Methods of classifying voltage surges using Deep Neural Networks

• Autorzy: Krawczyk-Borysiak Zuzanna , Kluge Paweł , Łasica Andrzej , Sul Przemysław , Ciuba Maciej

Identyfikatory

DOI

10.15199/48.2025.03.49

Warianty tytułu

PL

Metody klasyfikacji udarów napięciowych za pomocą głębokich sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The paper focuses on exploring the potential application of neural networks for the classification of voltage surges compliance with the norm. Three potential neural network architectures were considered for the task - a convolutional neural network (further referred to as CNN), a model combining convolutional and LSTM layers (CNN+LSTM) and a transformer model. The best results were achieved by the simple transformer model (accuracy of 93% on the test dataset), followed by CNN+LSTM model (accuracy: 81%), and CNN (accuracy: 69%).

PL

Artykuł koncentruje się na badaniu potencjalnego zastosowania sieci neuronowych do klasyfikacji zgodności udarów napięciowych z normą. Do tego zadania rozważono trzy potencjalne architektury sieci neuronowych - konwolucyjną sieć neuronową (CNN), model łączący warstwy konwolucyjne i LSTM (CNN+LSTM) oraz model transformatora. Najlepsze wyniki uzyskał prosty model transformatora (dokładność 93% w zestawie danych testowych), następnie model CNN+LSTM (dokładność: 81%) i CNN (dokładność: 69%).

Słowa kluczowe

EN

neural network; CNN; LSTM; transformer; voltage surge; signal classification

PL

sieć neuronowa; CNN; LSTM; transformer; udar napięciowy; klasyfikacja sygnału

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2025
• Tom: R. 101, nr 3
• Strony: 211--214
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Krawczyk-Borysiak Zuzanna

• Institute of Theory of Electrical Engineering, Measurement and Information Systems, Faculty of Electrical Engineering, Warsaw University of Technology, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0002-3897-1078

autor

Kluge Paweł

• Institute of Theory of Electrical Engineering, Measurement and Information Systems, Faculty of Electrical Engineering, Warsaw University of Technology, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0002-7238-3720

autor

Łasica Andrzej

• Institute of Theory of Electrical Engineering, Measurement and Information Systems, Faculty of Electrical Engineering, Warsaw University of Technology, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0002-4572-9570

autor

Sul Przemysław

• Institute of Theory of Electrical Engineering, Measurement and Information Systems, Faculty of Electrical Engineering, Warsaw University of Technology, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0002-4327-9334

autor

Ciuba Maciej

• Institute of Theory of Electrical Engineering, Measurement and Information Systems, Faculty of Electrical Engineering, Warsaw University of Technology, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0001-6022-5277

Bibliografia

• [1] Flisowski Z.: Technika wysokich napięć, WNT, Warsaw, 1992.
• [2] IEC 60060-1. High-Voltage Test Techniques. Part 1: General Definitions and Test Requirements.
• [3] IEC 60060-1. High-Voltage Test Techniques. Part 2: Measurements Systems.
• [4] Tong L., Liu Y., Chen Y., Su S. and Liang P.: A CVT Based Lightning Impulse Wave Measuring Method Using Convolutional Neural Network, 2021 IEEE 4th International Electrical and Energy Conference (CIEEC), China, pp. 1-6, 2021.
• [5] Figoń P.: Analiza numeryczna przebiegów udarowych — algorytmy obliczeniowe, Przegląd Elektrotechniczny, China, no.10, pp. 201-205, 2015.
• [6] Yutthagowith P.: Non-Iterative Technique for Determination of Full Lightning Impulse Voltage Parameters, Energies, 15(12):4199, 2022.
• [7] Tuethong P, Kitwattana K, Yutthagowith P, Kunakorn A.: An Algorithm for Circuit Parameter Identification in Lightning Impulse Voltage Generation for Low-Inductance Loads, Energies, 13(15):3913, 2010.
• [8] Keras: Deep Learning for Humans [web page] http://keras.io/. [Accessed on 20 May 2024.].
• [9] TensorFlow: [web page] https://www.tensorflow.org/. [Accessed on 20 May 2024.].
• [10] Hauschild W., Lemke E.: High-Voltage Test and Measuring Techniques, Springer, 2014.
• [11] B. Zhao, H. Lu, S. Chen, J. Liu and D. Wu: Convolutional neural networks for time series classification, Journal of Systems Engineering and Electronics, vol. 28, no. 1, pp. 162-169, 2017.
• [12] Pham T.D.: Time–frequency time–space LSTM for robust classification of physiological signals, Sci Rep 11, 6936, 2021.
• [13] Uchiyama T.: Transformer-Based Time Series Classification for the OpenPack Challenge 2022, 2023 IEEE International Conference on Pervasive Computing and Communications Workshops and other Affiliated Events (PerCom Workshops), Atlanta, GA, USA, pp. 264-266 2023.