An explainable framework for partial discharge detection in power cables through the integration of rough set theory and deep learning
Notice bibliographique
Résumé
Recognition of partial discharge (PD) in power cables' insulation during the early stage of PD progression can trigger a set of preventive actions which significantly reduce power systems breakdowns and service interruptions. Thus, developing effective identification tools is of great importance to prevent such unwanted breakdowns. This paper proposes a hybrid framework based on a knowledge-based classifier and machine-driven feature extraction for PD identification in power cables. The classifier in this framework relies on rough set theory (RST) and a novel feature analysis algorithm (FAA) for PD and noise patterns discrimination. Unlike the ANN-based classifiers (black-box classifiers) that might generate untruthful outputs in case of the input sample and estimated function inconsistency, the RST as the prime classifier, will prevent any classification in the case of non-compliance with the classification rules and activate the FAA for classification using shallow and deep analyses. As a result, by overcoming black-box classifiers' limitations, a meager false detection rate and highly reliable outputs guided by the proposed white-box classifier can be attributed to this framework's main advantages. Also, to enhance classification performance, an improved denoising technique based on morphological filters incorporates a fully-connected autoencoder (FCA) to provide an abstract version of signals (synthetic features) for the classifier. Finally, the effectiveness of the proposed framework is demonstrated through extensive simulations and experimental validation, achieving higher accuracy than existing state-of-the-art approaches (99.42 %).
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».