Ture N Bel ))) ( 1 ( 1 ( ) (                                                             (2)      Figure 2. Con c eptu a l view  of Noisy-Or n ode     A B X q a q b A B I a P ( I a =T u r e ) =q a X OR AN D P ( I b =T u r e ) =q b I b OR   Figure 3. Con c eptu a l view  of Noisy-A nd  node       3.3. Parameter Learning  Algorithm fo r Fault Mode l  Referen c e t o  the  stan dard  ba ck  prop agatio n  algo rithm  for trai ning  multilaye r  feedforwa rd  neural n e two r ks a nd  usi n g the  gr a d ie nt de scent m e thod, the  m ean  sq uare  error  betwe en the actual value  and the cal c u l ated value of  the target variable i s  mini mized, so tha t  the  para m eter  of the Bayesia n  netwo rk is modifi ed. T he gradie n t algorith m  formula of Bayesia n   netwo rks pa rameter a d ju stment is shown belo w  [9]:    A B X q a q b A B I a AN D P ( I a =F a l s e ) =q a X OR AN D P ( I b =F a l s e ) =q b I b Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  741 – 74 7   744 ) ( ))) ( 1 ( 1 ( )) ( 1 ( ) ( )) ( 1 ( ) ( And Noisy T N Bel c T N Bel Or Noisy T N Bel c T N Bel c m i m mj i j m i m mj i j ij                     (3)    Among the m , cij i s  the  co n d itional p r o b a b ility from the  node  Ni  to n ode  Nj, an d it s value   rang e is [0,1] ;   η  is the lea r ning rate;  δ j  is the e rro r of  node  Nj. For  the output no de,  δ j  is defin ed   as form ula 4:     ) ( ) ( T N Bel T N j j j                                                                                          (4)    Among the m ,  ) ( T N j is the  true  b e lief wh en  Nj  is tru e  that i s   the jth target  variable;   ) ( T N Bel j is the p r edi cti v e value of b e lief wh en Nj  is true th at is the jth targ et variable. F o r  hidde n laye r  node s, the  error from  the  node  Nk to  th e pa rent  nod e Nj  can  be  calcul ated  by the   formula 5.     j l l lk jk k j l l lk jk k j And Noisy True N Bel c c Or Noisy True N Bel c c ) ( ))) ( 1 ( 1 ( ) ( )) ( 1 (                            (5)    Among them,   δ k  is the erro r of node Nk.   In addition to   the Noi s y-Or  and  Noi s y-An d nod es ,  the  netwo rk  can also co ntain a  logi cal  "non" nod e. Logic "no n " no de's d e g r ee o f  belief can b e  cal c ulate d  according to the formul a 6:    ) ( 1 ) ( True N Bel True N Bel i j                                                                             (6)     Among them,  Nj is a "non"  node, Ni i s  the only pare n t node.     3.4. Diagnos tic Meth ods   Usi ng real ti me inform ation of ci rcuit brea ke r, the  topology of t he sy stem b e fore a n d   after fault is identified by the method  of real -time t i e line analy s is. The n  find the differe nce  betwe en the t w o top o logie s , that is po we r su ppl y inte rrupted regio n . The fault co mpone nts m u st  be in  the  o u tage  are a .  After dete r mi ning th e o u tage  are a ， p r otection  an d  ci rcuit brea ker  informatio n of each comp o nent is broug ht into t he fault diagnosi s  m odel whi c h i s  modified by the  para m eter le arnin g . And t he fault trust  deg ree  of  e a ch  co mpo n ent is i n ferre d  by u s ing t he  formula  1 an d 2. The  com pone nt whe n   its fault tr ust  degree i s  ab ove 0.7 is a  d e termini s tic f ault  comp one nt. And wh en it s fault tru s t  deg ree  bet wee n  0.1 ~ 0. 