تشخیص هوشمند خطا در بوبین‌های کلیدهای قدرت مبتنی بر شبیه‌سازی 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 خرابی های متداول الزامی است. در این صورت، می‌توان از خطاهای احتمالی و قطعی ناخواسته در شبکه برق جلوگیری کرد. در این مقاله، امکان پایش کلیدهای قدرت و تشخیص و دسته‌بندی خطاها به واسطه هوش مصنوعی (ai) بررسی می‌شود. در این رویکرد امکان پیشگیری از وقوع خطا وجود خواهد داشت که باعث کاهش هزینه های نگهداری خواهد شد. به همین منظور پایش عملکرد کلیدهای قدرت، با استراتژی نگهداری مبتنی بر وضعیت (cbm) و استفاده از سیگنال جریان بوبین (cc) وصل/قطع برای یک ساختار واقعی از کلید 72.5 کیلوولتی ارائه می‌گردد که با بهره مندی از آن امکان تشخیص و پیش بینی خطا در بخش های مختلف کلید شامل منبع تغذیه، سیم‌بندی سیم پیچ ها، ضامن و کنتاکت های کمکی وجود دارد. با شبیه‌سازی بوبین کلید در نرم افزار comsol multiphysics و اتصال آن به نرم افزار matlab، طیف گسترده‌ای از خطاهای موردنظر شبیه سازی شده و داده های لازم برای آموزش الگوریتم‌های یادگیری ماشین (ml) تامین می شود، الگوریتم‌های مورد استفاده که وظیفه تشخیص خطا را برعهده دارند، عبارتند از: رگرسیون منطقی، ماشین بردار پشتیبان (svm)، درخت تصمیم گیری و k-نزدیک‌ترین همسایه (knn) . به این ترتیب می‌توان انواع خطاهای ممکن را تشخیص داد و طبقه‌بندی نمود. نتایج نشان می‌دهد که از میان الگوریتم‌های فوق، الگوریتم svm به علت همپوشانی زیاد داده ها عملکرد مناسبی نداشته و بیشترین دقت مربوط به الگوریتم knn می‌باشد، بنابراین این الگوریتم برای سیستم تشخیص خطا انتخاب می‌گردد.  [1]. artificial intelligence[2]. condition-based maintenance[3]. coil current[4]. latch[5]. machine learning[6]. logistic regression[7]. support vector machine (svm)[8]. decision tree (dt)[9]. k-nearest neighbors (knn)

intelligent fault diagnosis of high voltage circuit breaker coils based on multiphysics simulation

high voltage circuit breakers (cbs) play an important role in power grid stability and fast clearing faults on this grid. therefore, real-time monitoring of these critical components is necessary to prevent possible failures and uundesirable interruptions on power grid. in this paper, the possibility of monitoring of hvcbs as well as fault diagnosis and classification are investigated using artificial intelligence. accordingly, failure prevention is possible, therefore maintenance costs will be reduced. here, monitoring of cbs has been implemented through condition-based maintenance strategy (cbm) using close/trip coil current signal (cc) of a real 72.5 kv cb, which helps to detect and predict faults in different parts of cb such as supply voltage, coil winding, latch and auxiliary contacts. through simulation of the coil in comsol multiphysics software and linking it with matlab software, a wide range of faults is obtained for training of machine algorithms. these algorithms are being used to detect faults, such as: logistic regression, support vector machine (svm), decision tree and nearest neighbor (knn). results indicate that among these algorithms, svm algorithm does not perform well because of overlapping, and the most accuracy is related to knn algorithm, so this algorithm is selected for the fault diagnosis system.