پراکندگی مراکز تولید و مصرف انرژی الکتریکی منجر به توسعه خطوط انتقال هوایی گردیده است. کاراترین تکنیک حفاظت خطوط انتقال تاکنون حفاظت دیستانس میباشد. بدلیل ماهیت هوایی خطوط انتقال برق، تعداد عملکرد رله دیستانس از تمامی رلههای حفاظتی در شبکه بیشتر میباشد. از منظر آماری جلوگیری از عملکرد نابجای رله دیستانس بمعنی کاهش حوادث گسترشیافته در شبکه میباشد. استفاده از رله میکروپروسسوری در شبکههای انتقال نیروی برق علیرغم مزایایی که ایجاد کرده است منجر به افزایش خطاهای نیروی انسانی در مراحل تنظیمگذاری، تست و کنترل تنظیمات گردیده است. بدلیل ماهیت نرمافزاری ابزارهای تست و تنظیم رلههای حفاظتی، به نرمافزارهایی جهت کنترل، بروزآوری و صحتسنجی تنظیمات و نتایج تست عملکردی رلههای دیستانس نیاز میباشد. کنترل مشخصات فوق توسط کارشناسان با تجربه به صورت دستی و با کنترل چک لیستها انجام میشود که دارای خطای ذاتی انسانی میباشد. روشهای یادگیری ماشین به عنوان ابزارهای قدرتمند در علوم داده در حال توسعه میباشند. در این پایان نامه برای اولین بار تلاش گردیده با بکارگیری روشهای یادگیری ماشین فرآیندی خودکار جهت ارزیابی و صحت سنجی تنظیمات و نتایج تست رله یا رلههای حفاظتی استخراج و کارایی هر کدام از روشها نیز مقایسه گردد. اطلاعات تنظیم و نتیجه تست رلههای دیستانس از شبکه واقعی تحت پوشش شرکت برق منطقهای باختر استخراج شده است. الگوریتمهای نظارت شده طبقهبندی درخت تصمیم و Kنزدیکترین همسایه روی دادههای تنظیم رلهها اعمال میگردد. مدل سازی یادگیری ماشین با دادههای مربوط به یک رله خاص و دادههایی برای بازهای از تنظیمات طول خطوط 33 کیلوولت ایجاد و دقت و کارایی مدلها ارزیابی میگردد. کشف ناهنجاری به عنوان روشی جهت ارزیابی تنظیم رلههای دیستانس خطوط 33کیلوولت با ایده استفاده از حالت خاصی از الگوریتم ماشین بردار پشتیبان تک کلاسه اجرا وکارایی آن مورد بررسی قرار میگیرد. نتایج شات تست یک رله خاص در مختصات عملکردی رله دیستانس با روشهای یادگیری با ناظر مدل و نتایج پیشبینی ارزیابی میگردد. روشهای بررسی شده در دادههایی محدود و نمونههایی محدود مورد بررسی قرار گرفته و دقتها و کارایی روشها نیز به همان دادهها محدود میگیرد. الگوریتمهای مورد استفاده از تعداد نمونههای بیشتر دقت بیشتری داشته و با استانداردسازی پایگاه داده میتواند برای تمامی رلههای مورد استفاده کارایی داشته باشد.
