Аннотация
Разработана система искусственного интеллекта для диагностики возникновения частичного разряда в изоляции воздушных линий электропередач. С целью повышения точности обнаружения неисправности используется несколько этапов предобработки – разделение на частотные составляющие, балансировка, сегментация и нормализация исходных данных, представляющих собой измерения высокочастотных составляющих спектра тока и напряжения в каждой фазе линии электропередачи. В работе показано, что основную роль при идентификации частичного разряда играют электромагнитные волны, возникающие при частичном пробое изоляции с частотой 10-20 МГц. Для этого исходные данные разделяются с помощью фильтрации на две составляющие – высокочастотную и низкочастотную. Максимальная точность обученных на полном сигнале нейронных сетей и его ВЧ-составляющей отличается менее чем на 1%, при этом максимальная точность сети, обученной на НЧ-составляющей, ниже на 17%. Для проверки предложенной системы использован реальный набор данных, что позволяет говорить о возможности практического применения разработанной системы. Разработанная система искусственного интеллекта показала относительно высокую точность диагностики, составляющую около 88%. Таким образом, с помощью интеллектуального анализа данных было показано, что основную роль при идентификации ЧР играют высокочастотные составляющие, то есть электромагнитные волны, лежащие в определенном частотном диапазоне, возникающие при частичном пробое изоляции. Это открывает путь к созданию новых методов диагностики и обнаружения местоположения источника ЧР, основанных на использовании этого диапазона.
Ключевые слова
частичный разряд, система диагностики, машинное обучение нейронной сети, интеллектуальный анализ данных, нейросетевая модель, декаметровые волны
1. Ушаков В.Я. Современная и перспективная энергетика: технологические, социально-экономические и экологи-ческие аспекты. Томск: Изд-во ТПУ, 2008. 469 с.
2. IEA (2020), Power Systems in Transition, IEA, Paris https://www.iea.org/reports/power-systems-in-transition, Li-cense: CC BY 4.0. (дата обращения 19.05.2023)
3. Menthula J. A Review on power system faults and protec-tion // International Journal of Engineering Research & Technology (IJERT). 2022. Vol. 11, Issue 4. Pр. 395-398. doi: 10.17577/IJERTV11IS040201
4. Характеристики и параметры технического состояния воздушных линий электропередачи / О.Я. Солёная, А.В. Рысин, С.В. Солёный, В.П. Кузьменко, Е.С. Квас // Известия вузов. Приборостроение. 2021. № 7(64). С. 583-588.
5. Арбузов Р.С., Овсянников А.Г. Современные методы диагностики воздушных линий электропередачи. Ново-сибирск: Наука, 2009. 135 с.
6. Suhas Aithal. VSB Power Line Fault Detection. https://suhaskvaithal.medium.com/vsb-power-line-fault-detection-47f9e94d11d2 (дата обращения 19.05.2023)
7. Исследование частичных разрядов в опорных изоляторах / Д.А. Поляков, К.И. Никитин, Н.А. Терещенко, А.С. Новосёлов, Я.П. Билевич // Омский научный вест-ник. 2020. № 1(169). С. 32–38. doi: 10.25206/1813-8225-2020-169-32-38
8. Вдовико В.П. Частичные разряды в диагностировании высоковольтного оборудования. Новосибирск: Наука, 2007. 155 с.
9. Foorthuis R. On the nature and types of anomalies: a review of deviations in data. Int. J. Data Sci. Anal. 2021. No. 12(4). Pp. 297-331. doi: 10.1007/s41060-021-00265-1
10. Катков В.И. Аналитический обзор методов и систем контроля электрических разрядов в изоляторах высоко-вольтных линий электропередач // XXIV Туполевские чтения (школа молодых ученых): материалы Междуна-родной молодёжной научной конференции, 7–8 ноября 2019 года, Казань, В 6 т. Казань: Изд-во ИП Сагие-ва А.Р., 2019. Т. 3. С. 274-277.
11. Регистрация и анализ параметров частичных разрядов на высоковольтной линии электропередачи напряжением 35 кВ и выше / А.М. Гатауллин, М.Н. Бадретдинов, Д.Ф. Губаев, В.Л. Матухин // Известия вузов. Проблемы энергетики. 2007. № 7-8. С. 44-50.
12. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review / S. Qiu, X. Cui, Z. Ping, N. Shan, Z. Li, X. Bao, X. Xu // Sensors. 2023. No. 23. 1305. doi: 10.3390/s23031305
13. Обалдин М.Д., Колобанов П.А. Интеллектуальный алго-ритм одностороннего определения места повреждения на линиях электропередачи // Интеллектуальная элек-троника. 2018. № 1. С. 84-92.
14. Дементьев С.С., Блохина М.И. Диагностика воздушных линий электропередачи с применением системы интел-лектуальной импульсной рефлектометрии // Энерго- и ресурсосбережение: Промышленность и транспорт. 2020. № 2(31). С. 6-10.
15. Верзунов С.Н. Система искусственного интеллекта для онлайн-мониторинга подземных силовых кабельных ли-ний на основе технологий глубокого обучения // Про-блемы автоматики и управления. 2021. № 3(42). С. 83-94.
