افزایش دقت مکان‌یابی تخلیه جزئی در ژنراتورهای نیروگاهی با بهره‌گیری از هوش مصنوعی

به گزارش آگاه، مقاله‌ای با عنوان «Deep Learning Approaches for Partial Discharge Localization and Apparent Charge Prediction in Generator Stator Windings» حاصل پژوهش مشترک مهدی نوراللهی، محمدحامد صمیمی، عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، و دکتر آرش ابیض، دانش آموخته دانشگاه تهران در نشریه معتبر IEEE Transactions on Dielectrics and Electrical Insulation منتشر شده است.

تخلیه‌های جزئی یکی از مهم‌ترین نشانه‌های تخریب عایق در ژنراتورهای الکتریکی به شمار می‌روند و شناسایی به‌موقع آن‌ها نقش مهمی در پیشگیری از آسیب‌های گسترده و تعمیرات پرهزینه تجهیزات نیروگاهی دارد. با این حال، به دلیل ویژگی‌های ساختاری سیم‌پیچ‌های استاتور، سیگنال‌های ناشی از تخلیه‌های جزئی هنگام انتشار دچار تضعیف می‌شوند و تشخیص دقیق محل وقوع آن‌ها و تعیین مقدار بار الکتریکی تخلیه با چالش‌های متعددی همراه است.

پژوهشگران دانشگاه تهران در این مطالعه، با استفاده از یک مدل شبیه‌سازی سه‌بعدی مبتنی بر روش اجزای محدود (FEM)، رفتار پالس‌های تخلیه جزئی را در سیم‌پیچ‌های استاتور ژنراتورها شبیه‌سازی کرده و مجموعه‌ای جامع از داده‌های مربوط به این پدیده را تولید کردند. در ادامه، خروجی سیگنال‌ها پس از عبور از فیلترهای مختلف فرکانسی، به عنوان داده‌های ورودی برای مدل‌های یادگیری عمیق مورد استفاده قرار گرفت.
در این پژوهش، عملکرد پنج معماری مختلف شبکه‌های عصبی شامل شبکه پرسپترون چندلایه (MLP)، شبکه عصبی کانولوشنی (CNN)، شبکه کانولوشنی زمانی (TCN)، مدل ترکیبی CNN+LSTM و مدل Transformer در دو وظیفه اصلی، یعنی مکان‌یابی تخلیه‌های جزئی و پیش‌بینی مقدار بار ظاهری آن‌ها مورد ارزیابی قرار گرفت.
نتایج این پژوهش نشان داد مدل Transformer بهترین عملکرد را در مکان‌یابی محل وقوع تخلیه‌های جزئی در سیم‌پیچ‌های استاتور از خود نشان داده است. مکانیزم توجه به خود که در این مدل به‌کار رفته، امکان تشخیص وابستگی‌های پیچیده و تفکیک دقیق محل‌های نزدیک به یکدیگر را فراهم کرده و میزان خطای طبقه‌بندی را به طور محسوسی کاهش داده است.
همچنین، در بخش پیش‌بینی مقدار بار ظاهری تخلیه‌ها، مدل CNN عملکرد برتری نسبت به سایر مدل‌ها داشته و کمترین میزان خطا و انحراف را در پیش‌بینی مقادیر بار الکتریکی ثبت کرده است. این نتایج نشان می‌دهد که انتخاب معماری مناسب شبکه‌های عصبی باید متناسب با نوع مسئله و ویژگی‌های داده‌های مورد تحلیل انجام شود.
از دیگر نوآوری‌های این پژوهش، استفاده هم‌زمان از چندین فیلتر فرکانسی با پهنای باندهای متفاوت است که امکان استخراج ویژگی‌های مکمل از سیگنال‌های تخلیه جزئی را فراهم می‌کند. این رویکرد ضمن انطباق با شرایط واقعی اندازه‌گیری‌های صنعتی، دقت سامانه‌های هوشمند تشخیص عیب را به شکل قابل توجهی افزایش می‌دهد.

به گفته پژوهشگران، نتایج این مطالعه نشان می‌دهد مدل‌های یادگیری عمیق می‌توانند مکمل مناسبی برای روش‌های سنتی تحلیل تخلیه‌های جزئی باشند و با استخراج خودکار ویژگی‌های مهم سیگنال‌ها، چالش‌های تحلیل سنتی تخلیه جزئی در ژنراتورها را کاهش دهند. همچنین این مدل‌ها قابلیت به‌کارگیری در سامانه‌های نگهداری و تعمیرات پیش‌بینانه ژنراتورهای نیروگاهی را دارند و می‌توانند با ارائه اطلاعات دقیق درباره محل و شدت تخلیه‌های جزئی، از بروز خرابی‌های گسترده و توقف‌های ناخواسته در شبکه‌های تولید برق جلوگیری کنند.

این پژوهش مسیر جدیدی را برای توسعه سامانه‌های هوشمند پایش تخلیه جزئی ژنراتورها با بهره‌گیری از مدل‌های ترکیبی یادگیری عمیق هموار کرده است.
این مقاله در پیوند زیر قابل مشاهده است:

https://doi.org/10.1049/hve2.70118Digital Object Identifier (DOI)

انتهای خبر/264592/