A Data-Driven Framework for Transformer Health Monitoring in Distribution Networks
Notice bibliographique
Résumé
Distribution networks typically contain a large number of distribution transformers that are critical for high-quality uninterrupted energy delivery. Distribution transformers are the last portion in a power delivery system, their health is essential to ensure the reliability of distribution networks, and their failure may cause huge technical and economic problems to power utilities and customers. The distribution transformer failure may be influenced by its maintenance history, risk index in a distribution network associated with keraunic level, average number of lightning strikes, protection devices employed, dissolved gas analysis (DGA) data, overloading, and phase unbalance etc. To prevent sudden failures of transformers while meeting growing electricity demands, transformer health monitoring and failure prediction become increasingly important in operation and maintenance procedures for power utilities. To enhance reliable operation of transformers in distribution networks, an effective data-driven framework for the distribution transformer heath monitoring is proposed in this thesis, which is computationally efficient, accurate, reliable, and comprehensive to monitor the health of distribution transformers based on readily available lightning strike data, distribution networks risk index, DGA data, historical maintenance data, advanced metering infrastructure (AMI) data, roof-top photovoltaics (PV) production data, and electric vehicle (EV) charging stations data. To develop the proposed framework, first, a comprehensive literature review is conducted on data-driven approaches for distribution transformer health monitoring to understand research gaps; second, a novel distribution transformer failure prediction method through a hybrid one-class deep support vector data description (SVDD) is proposed using lightning strike data and distribution networks risk index data, and this method helps distribution transformer predictive maitenance; third, a novel data-driven hybrid approach is proposed to predict the health index (HI) of a transformer using DGA data, where a robust technique is used to handle missing or erroneous data due to sensor or data transfer issues, and five case studies with different percentages of missing data are used to validate the proposed approach; fourth, the combined impact of plug-in electric vehicles (PEV) charging load and roof-top PV is investigated through a case study in Saskatoon, Canada, the results show that the increased PEV adoption exacerbates the transformer stress, while PV integration mitigates these effects, especially during summer, and this highlights the need to encourage rooftop PV adoption to balance the PEV charging demand on transformers; finally, a novel hierarchical load forecast aggregation technique in distribution transformers using AMI data recorded by Saskatoon Light and Power in Canada is proposed to accurately predict each customer’s load, each transformer phase load and the total transformer load, which helps to determine the transformer overloading and load unbalance.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».