FlashDetR: A deep learning pipeline for early detection and time estimation of flashover in high-voltage insulators using infrared videos
Notice bibliographique
Résumé
Flashover in high-voltage insulators poses a significant risk to power system reliability, potentially leading to outages and safety hazards. This study introduces an innovative deep learning-based approach for early prediction of flashover events and time-to-flashover estimation by analyzing infrared videos of dry band arcing, a known precursor to flashover. In this work, we propose a pipeline named Flashover Detector and Time Estimator , which integrates a transformer-based model to accurately predict flashover occurrences, while a Three Dimensional Convolutional Neural Network-based model estimates the time to flashover. Flashover Detector and Time Estimator progressively samples video frames at multiple scales, enhancing prediction accuracy. Experimental results demonstrate that the models achieve up to 88.73% accuracy in predicting flashover events and a mean absolute error of 3.41 in time-to-flashover estimation. These findings substantially improve the ability to implement preventive measures. Flashover Detector and Time Estimator thus represents a significant advancement in proactively managing power system reliability, with demonstrated effectiveness and real-time application potential. • End-to-end DL model for early flashover prediction and precise time-to-flashover. • IR video dataset captured in controlled conditions, showing full DBA progression. • High-accuracy models for early flashover detection and low MAE for time-to-flashover prediction.
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 | 0,001 |
| 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 ».