16. Application of using fault detection techniques in different components in power systems / M.Y. Abd-Alkader, A.M.Dr. Ebid, I. Mahdi, I.А. Nosseir // Future Engineering Journal. 2021. No. 2(2). Pр. 1-8.
17. Yadav A., Thoke A.S., Patel R. N. Fault classification of double circuit transmission line using artificial neural network // International Journal of Systems Science. 2008. No. 1(4). P. 750-755.
18. Intelligent Fault Detection and Classification Based on Hybrid Deep Learning Methods for Hardware-in-the-Loop Test of Automotive Software Systems / M. Abboush, D. Bamal, C. Knieke, A. Rausch // Sensors. 2022. No. 22. 4066. doi:10.3390/s22114066
19. Wang S., Dehghanian P. On the use of artificial intelligence for high impedance fault detection and electrical safety // IEEE Transactions on Industry Applications. 2020. No. 6(56). Pp. 7208-7216. doi: 10.1109/TIA.2020.3017698.
20. Jarndal A., Alsyouf I. On the usefulness of pre-processing methods in rotating machines faults classification using arti-ficial neural network // Journal of Applied and Computational Mechanics. 2020. No. 7(1). doi: 10.22055/JACM.2020.35354.2639
21. Adhikari S., Sinha N., Dorendrajit T. Fuzzy logic based on-line fault detection and classification in transmission line // Springer Plus. 2016. No. 5. P. 1002. doi: 10.1186/s40064-016-2669-4
22. Верзунов С.Н. Вейвлет-преобразование как инструмент анализа магнитовариационных данных // Проблемы ав-томатики и управления. 2014. № 2(27). С. 52-61.
23. Sharma P., Saini D., Saxena A. Fault detection and classifi-cation in transmission line using wavelet transform and ANN // Bulletin of Electrical Engineering and Informatics. 2016. No. 4(5). Pр. 456-465. doi:10.11591/eei.v5i3.537
24. Zen H., Tokuda K., Alan W. Black A.W. Statistical parametric speech synthesis. Speech Communication. 2009. Vol. 51. Iss. 11. Pp. 1039-1064. doi: 10.1016/j.specom.2009.04.004
25. Dong M., Sun Z., Wang C. A pattern recognition method for partial discharge detection on insulated overhead conductors // Canadian Conference of Electrical and Computer Engi-neering (CCECE). IEEE, 2019. Pp. 1-4. doi: 10.1109/CCECE.2019.8861809
26. Wadi M., Elmasry W. An anomaly-based technique for fault detection in power system networks // Proceedings of the In-ternational Conference on Electric Power Engineering – Pal-estine (ICEPE-P). IEEE, 2021. Pp. 1–6. doi: 10.1109/ICEPE-P51568.2021.9423479
27. Innovative partial discharge measurement and analysis tech-nique for the evaluation of the reliability of insulation systems / F. Sciocchetti, A. Caprara, F. Puletti, G.C. Montanari, A. Cavallini // Proceedings of Grid and Cooperative Computing (GCC). 2005. https://studylib.net/doc/5917238/innovative-partial-discharge-measurement (дата обращения 19.05.2023)
28. Система сбора данных для мониторинга состояния изо-ляции кабелей из сшитого полиэтилена / Д.А. Поляков, В.Н. Пугач, К.И. Никитин, Д.А. Юрчук // Омский науч-ный вестник. 2017. № 4 (154). С. 70-73.
29. https://www.kaggle.com/c/vsb-power-line-fault-detection/data (дата обращения 19.05.2023)
30. Misak S., Pokorny V. Testing of a covered conductor’s fault detectors // IEEE Transactions on Power Delivery. 2015. No. 3(30). Pp. 1096-1103. doi: 10.1109/TPWRD.2014.2357072
31. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
32. Верзунов С.Н., Раимжанов Х.А. Сравнение глубоких нейронных сетей на основе различных предварительно обученных CNN для диагностики COVID-19 по рентге-новским снимкам // Проблемы автоматики и управления. 2021. № 1(40). С. 12-25.
33. https://strathprints.strath.ac.uk/56089/ (дата обращения 19.05.2023)
34. Perotoni M.В., Marconi K. SDR-based spectrum analyzer based in open-source GNU radio // Journal of Microwaves, Optoelectronics and Electromagnetic Applications. 2021. No. 20(3). Pp. 542-555. doi: 10.1590/2179-10742021v20i31194
35. IEC TS 62478. High Voltage Test Techniques – Measure-ment of Partial Discharges by Electromagnetic and Acoustic Methods. International Electrotechnical Commission. 2016. 54 р.
Верзунов С.Н., Бочкарев И.В. Система диагностики возникновения частичного разряда в надземных сило-вых электросетях на основе интеллектуального анали-за данных в HF-диапазоне // Электротехнические си-стемы и комплексы. 2023. № 3(60). С. 4-14. https://doi.org/10.18503/2311-8318-2023-3(60)-4-14