Insulator leakage current prediction using surface spark discharge data and particle swarm optimization based neural network

Highlights•The online monitoring system to detect the deteriorative insulators by predicting the leakage current.•The performance of predicting leakage current by utilizing the surface spark discharge features significantly outperform the persistent data models.•The particle swarm optimization combined neural network algorithm surpasses other persistent model in predicting leakage current.•The change of ROI brightness has stronger correlation with the leakage current comparing with the percentage of spark area.AbstractThe paper has completely built an online monitoring system to detect deteriorative insulator by predicting the leakage current which assist maintenance personnel in determining whether insulators need to be cleaned or replaced and improve maintenance efficiency in Taiwan. The real-time monitoring systems are installed on the 69 kV and 161 kV transmission towers. The local meteorological data such as temperature, humidity and dew point, and images of spark discharge phenomenon are collected to identify the correlation with the leakage current of deteriorative insulators. The forecasting model is enhanced by using the image features of surface spark discharge phenomenon (SSDP). The percentage of spark area and the change in the brightness of region of interest (ROI) can be utilized as exogenous inputs to the predicting model. Correspondently, a particle swarm optimization based back propagation neural network (PSO-BPNN) is applied to improve the accuracy in prediction. The proposed developing model combined enhancement inputs are compared with persistent models, such as back propagation neural network (BPNN), radial basis function neural network with K-means cluster (RBF-K-means) and support vector regression (SVR), to evaluate the performance based on common statistic metrics. The simulation experiments have proved the integrated surface spark discharge features combined PSO-BPNN to improve the accuracy and stability of predicting leakage current comparing with other models. Therefore, the surface spark discharge data have strong correlation with the leakage current. In addition, the PSO-BPNN also achieves higher accuracy, better effectiveness and faster convergence comparing with other persistent models.

پیش‌بینی جریان نشتی عایق با استفاده از داده‌های تخلیه جرقه سطحی و شبکه عصبی مبتنی بر بهینه‌سازی ازدحام ذرات

نکات برجسته * سیستم نظارت آنلاین برای شناسایی عایق‌های در حال تخریب با پیش‌بینی جریان نشتی. * عملکرد پیش‌بینی جریان نشتی با استفاده از ویژگی‌های تخلیه جرقه سطحی به طور قابل‌توجهی از مدل‌های داده پایدار بهتر عمل می‌کند. * بهینه‌سازی ازدحام ذرات الگوریتم ترکیبی شبکه عصبی از دیگر مدل‌های پایدار در پیش‌بینی جریان نشتی پیشی می‌گیرد. * تغییر روشنایی ROI همبستگی قویتری با جریان نشتی در مقایسه با درصد سرجرقه دارد. * پاسخ این مقاله به طور کامل یک سیستم نظارت آنلاین را برای تشخیص عایق در حال زوال با پیش‌بینی جریان نشتی که به پرسنل تعمیر و نگهداری در تعیین اینکه آیا مقره باید تمیز یا تعویض شود و بهره‌وری تعمیر و نگهداری در تایوان را بهبود بخشد، ساخته‌است. سیستم‌های پایش بلادرنگ بر روی برج‌های انتقال ۶۹ کیلو ولت و ۱۶۱ کیلو ولت نصب شده‌اند. داده‌های هواشناسی محلی مانند دما، رطوبت و نقطه شبنم، و تصاویر پدیده تخلیه جرقه برای شناسایی ارتباط با جریان نشتی عایق‌های خراب‌شده جمع‌آوری می‌شوند. مدل پیش‌بینی با استفاده از ویژگی‌های تصویر پدیده تخلیه جرقه سطحی (SSDP)بهبود می‌یابد. درصد مساحت جرقه و تغییر در روشنایی ناحیه مورد نظر (ROI)را می توان به عنوان ورودی‌های برونزا برای مدل پیش‌بینی استفاده کرد. به طور مشابه، یک بهینه‌سازی ازدحام ذرات مبتنی بر شبکه عصبی پس انتشار (PSO - BPNN)برای بهبود دقت در پیش‌بینی به کار می‌رود. ورودی‌های بهبود ترکیبی مدل توسعه‌یافته پیشنهادی با مدل‌های پایدار، مانند شبکه عصبی پس انتشار (BPNN)، شبکه عصبی تابع پایه شعاعی با خوشه K - means (RBF - K - means)و رگرسیون بردار پشتیبان (SVR)، برای ارزیابی عملکرد براساس معیارهای آماری مشترک مقایسه می‌شوند. آزمایش‌ها شبیه‌سازی ویژگی‌های تخلیه جرقه سطحی یکپارچه ترکیبی PSO - BPNN را برای بهبود دقت و پایداری پیش‌بینی جریان نشتی در مقایسه با سایر مدل‌ها اثبات کرده‌اند. بنابراین، داده‌های تخلیه جرقه سطحی همبستگی قوی با جریان نشتی دارند. بعلاوه، PSO - BPNN در مقایسه با سایر مدل‌های پایدار به دقت بالاتر، اثربخشی بهتر و هم‌گرایی سریع‌تر دست می‌یابد.

ترجمه شده با