7, it is suspicio us  of faulty  comp one nts. And whe n  its fault trust deg ree  bel ow 0.1 ,  it is a non fault compo nen t.      4. Case an aly s is  Takin g  the  lin e L2  fault a s   an exam ple i n  Figu re  4, th e Bayesi an  n e twork fa ult d i agno si s  algorith m  is  checke d. L2 li ne fault diag nosi s  mo del i s  shown in F i gure  5. In Figure  5 ， the firs t  letter indi cate s the type of prote c tion, where th e F  is  out of orde r, the M re pre s e n ts the pri m a r y   prote c tion, a nd the P rep r ese n ts the fi rst ba ckup p r otection, a n d  the  S rep r e s ents the  se cond  backu p p r ote c tion. And  seco nd lette r  B expre s s  b u s, L  expre s s line; thi r d l e tter P express  prote c tion, di gital expre ss  circuit breake r  se rial  num b e r. In the high voltage po wer g r id, in o r de r   to isol ate the  fault sou r ce, both  sid e s o f  the fault li n e  mu st h a ve  protective  a c tion  and  ci rcuit  brea ke r. So  L 2  no de i s   Noi s y-And  no de.  On  one   side   of the fa ult lin e, all  kind s of  protectio n  a r e   likely to b r e a k the  corre s po ndin g  ci rcuit b r ea ke r, they are  Noisy-O r  n ode . Unde r n o rmal   circum stan ce s, at the   sa me time, the  dispatch ing  end sh ould   receive   the a c tion sig nal o f   the  prote c tion  an d the  co rre sp ondin g  ci rcuit  bre a ker,  so t he p r ote c tion  and it s  co rre spo ndin g  ci rcuit  brea ke r con s i s ting of Noi s y - And no de.       Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Fault Diag no sis of Po wer  Network Based  on GIS Platform  and Baye sia n … (Y unfang Xie )   745 B1 L1 CB1 C B 2 B2 L2 CB3 CB 4 B3 CB5 C B 6 B4 B5 CB7 CB 8 L3 L4     Figure 4. Sample of tran smissi on line       Figure 5. The  fault diagno sis model of transmi ssion li ne       After rando m initializati on of the condi tion al probability cij betwe en no des, the   para m eters  o f  the line faul t model a r e t r aine d  an d  studied  by usi ng the  sam p l e  as shown i n   Table  1 a nd t he g r adi ent al gorithm  form ula 3  ~  6. Th e lea r nin g  out come s  (condi tional p r ob abi lity  cij) h a ve bee n re spe c tivel y  labeled in  Figure 5. Re peat the trai n i ng sa mple f o r this  gro up  until  the de sired  o u tput is re ached. Fo r  det ermini stic fau l t sampl e s,  t he trai ning  o u tput is bet ween  0.7~0.9 5 . And for no fault sampl e s, the  training o u tp u t  is betwee n  0.0~0.1. As  shown in Tabl e 1.      Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  741 – 74 7   746 Table 1. Training re sult s a nd sam p le s o f   fault diagno sis mo del of tran smi ssi on li ne   Sample  1 2 3 4 5 6 7 8 9  10 11 12 13 14 15 16 17 18  19  20  21  SLP1  0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0  CB1  0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0  FBP2  0 0 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 0  CB2  0 0 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 1 0  PLP3  0 0 0 1 0 0 0 0 0 1 1 0 0 1 1 0 1 1 0 1 0  CB3  0 1 1 1 1 0 0 1 0 1 1 0 0 1 1 1 1 1 0 1 1  MLP3  0 1 1 0 1 0 0 1 0 0 0 0 0 1 0 1 0 0 0 1 1  FBP5  0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0  MLP5  0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0  CB5  0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0  MLP2  0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0  PLP4  0 0 1 0 0 0 0 0 1 0 0 1 1 0 1 0 0 0 1 0 0  CB4  0 1 1 1 0 1 1 0 1 0 0 1 1 0 1 0 0 0 1 0 0  MLP4  0 1 0 1 0 1 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0  SLP6  0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0  CB6  0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0  FBP7  0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0  CB7  0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0  MLP7  0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0  SLP8  0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1  CB8  0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1  Expected   output   0  0.9 0 .8  0.8  0.7  0.7  0.8 0 .8 0.7 0 .7 0 0 0 0  0.7 0 .8 0.7 