Kerusakan isolasi sambungan kabel dapat menyebabkan kerugian besar bagi perusahaan listrik. Oleh karena itu, sangat penting untuk mendiagnosis kualitas isolasi untuk mendeteksi tanda-tanda awal kegagalan isolasi. Telah diketahui dengan baik bahwa ada korelasi antara Partial discharge (PD) dan kualitas insulasi. Meskipun banyak pekerjaan telah dilakukan pada pengenalan pola PD, biasanya dilakukan di lingkungan yang bebas noise. Juga, bekerja pada pengenalan pola PD di sambungan kabel yang sebenarnya kurang mungkin ditemukan dalam literatur.
Oleh karena itu, dalam pekerjaan ini, klasifikasi jenis cacat sambungan kabel yang sebenarnya dari data pelepasan sebagian yang terkontaminasi oleh kebisingan dilakukan. Lima sambungan kabel cross-linked polyethylene (XLPE) dengan cacat buatan disiapkan berdasarkan cacat yang biasa ditemui di lokasi. Tiga jenis fitur input yang berbeda diekstraksi dari pola PD di bawah lingkungan bising yang dibuat secara artifisial. Ini termasuk fitur statistik, fitur fraktal dan fitur analisis komponen utama (PCA).
Fitur input ini digunakan untuk melatih pengklasifikasi untuk mengklasifikasikan setiap jenis cacat PD. Klasifikasi dilakukan dengan menggunakan tiga pengklasifikasi kecerdasan buatan yang berbeda, yang meliputi Artificial Neural Networks (ANN), Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Support Vector Machine (SVM). Ditemukan bahwa akurasi klasifikasi menurun dengan tingkat kebisingan yang lebih tinggi tetapi fitur PCA yang digunakan dalam SVM dan ANN menunjukkan toleransi terkuat terhadap kontaminasi kebisingan.
Peralatan Power System atau sistem tenaga listrik yang penting seperti switchgear berinsulasi gas, trafo dan kabel daya tegangan tinggi (HV) masa pakai sangat bergantung pada kualitas insulasi. Mereka akan rusak secara permanen jika terjadi kerusakan isolasi. Kegagalan di bagian manapun dari sistem tenaga listrik akan merugikan perusahaan pembangkit dan transmisi energi. Oleh karena itu, sangat penting untuk sering memeriksa kualitas isolasi.
Pengukuran Partial Discharge (PD) diterima secara global sebagai teknik diagnostik yang berguna dengan kemampuan untuk menilai bahan insulasi untuk kondisinya [1]. Menurut standar IEC 60270, PD didefinisikan sebagai “pelepasan listrik lokal yang hanya menjembatani sebagian isolasi antara konduktor.” [2]. PD bersifat repetitif dan mampu menyebar ke seluruh bahan dielektrik. PD mengintensifkan kerusakan isolasi yang ada dan menyebabkan penurunan kualitas isolasi yang stabil, yang pada akhirnya menyebabkan kerusakan listrik, bahaya bagi personel, kerusakan lingkungan, dan kegagalan peralatan yang mahal [3]. Karena kejadian PD dapat menyebabkan hasil yang merugikan dengan konsekuensi keselamatan dan keuangan, deteksi kejadian PD digunakan sebagai metode kunci dalam pemantauan kondisi sistem isolasi [4].
Klasifikasi PD menarik karena hubungan antara aktivitas PD dan proses penuaan bahan dielektrik. Karena setiap cacat memiliki perilaku kerusakan yang unik, penting untuk mengenali hubungan antara pola PD dan jenis cacat untuk menentukan kualitas insulasi. Pengenalan pola PD sangat penting dalam menentukan risiko substansial dari kerusakan isolasi yang akan segera terjadi dan akibatnya apakah komponen saat ini memerlukan servis dan penggantian atau tidak [5]. Banyak pekerjaan telah dilakukan pada klasifikasi PD di berbagai peralatan sistem tenaga, seperti switchgear dan gardu induk berinsulasi gas [6, 7], kabel daya [8, 9] dan transformator [10, 11]. Pengklasifikasi yang umum digunakan termasuk jaringan saraf [7, 12], logika fuzzy [13, 14] dan mesin vektor pendukung [15, 16].
