Chulalongkorn University Theses and Dissertations (Chula ETD)

การรู้จำรูปแบบของการเกิดดีสชาร์จบางส่วนในอุปกรณ์ไฟฟ้าแรงสูง

Other Title (Parallel Title in Other Language of ETD)

Pattern recognition of partial discharge in high voltage equipment

Year (A.D.)

2001

Document Type

Thesis

First Advisor

สำรวย สังข์สะอาด

Second Advisor

เอกชัย ลีลารัศมี

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Degree Name

วิศวกรรมศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิศวกรรมไฟฟ้า

DOI

10.58837/CHULA.THE.2001.1324

Abstract

วิทยานิพนธ์นี้เป็นรายงานการศึกษาค้นคว้าวิจัยเกี่ยวกับการพัฒนาออกแบบโปรแกรมการรู้จำรูปแบบของการเกิดดีสชาร์จบางส่วน (PD) ในอุปกรณ์ไฟฟ้าแรงสูงให้มีความสามารถในการจำแนกรูปแบบของการเกิดดีสชาร์จบางส่วนได้อัตโนมัติ โดยเริ่มจากการจำลองลักษณะของการเกิด PD แบบต่างๆ ที่สามารถเกิดขึ้นในอุปกรณ์ไฟฟ้าแรงสูง เช่น โคโรนา ดีสชาร์จภายนอก และดีสชาร์จภายใน จากนั้นทำการตรวจวัดและคำนวณค่าคุณลักษณะที่สำคัญเก็บไว้ในฐานข้อมูล ในการคำนวณค่าคุณลักษณะจะใช้วิธีสถิติ ซึ่งคำนวณการกระจายขนาดของ PD เฉลี่ยตามมุมเฟสของแรงดัน และการกระจายจำนวนครั้งที่เกิด PD ซ้ำตามมุมเฟสแรงดัน) ร่วมกับวิธีแฟรกตัล ซึ่งคำนวณจากการกระจาย (ความสัมพันธ์ระหว่างขนาดของ PD(q), มุมเฟสของแรงดันทดสอบ (phi) และจำนวนครั้งที่เกิด PD ซ้ำ (n)) จะได้พารามิเตอร์รวมทั้งหมด 13 ค่า โดยพารามิเตอร์ทั้ง 13 ค่านี้จะนำมาใช้ในกระบวนการเรียนรู้และจดจำรูปแบบของการเกิด PD คือ เป็นตัวนำเข้าข้อมูลของนิวรอลเน็ทเวิร์ค จากนั้นจะทำการสอนให้ระบบเกิดการเรียนรู้โดยใช้นิวรอลเน็ทเวิร์คและเจนเนติกอัลกอริทึม โดยนำเจนเนติกอัลกอริทึมมาปรับค่าน้ำหนักให้กับตัวนิวรอลเน็ทเวิร์ค จากผลการทดสอบกับอุปกรณ์ที่เกิดความผิดพร่อง พบว่าสามารถแยกแยะลักษณะการเกิด PD ที่เกิดขึ้นในอุปกรณ์ไฟฟ้าแรงสูงได้อย่างถูกต้องมากกว่า 80 เปอร์เซ็นต์

Other Abstract (Other language abstract of ETD)

This thesis is a study of Partial Discharge(PD) Pattern Recognition in High Voltage Equipment program to automatically diagnosed. PD Pattern namely Corona, Internal and External discharge were measured from defective modeling. The calculated compulsory characteristics are stored in database by utilizing statistical and fractal method. The result of distribution of average value and repeated existing of PD corresponding voltage phase angle, provided the statistical value. In addition, the latter method was obtained from the distribution value consisting the correlation between the amplitude of PD, the voltage phase angle and the repeated existing of PD. Using these methods, statistical and, fractal method. The 13 parameters, inputted to Neural Network to training system, were obtained. Moreover the system recognition is utilized Genetics Algorithm to determine the appropriate weight for Neural Network as well. The tested result shown more than 80 percent correct diagnosis.

Link to Full Text

Share

COinS