0  0 0  0.7  Training   r e sults  0.0 09  0.9 31 0.8 26  0.8 26  0.7 03  0.7 03  0.8 03 0.8 03 0.7 13 0.7 13 0.0 32 0.0 32 0.0 94 0.0 94 0.7 34 0.8 03 0.7 13 0.0 32  0.0 94  0.0 94  0.7 03      5. Conclusio n   In this  pap er, by analy z i ng the  po we r net wo rk da ta of GIS pl atform, a  si mplified   stru cture of  relay protectio n   an d  circuit-brea ke r  as key equi pmen t obtaine d by  re co nstructi o n   and  simplify. On the b a si s of the  sim p lified stru ctu r e, the lo cati on of the fau l t compo nent  i s   determi ned b y  using the  Bayesian  net works fault  diagn osi s  alg o rithm. Finall y , the system   automatically generates th e operati on ticket of line scen e, whi c h  can g u ide th e staff to quickly   eliminate th e  fault, sh orte n the  po wer  outage  ti me  and im prove  the reli ability  of po wer sup p ly.  Examples  show that the fault di agnosi s  model has  the characterist ics of strong versatility, fast   rea s oni ng, hi gh lea r nin g  e fficiency a nd  high fault tol e ran c e. An d  the fault tru s t deg ree  of e a ch   comp one nt is obtain ed  by  usin g the  formula, an d  th e fault i s  d e termin ed  acco rding  to th e f ault   trust de gre e . Practi cal en gi neeri ng ap pli c ation  sho w s  that the devel oped fault dia gno sis m odel s  are corre c t and efficient.       Ackn o w l e dg ements   This work  wa s su ppo rted by Baod ing Scien c e  and Te chn o logy Re se a r ch a n d   Develo pment  Project (11Z G029, 11 ZN0 15, 14ZG 004,  12ZG0 27)        Referen ces   [1]    Qi-feng L o n g , Gang C h e n , Xi ao-q un D i n g .  New  Method  o f  Pow e r Netw ork T opol ogy A nalysis  Base d   on Object-Orie n ted T e chn o l o gy . Proceedings of the CSU-EPSA .  2005; 17( 1): 73-77.   [2]    CIGRE TF. Practical Use of Ex pert Sy stem s  in Pl ann in g a n d  Operati on  of  Po w e r S y stem s.  ELECTRA .  199 3; (2): 31-6 8 .  [3]   Jong epi er  AG.   Ne ural  Netw orks Ap pli e d  to Al ar m Proc essin g . Proce edi ng  of 3r d  S y mp osi u m o n   Exp e rt S y stem s Applic ation to  Po w e r S y stem . 1991: 61 5-62 1.  [4]    Wen FS, Chang CS.  Pr obabilistic ap proac h f o r fault-section estim a tion in power  system s   bas ed on  a  refine d ge netic  algor ith m . IEE Procee din g s -  Generati on, T r ansmi ssi on  an d Distrib utio n, 199 7; 14 4(2):   160- 168.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Fault Diag no sis of Po wer  Network Based  on GIS Platform  and Baye sia n … (Y unfang Xie )   747 [5]    Hai y i ng D o n g , Xi aon an  Li. F ault Di ag nosis  for  Substatio n  w i t h   Re dun da nt  Protection Confi gurati o n   Based  on  T i me-Sequ enc e F u z z y  P e tri-Net.  T E LKOMNIKA  T e lec o mmun icat ion Co mputin g Electron ics  and C ontrol . 2 013; 11( 2): 231 -240.    [6]    Mithun M. Bha skar, S y d u l u  Mahes w a ra pu.  A H y br id Ge n e tic Alg o rithm  Appro a ch for  Optimal Po w e r   Flo w .  T E LKOM NIKA T e leco mmu n ic ation C o mp utin g Electr onics a nd C ont rol.  201 1; 9(2): 211- 216.   [7]    Shua ng Z h ao,  Jian- w e n  Re n .  Desig n  a nd r ealiz atio n of a  fault di ag nosti c s y stem for  e l ectric p o w e r   sy s t e m .  East China Electric P o wer . 2003; 32 (11): 19-2 1 .  [8]    W e i Z hu, Da q i ng M u . T w o  Methods  of P o w e r  Net w ork  T opolog y A n al ysis.  Jo urna l  of Cha ngs ha  Univers i ty of Electric Pow e r (Natura l  Scienc e).  2001; 1 6 (2) :  13-25.   [9]    So w m ya R a m a cha ndra n . T h eor y Refi nem e n t of Ba yesia n  Net w orks  w i th Hid de n Va riabl es. T he  Univers i t y   of  T e xas at Austin;  1998.     Evaluation Warning : The document was created with Spire.PDF for Python.