Metody klasyfikacji obrazów fazowo-rozdzielczych wnz z wykorzystaniem hybrydowych sieci neuronowych

• Autorzy: Kluge Paweł , Łasica Andrzej , Starzyński Jacek , Kołtunowicz Wojciech

Identyfikatory

DOI

10.15199/48.2024.11.42

Warianty tytułu

EN

Methods for classifying PD phase-resolved images using hybrid neural networks

• Języki publikacji: PL

Abstrakty

PL

W artykule autorzy dokonali klasyfikacji czterech typowych defektów generujących wyładowania niezupełne w izolacji rozdzielnicy średnich napięć SN za pomocą głębokich sieci neuronowych na podstawie obrazów fazowo-rozdzielczych wyładowań. Zbadano i omówiono efektywność różnych hybrydowo połączonych sieci neuronowych: GoogleNet i SqueezeNet uczonych na skalogramach, SAE z FNN, 2D-CNN z LSTM oraz AE połączone z CNN i LSTM. Najwyższą dokładność klasyfikacji typu wnz uzyskano dla sieci CNN w połączeniu z LSTM.

EN

n the article, the authors classified four typical defects generating partial discharges in the insulation of medium voltage switchgear using deep neural networks based on phase-resolved images of discharges. The effectiveness of various hybrid connected neural networks was examined and discussed: GoogleNet and SqueezeNet trained on scalograms, SAE with FNN, 2D-CNN with LSTM, and AE combined with CNN and LSTM. The highest PD type classification accuracy was achieved for CNN combined with LSTM.

Słowa kluczowe

PL

głębokie sieci neuronowe; diagnostyka izolacji; wyładowanie niezupełne; rozdzielnice SN

EN

deep neural network; insulation diagnostics; partial discharge; MV switchgear

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 11
• Strony: 212--215
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Kluge Paweł

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-662 Warszawa

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

autor

Łasica Andrzej

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-662 Warszawa

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

autor

Starzyński Jacek

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-662 Warszawa

• https://orcid.org/0000-0002-1093-9500

autor

Kołtunowicz Wojciech

• OMICRON Energy, Solutions GmbH, Lorenzweg 5, 12099 Berlin, Niemcy

• https://orcid.org/0000-0001-7612-071

Bibliografia

• [1] Pattanadech N., Haller R., Kornhuber S., Muhr M., Partial Discharges (PD): Detection, Identification, and Localization, Wiley, 2023
• [2] CIGRE Technical Brochure 662, Guidelines for partial discharge detection using conventional (IEC 60270) and unconventional methods, 2016, www.e-cigre.org
• [3] Bednarczyk T., Kołtunowicz W., Krueger M., Ranninger U., Pomiary i lokalizacja wyładowań niezupełnych w izolacji transformatorów energetycznych. Przegląd Elektrotechniczny, 98 (2022), nr 10
• [4] Uckol H.I., Ilhan S., Ozdemir A. Workmanship Defect Classification in Medium Voltage Cable Terminations with Convolutional Neural Network. Electric Power Systems Research (2021), 194
• [5] Classify Time Series Using Wavelet Analysis and Deep Learning - MATLAB & Simulink Example: https://www.mathworks.com/help/deeplearning/ug/classifytime- series-using-wavelet-analysis-and-deep-learning.html
• [6] Thi N.D.T., Do T.D., Jung J.R., Jo H., Kim Y.H., Anomaly Detection for Partial Discharge in Gas-Insulated Switchgears Using Autoencoder. IEEE Access 2020, 8, 152248–152257
• [7] Alsumaidaee Y.A.M., Yaw C.T., Koh S.P., Tiong S.K., Chen C.P., Ali K., Review of Medium-Voltage Switchgear Fault Detection in a Condition-Based Monitoring System by Using Deep Learning, Energies (Basel) 2022, 15 (18), 6762
• [8] Li Z., Qu N., Li X., Zuo J., Yin Y., Partial Discharge Detection of Insulated Conductors Based on CNN-LSTM of Attention Mechanisms. Journal of Power Electronics 2021, 21, 1030– 1040
• [9] Li G., Wang X., Li X., Yang A., Rong, M., Partial Discharge Recognition with a Multi-Resolution Convolutional Neural Network. Sensors (Switzerland) 2018, 18 (10), 3512
• [10]Iandola F.N., Han S., Moskewicz M.W., Ashraf K., Dally W.J., Keutzer K., SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and <0.5MB Model Size. 2016, https://arxiv.org/abs/1602.07360
• [11] Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D.; Erhan D., Vanhoucke V., Rabinovich A., Going Deeper with Convolutions. In Proceedings of the Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2015, Vol. 07-12-June- 2015, 1–9.
• [12] Keras: Deep Learning for Humans: https://keras.io/
• [13] TensorFlow: https://www.tensorflow.org/

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).