Yüksek gerilim kablolarında k-NN ile arıza konumu belirleme ve veri boyutunun sınıflandırmaya etkileri

Abstract

Yüksek gerilim elektrik tesislerindeki kablolarda meydana gelen arızaların büyük bir kısmı, kısmi boşalma kaynaklı yalıtım sorunlarından oluşmaktadır. Bu tür arızalar, genellikle kablolar üzerindeki montaj kusurlarından, nadir olarak da üretim hatalarından kaynaklanmaktadır. Bu çalışmada, yüksek ve orta gerilim sistemlerinde kullanılan çapraz bağlı polietilen yer altı kabloları (XLPE) üzerindeki kusurların konumlarının belirlenmesi amacıyla, bir dizi deneysel çalışmalar gerçekleştirilmiştir. Laboratuvar ortamında, farklı mesafelerde kusurları bulunan aynı türde XLPE kablo numunelerine aynı orta gerilim seviyesinde gerilim belirli periyotlarda uygulanmış ve elde edilen kısmi boşalma sinyalleri zaman serisi olarak dijital ortama kaydedilmiştir. Kaydedilen veriler k En Yakın Komşuluklar (k-NN) yöntemiyle sınıflandırılmış ve sınıflandırma doğrulukları, veri azaltma yöntemi ile analiz edilmiştir. Veri azaltmadaki amaç, pek çok farklı ölçüm frekansında modelin doğru sınıflandırmalar yapabildiğini gözlemlemek ve daha düşük frekans bandında çalışan cihazlarla yapılacak ölçümlerin doğruluğunu test etmektir. Sonuçlar k-NN yönteminin, kısmi boşalma sinyallerinin incelenmesinde yüksek oranda başarılı sonuçlar verdiğini göstermekte ve verilerin büyük oranda azaltılmasının, istatistiksel öznitelikler kullanıldığında, sınıflandırma doğruluğunu etkilemediğini göstermektedir.

In high voltage electrical installations, most of the faults in cables are caused by insulation problems caused by the partial discharge. Such failures are usually caused by assembly defects on the cables and rarely by manufacturing defects. In this study, a series of experimental studies were carried out to determine the locations of defects on cross-linked polyethylene underground cables (XLPE) used in high and medium voltage systems. The same medium voltage level was applied to the same type of XLPE - cable samples with defects at different distances at specific periods in the laboratory environment. The partial discharge signals obtained were recorded in the digital environment as time series. Recorded data were classified by the k Nearest Neighborhood (k-NN) method, and classification accuracies were analyzed by the data reduction method. The purpose of data reduction is to observe that the model can make accurate classifications at many different measurement frequencies and test the accuracy of the measurements with devices operating in the lower frequency band. The results show that the k-NN method gives highly successful results in analyzing partial discharge signals and shows that the considerable reduction of data does not affect the classification accuracy when statistical features are utilized.