PD memiliki sekelompok atribut diskriminatif yang unik, yang memungkinkan mereka untuk dikenali. Untuk melakukan klasifikasi PD, perlu dilakukan pemilihan fitur diskriminatif mana yang akan diekstraksi dan metode ekstraksi fitur yang akan digunakan [17]. Tujuan dari ekstraksi fitur adalah untuk mengekstrak fitur input yang berarti dari data PD yang tidak diproses untuk mewakili pola PD yang terkait dengan cacat tertentu [18]. Fitur yang diekstraksi ini digunakan sebagai input dari classifier selama proses pelatihan. Ekstraksi fitur juga membantu mengurangi ukuran data PD mentah untuk penanganan yang lebih cepat dan sederhana. Klasifikasi PD membutuhkan semacam metode reduksi data, seperti pengurangan ukuran matriks [19]. Hal ini disebabkan data PD yang tidak diproses yang mungkin berisi ribuan hingga jutaan pulsa individu terlalu besar untuk digunakan sebagai input ke pengklasifikasi karena akan secara drastis meningkatkan waktu pelatihan dan melumpuhkan kinerja pengklasifikasi [20, 21].
Sebagian besar pekerjaan klasifikasi PD dilakukan di lingkungan lab dan di bawah lingkungan bebas kebisingan. Namun, pada kenyataannya, pengukuran PD di lokasi mengalami sensitivitas deteksi yang lebih rendah karena gangguan kebisingan eksternal [22]. Pengukuran PD sering menghadapi interferensi yang disebabkan oleh transmisi radio, komponen elektronika daya, random noise dari switching, lightning, arcing, harmonik dan interferensi dari koneksi ground [23]. Banyak pekerjaan penelitian telah dilakukan pada denoising data PD.
Salah satu metode melibatkan pengaturan ambang dan mengabaikan data PD yang 10% dari amplitudo PD maksimum. Namun, ditemukan tidak cukup karena tingkat ambang batas tinggi mungkin mengabaikan pulsa PD nyata dengan magnitudo rendah dan tingkat ambang rendah akan mencakup kebisingan [24, 25]. Menggunakan mean square error sebagai patokan untuk membandingkan 28 jenis teknik denoising, denoising berbasis wavelet ditemukan sebagai yang terbaik dengan rasio sinyal terhadap noise yang baik [26]. Sejumlah penelitian juga telah menggunakan transformasi wavelet untuk tujuan denoising, terutama wavelet Daubechies, yang mampu mendeteksi sinyal frekuensi tinggi, peluruhan cepat, durasi pendek, dan amplitudo rendah [27, 28].
Teknik denoising PD telah meningkat selama bertahun-tahun. Namun, standar denoising yang sempurna dan universal belum tercapai. Oleh karena itu, beberapa peneliti telah memasukkan sinyal noise buatan ke dalam data PD sebelum mengevaluasi model klasifikasi PD untuk mereplikasi skenario praktis. Misalnya, menambahkan bilangan acak terdistribusi merata ke fase dan muatan data PD [1, 29], menambahkan white noise dengan rata-rata nol dan daya berfluktuasi [23], termasuk bilangan acak dengan berbagai standar deviasi dan rata-rata nol [30] dan menggabungkan secara acak kebisingan terdistribusi yang berada dalam 10 sampai 30% dari data uji [31-37]. Efek penambahan noise diringkas sebagai berikut; di [1], akurasi ANN berkurang dari 79% dalam kondisi bebas noise menjadi 42,2% dengan 10% tambahan noise, di [36, 37], akurasi ANN berkurang dari 100% dalam kondisi bebas noise menjadi 80% dengan 30 % noise acak, di [34, 38], ketika 30% noise diperkenalkan, akurasi ANN berkurang dari 100% menjadi antara 70 dan 80% tergantung pada fitur input yang digunakan. Dalam [31], akurasi ANN berkurang dari 93,7% menjadi 83,3%.
