1D-CNN、LSTM、および1D-CNN-LSTMメソッドを使用したスイッチギアのコロナ断層の検出

コロナ断層の有害な効果により、金属に覆われたスイッチギアの大きな懸念となっているため、操作中に極端な注意が必要です。コロナ断層は、中電圧金属型電気機器のフラッシュオーバーの主な原因でもあります。この問題の根本的な原因は、電気ストレスと開閉装置内の空気の質の低下による空気の電気的故障です。適切な予防措置がなければ、フラッシュオーバーが発生する可能性があり、その結果、労働者や機器に深刻な危害が生じます。その結果、スイッチギアのコロナ断層を検出し、スイッチでの電気ストレスの蓄積を防ぐことが重要です。近年、自律的な機能学習能力により、コロナと非コロナ検出のディープラーニング（DL）アプリケーションの使用が成功しています。このペーパーでは、コロナ断層を検出するための最も効果的なモデルを特定するために、1D-CNN、LSTM、および1D-CNN-LSTMハイブリッドモデルの3つの深い学習手法を体系的に分析します。ハイブリッド1D-CNN-LSTMモデルは、時間と周波数の両方のドメインの両方で高い精度があるため、最高と見なされます。このモデルは、スイッチギアで生成された音波を分析して障害を検出します。この調査では、時間ドメインと周波数ドメインの両方でモデルのパフォーマンスを調べます。タイムドメイン分析（TDA）では、1D-CNNは98％、98.4％、93.9％の成功率を達成しましたが、LSTMは97.3％、98.4％、92.4％の成功率を獲得しました。最も適切なモデルである1D-CNN-LSTMは、トレーニング、検証、およびテスト中にコロナと非コロナの症例を区別する99.3％、98.4％、98.4％の成功率を達成しました。周波数ドメイン分析（FDA）では、1D-CNNは100％、95.8％、95.8％の成功率を達成しましたが、LSTMは100％、100％、および100％の成功率を得ました。1D-CNN-LSTMモデルは、トレーニング、検証、およびテスト中に100％、100％、および100％の成功率を達成しました。したがって、開発されたアルゴリズムは、スイッチギアのコロナ断層、特に時間と周波数ドメインの両方でコロナ断層を検出する精度があるため、1D-CNN-LSTMモデルの識別において高性能を達成しました。

The damaging effects of corona faults have made them a major concern in metal-clad switchgear, requiring extreme caution during operation. Corona faults are also the primary cause of flashovers in medium-voltage metal-clad electrical equipment. The root cause of this issue is an electrical breakdown of the air due to electrical stress and poor air quality within the switchgear. Without proper preventative measures, a flashover can occur, resulting in serious harm to workers and equipment. As a result, detecting corona faults in switchgear and preventing electrical stress buildup in switches is critical. Recent years have seen the successful use of Deep Learning (DL) applications for corona and non-corona detection, owing to their autonomous feature learning capability. This paper systematically analyzes three deep learning techniques, namely 1D-CNN, LSTM, and 1D-CNN-LSTM hybrid models, to identify the most effective model for detecting corona faults. The hybrid 1D-CNN-LSTM model is deemed the best due to its high accuracy in both the time and frequency domains. This model analyzes the sound waves generated in switchgear to detect faults. The study examines model performance in both the time and frequency domains. In the time domain analysis (TDA), 1D-CNN achieved success rates of 98%, 98.4%, and 93.9%, while LSTM obtained success rates of 97.3%, 98.4%, and 92.4%. The most suitable model, the 1D-CNN-LSTM, achieved success rates of 99.3%, 98.4%, and 98.4% in differentiating corona and non-corona cases during training, validation, and testing. In the frequency domain analysis (FDA), 1D-CNN achieved success rates of 100%, 95.8%, and 95.8%, while LSTM obtained success rates of 100%, 100%, and 100%. The 1D-CNN-LSTM model achieved a 100%, 100%, and 100% success rate during training, validation, and testing. Hence, the developed algorithms achieved high performance in identifying corona faults in switchgear, particularly the 1D-CNN-LSTM model due to its accuracy in detecting corona faults in both the time and frequency domains.