Notice bibliographique
Résumé
This Ph.D. thesis proposes an approach to classify faults that commonly occur in a High Voltage Direct Current (HVDC) power system. These faults are distributed throughout the entire HVDC system. The most recently published techniques for power system fault classification are the wavelet analysis, two-dimensional time-frequency representation for feature extraction and conventional artificial neural networks for fault type identification. The main limitation of these systems is that they are commonly designed to focus on a group of faults involved in a specific area of a power system. This thesis introduces a framework for fault classification that covers a wider range of faults. The proposed fault classification framework has been initiated and developed in the context of the HVDC power system at Manitoba Hydro, which uses what is known as the TranscanTM system to record and archive fault events in files. Each fault file includes the most active signals (there are 23 of them) in the power system. Testing the proposed framework for fault classification is based on fault files collected and classified manually over a period of two years. The fault classification framework presented in this thesis introduces the use of the rough membership function in the design of a neural fault classification system. A rough membership function makes it possible to distinguish similar feature values and measures the degree of overlap between a set of experimental values and a set of values representing a standard (e.g., set of values typically associated with a known fault). In addition to fault classification using rough neural networks, the proposed framework includes what is known as a linear mean and standard deviation classifier. The proposed framework also includes a classifier fusion technique as a means of increasing the fault classification accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».