Zastosowanie metod uczenia maszynowego do klasyfikacji wyładowań iskrowych rozwijających się wewnątrz napowietrznych układów izolacyjnych wysokich napięć

• Autorzy: Molas, Michał , Berkowski, Przemysław

Warianty tytułu

EN

Application of machine learning methods for classification of spark discharges developing inside the HV overhead lines insulation systems

• Języki publikacji: PL

Abstrakty

PL

W artykule omówiono możliwość zastosowania metod uczenia maszynowego do automatycznej klasyfikacji wyładowań iskrowych rozwijających się wewnątrz napowietrznych układów izolacyjnych wysokich napięć. Zwrócono uwagę na trudności w walidacji modeli symulacyjnych stosowanych do analizy wyładowań iskrowych oraz na konieczność opracowania narzędzi umożliwiających automatyczną analizę i klasyfikację danych, co można osiągnąć dzięki zastosowaniu metod uczenia maszynowego. W badaniach wykorzystano dane z pomiarów laboratoryjnych przeprowadzonych w Laboratorium Wysokich Napięć Instytutu Energetyki – Państwowego Instytutu Badawczego. Podczas eksperymentów generowano różne rodzaje wyładowań iskrowych i rejestrowano obrazy przedstawiające kształt kanału wyładowania. Przeanalizowano trzy typy danych wejściowych: fotografie wyładowań, obrazy przedstawiające wyodrębniony kanał wyładowania oraz trajektorie tego kanału. Na tej podstawie stworzono klasyfikatory oparte na algorytmach uczenia maszynowego, które pozwalają na automatyczną klasyfikację rodzaju udaru oraz jego biegunowości. Przeprowadzone badania potwierdziły, że metody uczenia maszynowego mogą być skutecznie wykorzystywane do automatycznej klasyfikacji wyładowań iskrowych, co może przyczynić się do rozwoju modeli symulacyjnych iskry długiej.

EN

The article discusses the possibility of applying machine learning methods for the automatic classification of spark discharges occurring within high-voltage overhead insulation systems. It highlights the challenges in validating simulation models used to analyze spark discharges and emphasizes the need to develop tools that enable automatic data analysis and classification, which can be achieved through the application of machine learning methods. The study utilized data from laboratory measurements conducted at the High Voltage Laboratory of the Institute of Power Engineering - National Research Institute. During the experiments, various types of spark discharges were generated, and images depicting the shape of the discharge channel were recorded. Three types of input data were analyzed: photographs of discharges, images of the extracted discharge channel, and the trajectories of the discharge channel. Based on this data, machine learning-based classifiers were developed, allowing for the automatic classification of the type of impulse and its polarity. The conducted research confirmed that machine learning methods can be effectively used for the automatic classification of spark discharges, which may contribute to the development of long-spark simulation models.

Słowa kluczowe

PL

iskra długa; uczenie maszynowe; badania symulacyjne

EN

long spark; machine learning; simulation studies

• Czasopismo: Energetyka
• Rocznik: 2024
• Tom: nr 10
• Strony: 409--414
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Molas, Michał

• Instytut Energetyki - Państwowy Instytut Badawczy

autor

Berkowski, Przemysław

• Instytut Energetyki - Państwowy Instytut Badawczy

Bibliografia

• [1] Evaluation of Lightning Shielding Analysis Methods for EHV and UHV DC and AC Transmission-Lines, „CIGRE Technical Brochure TB" 704, CIGRE, Paris, France, 2017.
• [2] IEC Std. 60071 -1:2019: Insulation Coordination - Part 1: Definitions, Principles and Rules, ed. 9.0; IEC, Geneva, Switzerland, 2019.
• [3] IEEE Standard for Insulation Coordination - Definitions, Principles, and Rules, in IEEE Std C62.82.1-2010 (Revision of IEEE Std 1313.1-1996), pp.1-22, 15 April 2011, DOI: 10.1109/ IEEESTD.2011.5754137.
• [4] Insulation Coordination for UHV AC Systems, "CIGRE Technical Brochure", Study Committee: C4, WG (TF): WG C4.306, 2013.
• [5] Rizk F.A.M., Modeling of transmission line exposure to direct lightning strikes. "IEEE Trans. PWRD" 1990, 5, 1983-1997.
• [6] Dellera L, Garbagnati L, Lightning stroke simulation by means of the leader progression model part II: Exposure and shieding failure evaluation of overhead lines with assessment of application graphs. "IEEE Trans. Power Deliv." 1990, 5, 1983-1990.
• [7] loannidis, A. I., et al., Development of a fractal-based model for simulating streamer flashover of insulating surfaces. 2021 IEEE Conference on Electrical Insulation and Dielectric Phenomena (CEIDP). IEEE, 2021.
• [8] loannidis A. I. et al., Fractal-Based Approach for Modelling Electric Breakdown of Air Gaps: An Application to a 75 cm Positive Rod-Plane Gap. The International Symposium on High Voltage Engineering. Springer, Cham, 2019.
• [9] Hao-jiang Wan, Wei Guang-hui, Cchen Qiang., Estimation on lightning protection performance using a fractal approach. International Conference On Computer Design and Applications. Vol.4. IEEE, 2010.
• [10] Femia N., L, Niemeyer and V. Tucci, Fractal characteristics of electrical discharges: experiments and simulation. "Journal of Physics D: Applied Physics" 26.4 (1993), 619.
• [11] Diaz O, Hettiarachchi P., Rahman M., Cooray V, Vayanganie S.P.A., Experimental study of leader tortuosity and velocity in long rod-plane air discharges. "IEEE Trans. Dielectr. Electr. Insul." 2016, 23, 806-812.
• [12] Gu S., Xiang N., Chen J., Chen W., Xie S., He J., 3D Channel tortuosity of long air gap discharge. In Proceedings of the 7th Asia-Pacific International Conference on Lightning (APL), Chengdu, China, 1-4 November 2011, pp. 784-787.
• [13] Amarasinghe D., Sonnadara U., Berg M., Cooray V, Fractal dimension of long electrical discharges. "J. Electrost." 2015, 73, 33-37.
• [14] Molas M., Szewczyk M., Parameters of 3D Fractal Dimension for a Population of Long Spark Discharges, IEEE Transactions on Power Delivery, vol. 39, no. 1, pp. 296-305, Feb. 2024, DOI: 10.1109/TPWRD.2023.3339222.
• [15] Molas M., Szewczyk M., Experimental Evaluation of 3D Tortuosity of Long Laboratory Spark Trajectory for Sphere-Sphere and Sphere-Plane Discharges under Lightning and Switching Impulse Voltages, "Energies" 2021,14, 7409. https://doi.org/10.3390/ en14217409.
• [16] Golly A., Turowski J.M., Deriving principal channel metrics from bank and long-profile geometry with the R package cmgo, "Earth Surface Dynamics" 5.3 (2017), 557-570.
• [17] Lewandowicz E., Flisek P., A Method for Generating the Centerline of an Elongated Polygon on the Example of a Watercourse, "ISPRS International Journal of Geo-lnformation" 9.5 (2020), 304.
• [18] Amarasinghe D., Sonnadara U., Berg M., Cooray V, Channel tortuosity of long laboratory sparks, "Electrostatics" 65 (8) (2007), 521-526.
• [19] Vayanganie A. et al., Fractal Analysis of Long Laboratory Sparks of high Speed Video Recordings. ICLP, 2016.