تشخیص هوشمند خطا در بوبین های کلیدهای قدرت مبتنی بر شبیه سازی چندفیزیکه

کلیدهای قدرت نقش بسزایی بر پایداری شبکه برق و رفع سریع خطا در این شبکه دارند. بنابراین، پایش مستمر این تجهیزات بحرانی به منظور تشخیص خرابی­های متداول الزامی است. در این صورت، می توان از خطاهای احتمالی و قطعی ناخواسته در شبکه برق جلوگیری کرد. در این مقاله، امکان پایش کلیدهای قدرت و تشخیص و دسته بندی خطاها به واسطه هوش مصنوعی (AI)[۱] بررسی می شود. در این رویکرد امکان پیشگیری از وقوع خطا وجود خواهد داشت که باعث کاهش هزینه­های نگهداری خواهد شد. به همین منظور پایش عملکرد کلیدهای قدرت، با استراتژی نگهداری مبتنی بر وضعیت (CBM)[۲] و استفاده از سیگنال جریان بوبین (CC)[۳] وصل/قطع برای یک ساختار واقعی از کلید ۵/۷۲ کیلوولتی ارائه می گردد که با بهره­مندی از آن امکان تشخیص و پیش­بینی خطا در بخش­های مختلف کلید شامل منبع تغذیه، سیم بندی سیم­پیچ­ها، ضامن[۴] و کنتاکت­های کمکی وجود دارد. با شبیه سازی بوبین کلید در نرم­افزار COMSOL Multiphysics و اتصال آن به نرم­افزار MATLAB، طیف گسترده ای از خطاهای موردنظر شبیه­سازی شده و داده­های لازم برای آموزش الگوریتم های یادگیری ماشین (ML)[۵] تامین می­شود، الگوریتم های مورد استفاده که وظیفه تشخیص خطا را برعهده دارند، عبارتند از: رگرسیون منطقی[۶]، ماشین بردار پشتیبان (SVM)[۷]، درخت تصمیم­گیری[۸] و K-نزدیک ترین همسایه (KNN)[۹] . به این ترتیب می توان انواع خطاهای ممکن را تشخیص داد و طبقه بندی نمود. نتایج نشان می دهد که از میان الگوریتم های فوق، الگوریتم SVM به علت همپوشانی زیاد داده­ها عملکرد مناسبی نداشته و بیشترین دقت مربوط به الگوریتم KNN می باشد، بنابراین این الگوریتم برای سیستم تشخیص خطا انتخاب می گردد.   [۱]. Artificial Intelligence [۲]. Condition-Based Maintenance [۳]. Coil Current [۴]. Latch [۵]. Machine Learning [۶]. Logistic Regression [۷]. Support Vector Machine (SVM) [۸]. Decision Tree (DT) [۹]. K-Nearest Neighbors (KNN)

کلیدواژه ها:

high voltage circuit breaker ، coil current ، artificial intelligence ، machine learning ، کلید قدرت ، جریان بوبین ، هوش مصنوعی ، یادگیری ماشین