Evaluation of artificial intelligence techniques in the classification of partial discharges

Silva, Allan D. C.; Carvalho, Itaiara F.; Nobrega, Luiz A. M. M.; Xavier, George V. R.; da Costa, Edson G.

Avaliação de técnicas de inteligência artificial na classificação de descargas parciais

dc.creator	Silva, Allan D. C.
dc.creator	Carvalho, Itaiara F.
dc.creator	Nobrega, Luiz A. M. M.
dc.creator	Xavier, George V. R.
dc.creator	da Costa, Edson G.
dc.date	2021-12-13
dc.date.accessioned	2022-04-23T03:54:28Z
dc.date.available	2022-04-23T03:54:28Z
dc.identifier	https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6047
dc.identifier	10.18845/tm.v34i7.6047
dc.identifier.uri	https://hdl.handle.net/2238/13638
dc.description	The detection of Partial Discharge (PD) signals in the Ultra High Frequency (UHF) range performs identify and classify, in a minimally invasive way, of defects in high voltage equipment, as well as estimating the degree of urgency in carrying out preventive maintenance. In this paper, machine learning techniques were used to perform automatic recognition of patterns obtained from PD UHF signal envelopes. Therefore, an experimental arrangement was designed to emulate different PD sources: an oil vat with flat-tip electrodes, a hydro generator bar, and a potential transformer. From the signals launched in this arrangement, envelopes were generated, from which a series of attributes in the time domain were extracted, such as kurtosis, maximum amplitude, and rise time. Then, the selection of attributes was carried out through an association of algorithms, including k-means, to reduce the dimensionality of the data to increase the efficiency of the classifier algorithm. Finally, a classification of PD signals was performed using an artificial neural network, decision tree, and random forest. The results induced that the attributes extracted from the envelopes were effective in classifying PD signs, with mean accuracy values g reater than 95% when the optimized database was used.	en-US
dc.description	A detecção de sinais de Descargas Parciais (DP) na faixa da Ultra Alta Frequência (UHF) permite identificar e classificar, de forma minimamente invasiva, defeitos em equipamentos de alta tensão, bem como estimar o grau de urgência da realização de manutenções preventivas. Neste artigo, técnicas de machine learning foram utilizadas para realizar o reconhecimento automático dos padrões obtidos a partir de envoltórias de sinais UHF de DP.  Para tanto, foi elaborado um arranjo experimental para emular diferentes fontes de DP: uma cuba de óleo com eletrodos ponta-plano, a barra de um hidrogerador e um transformador de potencial. A partir dos sinais obtidos nesse arranjo, geraram-se envoltórias, a partir das quais foi realizada a extração de uma série de atributos no domínio do tempo, tais como: curtose, amplitude máxima e tempo de subida. Em seguida, realizou-se a seleção dos atributos por meio de uma associação de algoritmos, dentre eles o k-means, de forma a reduzir a dimensionalidade dos dados para aumentar a eficiência do algoritmo classificador. Por fim, fez-se a classificação dos sinais de DP a partir de uma rede neural artificial, decision tree e random forest. Os resultados mostraram que os atributos extraídos das envoltórias foram efetivos na classificação dos sinais de DP, com valores de acurácia média superiores a 95% quando foi utilizado o banco de dados otimizado.	es-ES
dc.format	application/pdf
dc.language	spa
dc.publisher	Editorial Tecnológica de Costa Rica (entidad editora)	es-ES
dc.relation	https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6047/5773
dc.rights	https://creativecommons.org/licenses/by-nc-nd/4.0	es-ES
dc.source	Tecnología en marcha Journal; 2021: Vol. 34 especial. Congreso de Alta Tensión y Aislamiento Eléctrico; Pág 232-244	en-US
dc.source	Revista Tecnología en Marcha; 2021: Vol. 34 especial. Congreso de Alta Tensión y Aislamiento Eléctrico; Pág 232-244	es-ES
dc.source	2215-3241
dc.source	0379-3982
dc.subject	Machine learning	en-US
dc.subject	classification	en-US
dc.subject	data mining	en-US
dc.subject	partial discharge	en-US
dc.subject	Aprendizado de máquina	es-ES
dc.subject	classificação	es-ES
dc.subject	data mining	es-ES
dc.subject	descargas parciais	es-ES
dc.subject	extração de atributos	es-ES
dc.title	Evaluation of artificial intelligence techniques in the classification of partial discharges	en-US
dc.title	Avaliação de técnicas de inteligência artificial na classificação de descargas parciais	es-ES
dc.type
dc.type	artículo original

Files in this item

Files	Size	Format	View
There are no files associated with this item.

This item appears in the following Collection(s)

Tecnología en Marcha [2043]
Es una revista que se publica por trimestres

Show simple item record