13 th  Middle East Power Systems Conference, MEPCON' 2009, Assiut University, Egypt, December 20­23, 2009 

A Novel Algorithm for Enhancement of 
Security and Reliability of Power Transformer 
Protection 
Prof. A. A. Hossam Eldin, Fellow, IEEE,  M. A. Refaey, 
E­mail: [email protected]  E­mail: [email protected] 

Electrical Engineering Department, 
Alexandria University 
Alexandria, Egypt 

Abstract:  This  paper  proposes  a  novel  methodology  for  differential current, which impairs the ability of this kind of 

transformer  differential  protection,  based  on  wave  shape  the  criterion.  Consequently,  the  commonly  used 
recognition  of  the  discriminating  criterion  extracted  of  the  conventional  differential  protection  technique  based  on  the 
instantaneous  differential  currents.  Discrete  wavelet  second  harmonic  restraint  will  thus  have  difficulty  in 
Transform has been applied to the differential currents due to 
distinguishing  between  internal  fault  currents  and  inrush 
internal  fault  and  inrush  currents.  The  diagnosis  criterion  is 
based  on  Median  Absolute  Deviation  (MAD)  of  wavelet  currents. 
coefficients  over  a  specified  frequency  band.  The  proposed 
algorithm  is  examined  using  various  simulated  inrush  and  The  previous  work  on  power  transformer  protection  has 
internal  fault  current  cases  on  a  power  transformer  that  has  included  other  approaches,  among  these  approaches: 
been  modeled  using  Electromagnetic  Transients  Program  artificial  neural  networks  (ANN)  [2],  flux  and  voltage 
EMTDC  software.  Results  of  evaluation  study  show  that,  the  restraints  [1],  Fuzzy  logic  [3]  and  Neuro­Fuzzy  approach 
proposed  wavelet  based  differential  protection  scheme  can  [4].  The  basic  fuzzy  systems  can’t  deal  with  noisy  or 
discriminate internal faults from inrush currents.  distorted  inputs.  Also,  the  fuzzy  systems  are  not  flexible. 
The time response of fuzzy systems is considered relatively 
Keywords: differential protection, Discrete Wavelet Transform 
(DWT), Median Absolute Deviation (MAD) and transformer  slow  for  protection  purposes.  In  ANN  the  network  will  be 
internal fault.  difficult  trained. The topology changes can’t be reflected in 
huge  neural  network  representing  the  power  system.  The 
I.  INTRODUCTION  main  problem  is  the  generalization  capability  of  neural 
network, where a network designed and trained to protect a 
It  is  important  that  the  faulted  transformer  be  isolated  as  certain system can’t be used to protect another system. 
quickly as possible after the  fault has occurred,  not only  to 
limit  the  damage  to  the  transformer,  but  also  to  minimize  Recently  the  wavelet analysis and  wavelet transforms have 
the  length  of  time  the  system  voltage  is  depressed.  Fault  emerged  as  a  powerful  tool  for signal processing  in  power 
statistics show  that  about 12%  of  total power system  faults  system  applications  [1],  [5],  [6].  The  transient 
are due to power transformer failures.  characteristics  of  wavelets  can  be  employed  to  carry  out 
accurate  and  effective  analysis  of  signals  with  complex 
The  differential  protection  is  actually  considered  the  main  frequency­time  structure  and  non­uniform  bandwidths  that 
protection  of  the  power  transformer.  Discrimination  makes it possible to implement the wavelet analysis. 
between  the  internal  faults  and  transformer  inrush  current 
must  be  rapid  and  accurate  in  decision.  The  harmonic  This paper proposes a new  algorithm based on the Discrete 
restraint  methods  work  on  the  assumption  that  the  Wavelet  Transform  (DWT)  to  identify  magnetizing  inrush 
magnetizing  inrush  current  contains  high  levels  of  second  current  from  internal  fault  current  in  three  phase  power 
harmonic current [1].The current for an internal transformer  transformers.  The  developed  technique  is  examined  using 
fault typically has very low levels of second order harmonic  various simulated  inrush  and internal  current signals of the 
current.  Moreover,  it  was  found  that  in  certain  cases,  the  power transformer.
second  order  harmonic  generated  during  internal  faults  in 
transformers  is  relatively  large  and  some  inrush  events 
initially  produce  low  levels  of  second  harmonic  in  the 

