28954

پردازش سيگنال‌هاي تخليه جزئي در كابل‌ها به روش يادگيري عميق

كارشناسي ارشد

مهندسي برق- سيستم‌هاي قدرت

1399

1402/6/3

سيدمحمد شهرتاش

مهندسي برق

در اين پايان‌نامه تلاش شده است با ايجاد دسته‌بندي براي شدت تخليه جزئي در كابل‌ها بر اساس مشخصات حفره (دما، قطر و عمق حفره)، سيگنال‌هاي تخليه جزئي اندازه‌گيري شده در سيستم كابلي از نظر شدت تخليه طبقه‌بندي شوند و با به كارگيري روش‌هاي يادگيري عميق، مدل‌هايي براي تشخيص شدت اين سيگنال‌ها آموزش داده شود. مدل‌هاي يادگيري عميق با استخراج خودكار ويژگي‌ها از سيگنال‌هاي تخليه جزئي نياز به افراد متخصص و با تجربه جهت تفسير نتايج آزمايش‌ها را از بين برده و با بازنمايي اين ويژگي‌ها فرآيند تشخيص شدت تخليه را انجام و امكان خطا را تا حد زيادي كاهش مي‌دهند. همچنين علاوه بر تشخيص شدت تخليه جزئي در سيستم كابلي، تشخيص فاز وقوع تخليه جزئي و تشخيص قطعه داراي تخليه جزئي نيز با استفاده از روش‌هاي يادگيري عميق مورد بررسي قرار گرفته است. در اين پايان‌نامه شبكه كابلي 6 كيلومتري ازگل به قيطريه با 12 قطعه كابل 500 متري و 13 نقطه اتصال كه از طريق جعبه‌هاي پيوند در دسترس هستند؛ در نرم افزار EMTPRV مدل شده است و با قرار دادن مدل جامع سه خازني در اين شبكه كابلي، شبيه‌سازي‌هاي مختلفي به منظور جمع‌آوري داده‌هاي مورد نياز براي آموزش مدل‌هاي يادگيري عميق انجام شده است. اندازه‌گيري‌ها به صورت غيرسنكرون و در تمام 13 نقطه‌ي اتصال در هر سه فاز شبكه كابلي انجام شده است. پس از جمع‌آوري و برچسب گذاري داده‌ها در مجموع 28080 سيگنال تخليه جزئي مختلف بدست آمد، كه در فرآيند آموزش و آزمون مدل‌هاي با معماري شبكه عصبي عميق (DNN)، شبكه عصبي كانولوشن (CNN) و شبكه عصبي بازگشتي از نوع حافظه طولاني كوتاه مدت (LSTM) مورد استفاده قرار گرفت. مدل‌هايي كه در طراحي آن‌ها از CNN ها استفاده شده بود از ساير مدل‌ها عملكرد بهتري داشتند و دقتشان در تشخيص به بالاي 98 درصد مي‌رسيد. بعد از CNN ها، مدل‌هاي با معماري DNN دقت بالاتري را در فرآيند آزمون ثبت كردند (دقتي در حدود 90 تا 96 درصد) و مدل‌هاي مبتني بر LSTM در تشخيص شدت تخليه جزئي به طور كلي عمكرد مناسبي نداشتند و در تشخيص فاز و قطعه داراي تخليه جزئي نيز دقتشان از ساير مدل‌ها كمتر بود.

1402/08/08

Processing of Partial Discharge Signals in Cables by Deep Learning Method

8/24/2024 12:00:00 AM

In this thesis, an attempt has been made to classify partial discharge intensity in cables based on cavity characteristics (temperature, diameter and depth of cavity), to classify partial discharge signals measured in the cable system in terms of discharge intensity, and by applying deep learning methods, to train models to detect the intensity of these signals. By automatically extracting features from partial discharge signals, deep learning models eliminate the need for expert and experienced people to interpret the results of experiments, and by representing these features, they perform the process of detecting the severity of the discharge and reduce the possibility of fault to a great extent. Also, in addition to detecting the intensity of partial discharge in the cable system, detecting the phase of the occurrence of partial discharge and detecting the part with partial discharge have also been investigated using deep learning methods. In this thesis, the cable network of 6 km from Ozgol to Qaytarieh with 12 sections of 500 meter cable and 13 connection points that are available through link boxes; It has been modeled in EMTPRV software and by placing the comprehensive model of three capacitors in this cable network, various simulations have been performed in order to collect the data required for training deep learning models. The measurements have been done asynchronously and at all 13 connection points in all three phases of the cable network. After collecting and labeling the data, a total of 28080 different partial discharge signals were obtained, which were used in the process of training and testing models with the architecture of deep neural network (DNN), convolutional neural network (CNN) and type of recurrent neural network; long short-term memory (LSTM) was used. The models that used CNNs in their design performed better than other models, and their recognition accuracy reached over 98%. After CNNs, models with DNN architecture recorded higher accuracy in the test process (accuracy around 90-96%) and LSTM-based models did not perform well in detecting partial discharge intensity in general and in detecting phase and part with discharge. Their accuracy was slightly less than other models.

تخليه جزئي , يادگيري عميق , شبكه كابلي , هوش مصنوعي , كابل قدرت

partial discharge , Deep Learning , Cable network , artificial intelligence , power cable

Mohsen Alipoor

Dr. Shahrtash