Namun, kebisingan yang dihasilkan secara artifisial menggunakan perangkat lunak, seperti yang diterapkan dalam karya sebelumnya mungkin tidak mewakili skenario dunia nyata. Oleh karena itu, dalam pekerjaan ini, klasifikasi jenis cacat sambungan kabel dari pengukuran PD di bawah lingkungan bising dilakukan. Kebisingan di lapangan yang diperoleh dari gangguan tanah alih-alih kebisingan yang dihasilkan perangkat lunak seperti yang biasa digunakan dalam karya sebelumnya digunakan dalam pekerjaan ini. Ini adalah representasi yang lebih baik dari kebisingan yang ditemui di tempat. Lima sambungan kabel cross-linked polyethylene (XLPE) dengan cacat buatan telah disiapkan. Setelah pengukuran PD dilakukan pada setiap sampel sambungan kabel, fitur input yang berbeda diekstraksi dari pola PD di bawah lingkungan bising yang dibuat secara artifisial. Ini termasuk fitur statistik, fitur fraktal dan fitur analisis komponen utama (PCA). Fitur input digunakan untuk melatih pengklasifikasi untuk mengklasifikasikan jenis cacat PD menggunakan Artificial Neural Networks (ANN), Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Support Vector Machine (SVM). Pada akhir pekerjaan, perbandingan antara kombinasi ekstraksi fitur dan pengklasifikasi yang berbeda dilakukan untuk menentukan metode mana yang memiliki hasil akurasi klasifikasi tertinggi atau toleransi noise tertinggi.
Analisis deret waktu adalah alat yang sangat berguna. Metode jaringan kompleks berbobot terarah dapat digunakan untuk membedakan dan mengkarakterisasi rezim dinamis yang berbeda terkait dengan orbit periodik yang tidak stabil dari sinyal deret waktu [39]. Untuk perilaku dinamis nonlinier dalam aliran dua fase gas-cair, jaringan kompleks berbobot multivariat dapat digunakan [40]. Di sisi lain, distribusi pseudo Wigner multivariat memungkinkan pengungkapan perilaku aliran lokal yang mengungkapkan pola aliran minyak-air yang berbeda [41]. Gao dkk. mengusulkan grafik visibilitas horizontal terbatas multiskala yang dapat ditembus untuk menganalisis deret waktu nonlinier [42] dan kemudian mengembangkan grafik visibilitas berbasis AOK-TFR baru untuk mengklasifikasikan sinyal EEG epilepsi [43].
Sumber: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5234804/
Referensi:
References
1. Satish L, Zaengl WS. Artificial neural networks for recognition of 3-d partial discharge patterns. IEEE Transactions on Dielectrics and Electrical Insulation. 1994;1(2):265–275. [Google Scholar]
2. IEC International Standard 60270: High voltage test techniques—partial discharge measurements. International Electrotechnical Commission. (3rd edn).
3. Xiaodi S, Chengke Z, Hepburn DM, Guobin Z, Michel M. Second generation wavelet transform for data denoising in PD measurement. IEEE Transactions on Dielectrics and Electrical Insulation. 2007;14(6):1531–1537. [Google Scholar]
4. Mota HdO, Rocha LCDd, Salles TCdM, Vasconcelos FH. Partial discharge signal denoising with spatially adaptive wavelet thresholding and support vector machines. Electric Power Systems Research. 2011;81(2):644–659. 10.1016/j.epsr.2010.10.030. [CrossRef] [Google Scholar]
5. Hoof M, Freisleben B, Patsch R. PD source identification with novel discharge parameters using counterpropagation neural networks. IEEE Transactions on Dielectrics and Electrical Insulation. 1997;4(1):17–32. [Google Scholar]
6. Liping L, Ju T, Yilu L. Partial discharge recognition in gas insulated switchgear based on multi-information fusion. IEEE Transactions on Dielectrics and Electrical Insulation. 2015;22(2):1080–1087. [Google Scholar]
7. Feng-Chang G, Hong-Chan C, Cheng-Chien K. Gas-insulated switchgear PD signal analysis based on Hilbert-Huang transform with fractal parameters enhancement. IEEE Transactions on Dielectrics and Electrical Insulation. 2013;20(4):1049–1055. [Google Scholar]
8. Casals-Torrens P, González-Parada A, Bosch-Tous R. Online PD detection on high voltage underground power cables by acoustic emission. Procedia Engineering. 2012;35:22–30. [Google Scholar]
