Convolutional Variational Autoencoder for Anomaly Detection in On-Load Tap Changers
Notice bibliographique
Résumé
Transformer outages significantly impact the reliability and cost efficiency of power systems. Studies indicate that approximately 30% of transformer failures stem from issues with on-load tap changers (OLTC), crucial components in transformer operation. Therefore, continuous monitoring of OLTCs is essential to enhance transformer serviceability. In this study, a vibro-acoustic signal analysis-based monitoring system is employed to assess the condition of OLTCs. This system has been operational since 2016 on three single-phase autotransformers within the Hydro-Québec network, continuously measuring vibration signals from their OLTCs. Notably, these transformers are equipped with sister OLTC units, and the system also records temperature and other pertinent parameters. To detect anomalies in OLTCs and analyze the generated vibration signals, a convolutional variational autoencoder (CVAE) is utilized, trained individually for each transformer family. This approach allows mapping the signal envelope into a two-dimensional latent space using the encoder component of the CVAE, facilitating visual investigation and analysis. The decoder component reconstructs the original input from data in the latent space. Several thresholds based on reconstruction errors are evaluated to detect anomalies, achieving optimal thresholds for each family. This results in anomaly detection rates of 4%, 5%, and 2%, respectively, when tested on data from within the same family not used in the training phase. Furthermore, when tested on data from the other two families, the anomaly detection rates are 99%, 99%, and 100%, respectively. These findings underscore the methodology’s accuracy and effectiveness in identifying anomalies in OLTC operations and distinguishing between different transformer families. Consequently, it holds promise for preemptively identifying potential future anomalies.
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 ».