آناليز و تشخيص دقيق تخليه جزئي خازن هاي قدرت توسط الگوريتم شبكه عصبي تعميمي و آشكارسازي سنكرون مبتني بر تئوري آشوب

Analysis and Diagnosis of Partial Discharge of Power Capacitors Using Extension Neural Network Algorithm and Synchronous Detection Based Chaos Theory

خازن ­هاي قدرت‌ از تجهيزات مهم سيستم­ هاي قدرت هستند كه در سطوح ولتاژ بالا با دماي بالا و در مدت زماني طولاني بهره ­برداري مي­ گردند. از اين رو به مرور زمان نرخ شكست عايقي آنها افزايش مي ­يابد، و تخليه جزئي مهم­ترين عامل اين شكست آنها شناخته مي ­شود. بنابراين، روش­هاي سريع و دقت بالا در تشخيص دقيق تخليه جزئي داراي اهميت خاصي است. در روش ­هاي معمول اغلب نياز به سنسور چندگانه و پارامترهاي سيگنال است كه اين نيز به نوبه خود منجر به افزايش هزينه سيستم و پيچيدگي آن مي­گردد. در اين مقاله جهت تخمين سطح تخليه جزئي خازن ­هاي قدرت، الگوريتم شبكه عصبي تعميمي و آشكارساز سنكرون مبتني بر تئوري آشوب پيشنهاد مي ­شود. اين روش از سيستم تشخيص خطا براي خازن قدرت استفاده كرده و مقادير ويژگي­ها را با روش تئوري آشكارساز سنكرون آشوب استخراج خواهد نمود. مزيت اين روش اين است كه داده­ هاي توده­اي را به طور موثري فشرده مي ­كند و داده هاي ويژگي ­ها را براي بالا بردن دقت روش شبكه عصبي تعميمي استخراج مي ­كند. نتايج نشان داد كه نرخ تشخيص ENN با مقدار 90 درصد نسبت به روش چند لايه اي ( 79 درصد) بالاتر است و روش تعميم با 70 درصد پائين­ ترين نرخ تشخيص را نشان مي ­دهد.

Power capacitors are important equipment of the power systems that are being operated in high voltage levels at high temperatures for long periods. As time goes on, their insulation fracture rate increases, and partial discharge is the most important cause of their fracture. Therefore, fast and accurate methods have great importance to accurately diagnosis the partial discharge. Conventional methods often require multiple sensors and signal parameters, which in turn increases the cost and complexity of the system. In this paper, extension neural network algorithm and synchronous detection based chaos theory is proposed to estimate the partial discharge level of power capacitors. This method uses an error diagnosis system for the power capacitor and extracts the properties of the properties by the synchronous detection based chaos theory method. The prominent advantage of this method is effective compression of the mass data and extracts the feature data to enhance the accuracy of the extension neural network method. The results show that the ENN diagnosis rate was 90% higher than the multi-layer method (79%) and the extension method shows 70% lower diagnosis rate.