426 
 II.  Power Transformer Model  Φ j,k (t) = 2 ­j/2  Φ(2 ­j  t ­ k)  (3) 
ψ j,k (t) = 2 ­j/2  ψ(2 ­j  t ­ k)  (4) 
The single line diagram for the power system under study is 
shown in Fig 1. It consists of  a  three  phase 220  kV  source  If j and k are integers, then the basis functions are scaled by 
connected  to  a  three  phase,  three  windings,  power  a  factor  of  2  j ,  and  translated  k  time  units.  If  the  time 
transformer  (300  MVA,  YYD  220/132/66  kV)  via  a  20km 
transmission line. The tertiary winding is left opened. When  resolution  of  a  discretely  sampled  function  is  ,  then  Φ j,k 
the tertiary winding  is  opened the whole primary  current  is  (t) or ψj,k (t) is the same as Φ j0(t – kΔt) or ψj0(t – kΔt) . 
drawn by the secondary winding except for a small amount 
of  circulating  current  in  delta  tertiary  winding.    So,  the  Let  be a discretely sample current function of length 2 N . 
transformer  model  can  be  approximated  and  considered  as  The wavelet transform coefficients of  is given by:
two  windings  transformer.  It  should  be  noted  that  the 
differential  protection  current  transformers  on  the  primary  2 N - j -1  J  2 N - j -1 
and secondary windings are connected in delta.  i (t ) =  a jk f jk  (t ) + å
å å d  y (t )jk  jk  (5) 
k =0  j =1  k =0 

( ) 
where, J J  £  N  is  the  number  of  levels  of 
decomposition,  or  depth  of  the  tree  representing  the 
decomposition  algorithm.  Each  set  of  wavelet  transform 
coefficients  {ajk}  and  {d jk}  for 1 £  j £ J  ,  represents  a 
band­pass filtered and down­sampled version of the original 
signal i(t). 
Fig 1 Proposed power system model 
The decomposition process can be  iterated, with successive 
Simulation of the power system during steady state, external  approximations  being  decomposed  in  turn,  so  that  one 
faults,  energization  conditions,  and  internal  faults  is  based  signal  is  broken  down  into  many  lower  resolution 
on  100%  of  transformer  windings  using  PSCAD/EMTDC  components. In reality, the decomposition can proceed only 
simulation package.  until  the  individual  details  consist  of  a  single  sample.  In 
practice,  a  suitable number of  levels  will be  selected  based 
III.  Discrete Wavelet Transform  on the nature of the signal. 

The  output  of  DWT  is  a  finite  number  of  wavelet  Since dyadic  DWT is  being  used, the  first detail  will cover 
coefficients.  It  turns out  that  scales  and  positions based on  from  fs  /2 to  fs /4, and second detail from fs/4 to  fs /8, and so 
powers of  two are chosen.  Our  analysis will be much more  on,  where  f s  is  the  sampling  frequency.  The  applied 
efficient,  accurate  and  of  smaller  execution  time.  The  sampling  frequency  here  is  20  kHz  corresponding  to  400 
scaling  function  and  mother  wavelet  are  functions  that  samples per power frequency cycle. 
satisfy  the  following  two­scale  equations  where  n  is  an 
integer: [5] The  used  mother  wavelet  is  Daubechies  with  four 
F (t ) = 2 å h n F(2 t - n ) (1) coefficients  “db4”.  The  second  step  is  to  determine  the 
n 
number  of  resolution  levels.  The  number  of  the  data 
window  samples  is  64,  which  means  that  the  number  of 
y (t ) =  2 å g n y (2 t - n ) (2)  resolution levels can be up to 6 levels. The optimum number 
n  of  resolution  levels  in  the  analysis  was  chosen  to  be  5 
Where,  Φ(t)  is the scaling function and  ψ(t) is the mother  levels. 
wavelet  for  some  set  of  coefficients  H  =  { h n  }and  G  =  { 
The  frequency  band  represented  by  each  level  depends  on 
n 
g n  }  such  that g n  = (- 1 )  h 1 - n  . That  is,  G  is  the  reverse  the  number  of  resolution  levels  as  well  as  the  sampling 
frequency used. Applying DWT to the sliding data window 
of  H,  interleaved  with  sign  changes.  Each  wavelet  scaling 
of  64  samples  size,  with  sampling  frequency  of  20  kHz, 
function and mother wavelet function is represented by a set 
resulted  in  5  levels  of  resolutions  with  5  details  and  an 
of coefficients H and G. These coefficients are low­pass and 
approximation whose frequency bands are listed in table1.
high­pass Finite Impulse  Response (FIR) filter  coefficients, 
respectively.  The  wavelet  basis  functions  Φ j,k  (t)  and 
ψj,k(t) are scaled and translated copies of Φ(t) and ψ(t). 

