AI-driven single-end partial discharge localization in power cables based on time domain reflectometry and transfer function analyses
Notice bibliographique
Résumé
Accurate localization of partial discharge (PD) in power cables is critical for minimizing downtime and associated costs. Therefore, this paper presents a single-end localization method that simplifies implementation by avoiding the complexities of double-sided or distributed schemes. A fundamental challenge for online monitoring systems based on a single-end measurement scheme is the accurate and autonomous identification of incident pulses and their corresponding reflections, particularly in environments where impulse noise and PD-like interference are present and may resemble actual PD pulses, making it difficult to distinguish true events from interfering pulses. In this regard, this paper proposes a method based on the traveling wave characteristics and transfer function (TF) analysis to pinpoint the PD source accurately, even in challenging conditions such as multi-path propagation, impulse noise, and simultaneous PD events. To achieve this, a cable-specific attenuation characteristic is developed and incorporated within a two-step signal segmentation algorithm, and then the U-Net model is employed to estimate PD pulses’ arrival time precisely. Additionally, the proposed method provides a statistical analysis of its maximum localization capability based on the noise level and cable length. The performance of the method is assessed under both homogeneous and inhomogeneous cable configurations. The results demonstrate a localization error of less than 1% for a 1.5 km cable.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| 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) | 0,001 | 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 ».