CapsPDNet: Optimized Capsule Network for Predicting Insulator Discharges Using UHF Signals
Notice bibliographique
Résumé
Outdoor insulation systems often suffer from partial discharge (PD) faults that compromise the reliability of electrical grids. This paper proposes an integrated approach combining a non-invasive downsized discone antenna to capture ultra-high-frequency signals and an optimized capsule network (CapsPDNet) for robust PD fault prediction. The CapsPDNet is chosen as it overcomes the information loss associated with pooling operations and leverages vector representations, providing more nuanced predictions than scalar values, especially when the predictions are made across different antenna locations. Three typical PD fault types are targeted, surface discharges on ceramic and polymeric materials, internal discharges, and corona discharges, and then multiple signal processing techniques are evaluated to determine the most effective feature extraction and reconstruction technique. Experimental results show that the proposed model achieves up to a 18.89% improvement in PD fault prediction accuracy over benchmark approaches, demonstrating high generalizability and scalability when considering different antenna locations. The patented antenna used in this study offers a compact size through a novel size reduction technique, covers a wide bandwidth, and exhibits high sensitivity to PD activities. Additionally, discrete wavelet decomposition (DWT) is chosen as the feature extractor as it provides high-importance features with the lowest computational time, offering a more reliable and scalable solution for early PD fault detection and real-time condition monitoring of insulation systems.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».