427 
 Table 1 Frequency bands of the result DWT components  signals  are  asymmetric  of  periodic  nature  and  decaying 
amplitude; so, the MAD ratio wave is a noisy periodic wave 
Level  Wavelet  Component  Frequency band  and  each  period  posses  a  component  of  high  amplitude 
number  component  type  (Hz)  corresponding to the sharp edges in the inrush currents. 
1  d1  Detail  10000:5000 
2  d2  Detail  5000:2500  It should be noted that this discriminating criterion was 
3  d3  Detail  2500:1250  applied  to  different  details  but  the  expected  mentioned 
4  d4  Detail  1250:625  results were not noticed clearly except when using detail d3 
5  d5  Detail  625:312.5  and detail d4. 
5  a5  Approximation  312.5:156.25 

IV.  Feature Extraction 

To  understand  the  discriminating  criterion  proposed  in  this 

paper; the concept of Median Absolute Deviation of a set of 
samples representing a signal must be illustrated at first. 
In  statistics,  the  MAD  is  a  resistant  measure  of  the 
variability  of  a  univariate  sample.  First,  the  median  of  all 
the values is computed. Then calculate how each value is far 
from  the  median  of  all  values.  Regardless  of  whether  the 
value  is  greater  or  less  than  the  median,  the  distance 
between  it and the median  is expressed  as a  positive value. 
Now the median of that set of differences is calculated. The 
result is the Median Absolute Deviation, abbreviated MAD. 
For a univariate data set X1, X 2... X n, the MAD is defined as: 

MADn  = mediani (absolute (Xi – median (Xj))  (6) 

It  is  a  more  robust  estimator  of  scale  than  the  sample 
variance  or  standard  deviation.  The  differential  current 
signals 
Id1  = (Iap ­ Icp) ­ (Ias ­ Ics)  (7) 

Id2  = (Ibp – Iap) ­ (Ibs – Ias)  (8) 

Id3  = (Icp – Ibp) ­ (Ics – Ibs)  (9) 

Where,  Iap,  Ibp,  Icp,  Ias,  Ibs  and  Ics  are the  primary  and 
secondary power transformer currents 

The  MAD  is  used for  characterizing  these  currents through 

the flowchart in figure 2. 

First of all, the MAD ratio of d4  to d3 (MAD of d4 divided 
by  that  of  d3)  is  expected  to  be  zero  under  normal 
conditions  of  differential  currents  (steady  state  sine  wave). 
This  is  due  to  the  fact  that  the  wavelet  coefficients  under 
normal  conditions  are  approximately  zero.  When  a  certain 
fault  is  introduced  to  the  power  system  model,  an 
instantaneous  rapid  change  in  the  MAD  ratio  is  actuated 
which  is  equivalent  to  the  wavelet  decomposition 
coefficients  at sharp  edges.  Then  the  MAD ratio wave  is to 
be a step noisy signal corresponding to the asymmetry in the 
transformer phase currents after fault inception. 

The  second  case  introduced  here  is  the  inrush  current  Fig. 2 Flowchart of the proposed algorithm
with/without  residual  magnetism.  In  this  case,  the  current 

428 
 V.  Simulation Results  shape  is  completely  different  from  that  in  figures 3­5.  The 
wave  shape  is  of  repeated  nature  having  rapid  rising  and 
The performance of the proposed technique was evaluated  falling instants corresponding to the rapid change instants in 
for different types of internal and external faults.  the inrush current waveforms. 
1.  Internal phase  to  ground  Fault:  It  is  a  single  phase  to 
ground  on  phase  B  of  the  transformer  secondary  side 
upstream the secondary circuit breaker. 

2.  Double phase to ground fault: It is a fault between two 
phases  B  and  C  on  the  transformer  secondary  side 
upstream the secondary circuit breaker. 

3.  Internal three  phase  faults:  It  is  a  three  phase  fault on 

the secondary side of the transformer upstream breaker. 

4.  External  faults:  The  external  faults  are  modeled  in  the 
form  of  a  single  phase  B  to  ground  fault  occurring  on 
the  secondary  side  of  the  transformer  downstream  the 
secondary circuit breaker. 