9. Hunter JA, Lewin PL, Hao L, Walton C, Michel M. Autonomous classification of PD sources within three-phase 11 kV PILC cables. IEEE Transactions on Dielectrics and Electrical Insulation. 2013;20(6):2117–2124. [Google Scholar]
10. Ke W, Jinzhong L, Shuqi Z, Ruijin L, Feifei W, Lijun Y, et al. A hybrid algorithm based on s transform and affinity propagation clustering for separation of two simultaneously artificial partial discharge sources. IEEE Transactions on Dielectrics and Electrical Insulation. 2015;22(2):1042–1060. [Google Scholar]
11. Ibrahim K, Sharkawy RM, Salama MMA, Bartnikas R. Realization of partial discharge signals in transformer oils utilizing advanced computational techniques. IEEE Transactions on Dielectrics and Electrical Insulation. 2012;19(6):1971–1981. [Google Scholar]
12. Majidi M, Oskuoee M. Improving pattern recognition accuracy of partial discharges by new data preprocessing methods. Electric Power Systems Research. 2015;119:100–110. 10.1016/j.epsr.2014.09.014. [CrossRef] [Google Scholar]
13. Salama MMA, Bartnikas R. Fuzzy logic applied to PD pattern classification. IEEE Transactions on Dielectrics and Electrical Insulation. 2000;7(1):118–123. [Google Scholar]
14. Contin A, Cavallini A, Montanari GC, Pasini G, Puletti F. Digital detection and fuzzy classification of partial discharge signals. IEEE Transactions on Dielectrics and Electrical Insulation. 2002;9(3):335–348. [Google Scholar]
15. Jing C, Hou J. SVM and PCA based fault classification approaches for complicated industrial process. Neurocomputing. 2015;167:636–642. 10.1016/j.neucom.2015.03.082. [CrossRef] [Google Scholar]
16. Khan Y, Khan AA, Budiman FN, Beroual A, Malik NH, Al-Arainy AA. Partial discharge pattern analysis using support vector machine to estimate size and position of metallic particle adhering to spacer in GIS. Electric Power Systems Research. 2014;116:391–398. 10.1016/j.epsr.2014.07.001. [CrossRef] [Google Scholar]
17. Hui M, Chan JC, Saha TK, Ekanayake C. Pattern recognition techniques and their applications for automatic classification of artificial partial discharge sources. IEEE Transactions on Dielectrics and Electrical Insulation. 2013;20(2):468–478. [Google Scholar]
18. Karthikeyan B, Gopal S, Vimala M. Conception of complex probabilistic neural network system for classification of partial discharge patterns using multifarious inputs. Expert Systems with Applications. 2005;29(4):953–963. 10.1016/j.eswa.2005.06.014. [CrossRef] [Google Scholar]
19. Raymond WJK, Illias HA, Bakar AHA, Mokhlis H. Partial discharge classifications: Review of recent progress. Measurement. 2015;68:164–181. 10.1016/j.measurement.2015.02.032. [CrossRef] [Google Scholar]
20. Yu H, Song YH. Using improved self-organizing map for partial discharge diagnosis of large turbogenerators. IEEE Transactions on Energy Conversion. 2003;18(3):392–399. [Google Scholar]
21. Kranz HG. Diagnosis of partial discharge signals using neural networks and minimum distance classification. IEEE Transactions on Electrical Insulation. 1993;28(6):1016–1024. [Google Scholar]
22. Suzuki H, Endoh T. Pattern recognition of partial discharge in XLPE cables using a neural network. IEEE Transactions on Electrical Insulation. 1992;27(3):543–549. [Google Scholar]
23. Satish L, Nazneen B. Wavelet-based denoising of partial discharge signals buried in excessive noise and interference. IEEE Transactions on Dielectrics and Electrical Insulation. 2003;10(2):354–367. [Google Scholar]
24. Gulski E. Computer-aided measurement of partial discharges in HV equipment. IEEE Transactions on Electrical Insulation. 1993;28(6):969–983. [Google Scholar]
25. Allahbakhshi M, Akbari A. A method for discriminating original pulses in online partial discharge measurement. Measurement. 2011;44(1):148–158. 10.1016/j.measurement.2010.09.036. [CrossRef] [Google Scholar]
