Classification of simultaneous multiple partial discharge sources based on probabilistic interpretation using a two-step logistic regression algorithm
Notice bibliographique
Résumé
In online condition assessment monitoring of high voltage (HV) insulators, it is often required to identify multiple, simultaneously activated partial discharge (PD) sources that happen in the insulation of the HV apparatus. Phased resolved partial discharge (PRPD) patterns are commonly used to identify PD sources. However, multiple, concurrent PD sources sometimes result in partially overlapped patterns, which make them hard to be identified. In this paper, we develop an accurate, reliable algorithm by constructing a novel two-step logistic regression (LR) model to conduct probabilistic identification of multi-source PDs. To this end, principal component analysis is applied on a database to construct a low dimensional space associated with single-source PDs. Samples of multi-source PDs are then projected onto this space and one-class kernel support vector machine is adopted to distinguish multi-source PDs from single-source ones. Finally, classification is performed by estimating the probability (degree of membership) of each PRPD pattern arising from different multi-source PDs following two rounds of LR modeling. To evaluate the performance of our proposed method, we study a number of multi-source PD models to simulate common defects of Gas-Insulated Switchgear (GIS) in small-scale laboratory test cells with realistic SF6gas condition. Observations are obtained using fingerprints generated by a novel approach from recorded PRPD patterns. Comprehensive performance evaluation of the proposed algorithm and its advantages are conducted and the development of analytical equations is presented. The results of this paper can be used to design a solid basis for an automated multi-source classification system, which facilitates multi-source PD identification in early stages and safe operation of HV apparatus.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».