5.  Inrush  current:  In  order  to  study  the  magnetizing  Fig 3 MAD ratios in case of internal single line­to­ground fault 
current  accurately,  a  load  is  connected  in  parallel  with 
the  transformer  primary  circuit  breaker  in  order  to 
enable  source  voltage  build  up.  Also,  the  saturation  is 
enabled through the saturation curve settings defined by 
the  user.  The  model  of  inrush  current with no  residual 
magnetism  is  studied.  Then,  the  residual  magnetism 
effect  is  taken  into  consideration  through  adding  two 
additional  circuit  breakers  to  simulate  previous 
switching operations. 

Figure 3 shows the case of an internal fault (single phase to 
ground). It is clear from the ratio plot concerning Id2  and Id3 
that  the  MAD  ratio  is  approximately  zero  for  normal 
operation until the time of fault application a rapid change is 
noticed  in  the  MAD  ratio  values,  then  it  nearly  saturates 
about a certain value. I d1  is not the same because it depends  Fig 4 MAD ratios in case of double line­to­ground fault 
on  the  currents  from  the  non­faulty  phases  so, it  is  always 
approximately zero. 

Figure 4 shows the case of an internal fault (double phase to 
ground).  The  MAD  ratio  plot  concerning  Id1,  Id2  and  Id3  is 
approximately  zero  for  normal  operation  until  the  time  of 
fault application a rapid change is noticed in the MAD ratio 
values,  then  it  nearly  saturates  about  a  certain  value.  Here 
all  differential  currents  depend  on  the  faulty  phases,  so  all 
ratio plots have almost the same shape. 

Figure 5 illustrates the case of  an internal  fault (three phase 

to ground). The MAD ratio plot concerning Id1, Id2  and Id3  is 
approximately  zero  for  normal  operation  until  the  time  of 
fault application a rapid change is noticed in the MAD ratio 
values,  then  it  nearly  saturates  about  a  certain  value.  Here 
all  differential  currents  depend  on  the  faulty  phases,  so  all 
ratio plots have almost the same shape.  Fig 5 MAD ratios in case of internal three line­to­ground fault

Figures  6  and  7  demonstrate  the  three  MAD  ratios  in  the 

case  of  an  inrush  current.  It  is  worth  noting  that  the  wave 

429 
 [4]  H.  Khorashadi­Zadeh,  “Fuzzy­Neuro  Approach  to  Differential 
Protection  for  Power  Transformer”,  IEEE  TENCON,  Vol.  3,  Nov. 
21­24, 2004, pp. 279­282. 

[5]  M.  M.  Eissa,  ”A  Novel  Digital  Directional  Transformer  Protection 
Technique Based on Wavelet Packet”, IEEE Transactions on Power 
Delivery, vol. 20, no. 3, pp. 1830­1836, JULY 2005. 

[6]  A.  Rahmati,  and  M.  Sanaye­Pasand,”  New  Method  for 

Discrimination  of  Transformers  Internal  Faults  from  Magnetizing 
Inrush  Currents  Using  Wavelet  Transform”,  Power  System 
Technology  and  IEEE  India  Conference,  (POWERCON)  Joint 
International Conference, OCT. 12­15, 2008, pp.1­7.

Fig 6 MAD ratios in the case of an inrush current without residual 
magnetism 

Fig 7 MAD ratios in the case of an inrush current with residual 
magnetism 

VI.  CONCLUSIONS 

The proposed technique can differentiate precisely between 
internal  and  external  faults  as  well  as  inrush  currents.  The 
speed of decision making is good; where any  change  in the 
current  signals  is  detected  and  analyzed  rapidly.  The 
algorithm  is  flexible  and  can  be  easily  adapted  to  new 
elements  or  functionalities  in  the  power  system. 
Generalization  capability  of  the  proposed  algorithm  is 
achieved. Execution time of the novel technique is superior 
to previously applied ones. 

I.  REFERENCES 
[1]  S.  A.  Saleh,  M.  A.  Rahman,  "Modeling  and  protection  of  three­ 
phase  power  transformer  using  wavelet  packet  transform,"  IEEE 
Transactions  on  Power  Delivery,  vol.  20,  no.  2,  pp.  1273­1282, 
April 2005. 

[2]  M.Tripathy,  R.P.Maheshwari  and  H.K.  Verma,  “Probabilistic 

Neural­Network­Based  Protection  of  Power  Transformer”,  IET 
Electr. Power Appl., 2007, 1, (5), pp. 793–798 

[3]  M.Shin,  C.  Park,  and  J.  Kim,  “Fuzzy  Logic­Based  Relaying  for 
Large Power Transformer  Protection” IEEE Transactions on Power 
Delivery, vol.  18, no. 3, July 2003, pp. 718­723. 

430