26. Sriram S, Nitin S, Prabhu KMM, Bastiaans MJ. Signal denoising techniques for partial discharge measurements. IEEE Transactions on Dielectrics and Electrical Insulation. 2005;12(6):1182–1191. [Google Scholar]
27. Shim I, Soraghan JJ, Siew WH. Detection of PD utilizing digital signal processing methods. Part 3: Open-loop noise reduction. Electrical Insulation Magazine, IEEE. 2001;17(1):6–13. [Google Scholar]
28. Carvalho AT, Lima ACS, Cunha CFFC, Petraglia M. Identification of partial discharges immersed in noise in large hydro-generators based on improved wavelet selection methods. Measurement. 2015;75:122–133. 10.1016/j.measurement.2015.07.050. [CrossRef] [Google Scholar]
29. Lalitha EM, Satish L. Fractal image compression for classification of PD sources. IEEE Transactions on Dielectrics and Electrical Insulation. 1998;5(4):550–557. [Google Scholar]
30. Zhou X, Zhou C, Kemp IJ. An improved methodology for application of wavelet transform to partial discharge measurement denoising. IEEE Transactions on Dielectrics and Electrical Insulation. 2005;12(3):586–594. [Google Scholar]
31. Dey D, Chatterjee B, Chakravorti S, Munshi S. Cross-wavelet transform as a new paradigm for feature extraction from noisy partial discharge pulses. IEEE Transactions on Dielectrics and Electrical Insulation. 2010;17(1):157–166. [Google Scholar]
32. Chen HC. Fractal features-based pattern recognition of partial discharge in XLPE power cables using extension method. Generation, Transmission & Distribution, IET. 2012;6(11):1096–1103. [Google Scholar]
33. Chen H-C, Gu F-C. Pattern recognition with cerebellar model articulation controller and fractal features on partial discharges. Expert Systems with Applications. 2012;39(7):6575–6584. [Google Scholar]
34. Gu FC, Chang HC, Chen FH, Kuo CC, Hsu CH. Application of the Hilbert-Huang transform with fractal feature enhancement on partial discharge recognition of power cable joints. Science, Measurement & Technology, IET. 2012;6(6):440–448. [Google Scholar]
35. Chen H-C, Gu F-C, Wang M-H. A novel extension neural network based partial discharge pattern recognition method for high-voltage power apparatus. Expert Systems with Applications. 2012;39(3):3423–3431. [Google Scholar]
36. Mang-Hui W. Partial discharge pattern recognition of current transformers using an ENN. IEEE Transactions on Power Delivery. 2005;20(3):1984–1990. [Google Scholar]
37. Mang-Hui W, Chih-Yung H. Application of extension theory to PD pattern recognition in high-voltage current transformers. IEEE Transactions on Power Delivery. 2005;20(3):1939–1946. [Google Scholar]
38. Gu F-C, Chang H-C, Chen F-H, Kuo C-C. Partial discharge pattern recognition of power cable joints using extension method with fractal feature enhancement. Expert Systems with Applications. 2012;39(3):2804–2812. [Google Scholar]
39. Gao Z-K, Jin N-D. A directed weighted complex network for characterizing chaotic dynamics from time series. Nonlinear Analysis: Real World Applications. 2012;13(2):947–952. 10.1016/j.nonrwa.2011.08.029. [CrossRef] [Google Scholar]
40. Gao Z-K, Fang P-C, Ding M-S, Jin N-D. Multivariate weighted complex network analysis for characterizing nonlinear dynamic behavior in two-phase flow. Experimental Thermal and Fluid Science. 2015;60:157–164. 10.1016/j.expthermflusci.2014.09.008. [CrossRef] [Google Scholar]
41. Gao Z, Yang Y, Zhai L, Jin N, Chen G. A Four-Sector Conductance Method for Measuring and Characterizing Low-Velocity Oil Water Two-Phase Flows. IEEE Transactions on Instrumentation and Measurement. 2016;65(7):1690–1697. [Google Scholar]
42. Gao ZK, Cai Q, Yang YX, Dang WD, Zhang SS. Multiscale limited penetrable horizontal visibility graph for analyzing nonlinear time series. Sci Rep. 2016;6:35622 10.1038/srep35622 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
43. Gao Z-K, Cai Q, Yang Y-X, Dong N, Zhang S-S. Visibility Graph from Adaptive Optimal Kernel Time-Frequency Representation for Classification of Epileptiform EEG. International Journal of Neural Systems. 2017;27(4):1750005. [PubMed] [Google Scholar]
