גילוי וניתוח פריקה חלקית מקוונת בכבלים מבוסס רשת אמונה עמוקה ואלגוריתם אופטימיזציה בהשראת העדר

מעקב אחר בריאות הכבלים החבויה

ערים מודרניות מסתמכות על רשתות תת-קרקעיות נרחבות של כבלי חשמל כדי לשמור על תאורה, תחבורה ומרכזי נתונים פועלים. ובכל זאת, בתוך הבידוד של כבלים אלה יכולים להתרחש ניצוצות זעירים — פריקות חלקיות — שאורבות ופוגעות בחומר במשך חודשים ואף שנים לפני שבאורח דרמטי כשל מכני יכבה חלק מהרשת. מאמר זה מציג שיטת ניטור אינטליגנטית חדשה שמאזינה לאיתותים אלו בזמן אמת, גם בסביבות עירוניות רועשות, ומתרגמת אותם להערכת מצב ברורה של הכבל.

מדוע ניצוצות קטנים הם בעיה גדולה

כבלי תת-קרקע נפוצים משום שהם אמינים, קומפקטיים ואינם מפריעים למרחב הראות. עם זאת, הבידוד שלהם עלול לפתח פגמים קטנים עקב שגיאות ייצור, לחות או עומס מכני. כאשר מוחל מתח גבוה, נקודות תורפה אלו יכולות לייצר פליטות זרם קצרות במקום זרימה רציפה. כל פליטה פוגעת מעט בבידוד הסובב, ובמשך זמן התהליך יכול להסלים לקריסה פתאומית ולניתוק חשמלי רחב היקף. שיטות ניטור מסורתיות משתמשות בחיישני קול, תרמי, אופטי או רדיו, אך לכל אחת מהן יש פשרות: חלקן יקרות לפריסה למרחקים ארוכים, חלקן מועדות להפרעות סביבתיות, ורבות דורשות מומחים לעצב תכונות או לכוונן פרמטרים לכל סוג כבל חדש.

להשאיר למכונה לקרוא אותות רועשים

המחברים מתמודדים עם האתגר באמצעות גישה מונחית נתונים המבוססת על רשת אמונה עמוקה, סוג של רשת עצבית מרובת שכבות היכולה ללמוד דפוסים מתוך מדידות גולמיות. במקום שהמהנדסים יעצבו תכונות אותות ידנית, הרשת מגלת באופן אוטומטי ייצוגים שימושיים של אותות פריקה חלקית. כדי לטפל טוב יותר באופי הרציף של המדידות במציאות, הצוות מחליף את הבלוקים הבינאריים הרגילים בגרסה המתאימה יותר לנתונים אנלוגיים. הם מוסיפים שתי טכניקות שנשאבות מלמידת מכונה מודרנית: DropConnect, שמדלל אקראית את הקשרים ברשת במהלך האימון כדי למנוע התאמה יתר, וסכימת משקל "אלסטית" שעוזרת למודל לשמר מה שלמד כאשר נתונים חדשים מופיעים עם הזמן.

כוונון ההמוח בהשראת העדר

גם רשת עצבית מתקדמת עלולה להניב ביצועים תת־מקסימליים אם מבנה הפנימי שלה — מספר השכבות, מספר הנוירונים, שיעורי הלמידה — נבחר תוך הערכה גסה. כדי למנוע זאת, המחברים מציעים הליך אופטימיזציה שמושפע מהתנהגות קבוצתית בטבע. הם משלבים מודל עדר קריל, תבנית חיפוש בהשראת עטלפים ונתיבי טיסה ספירליים לאלגוריתם יחיד שפותח להטיל עדר וירטואלי החוקר עיצובים רבים של הרשת. כל רשת מועמדת נשפטת לא רק על דיוקה בסיווג מצבי כבל, אלא גם על מהירותה וקומפקטיותה. לאורך איטרציות רבות, העדר מתכנס לקונפיגורציות שמציאות את האיזון הטוב ביותר בין דיוק, מהירות וצרכי משאבים, ומניב מודל מוקטן המותאם לפריסה בתחנות משנה ומכשירי קצה.

מנתוני מעבדה לרעש העולם האמיתי

כדי לבחון את המסגרת, החוקרים מאמנים ומעריכים אותה על מערכי נתונים זמינים לציבור מתחומי סוללות ותוספות נתוני כבלים, ומשווים אותה למודלים עמוקים ופייברידיים נפוצים. הרשת המשופרת לבדה גוברת על רשתות קונבולוציה ושיטות עיבוד מבוססות גרדיאנט במדדי איכות סטנדרטיים כמו דיוק, זיהוי ושטח מתחת לעקומת המפעיל (AUC). כאשר מוסיפים את האופטימיזר המבוסס עדר, הביצועים משתפרים עוד יותר בעוד שמספר הפרמטרים, החישובים הנדרשים, טביעת הזיכרון וזמן האימון פוחתים באופן משמעותי. המערכת גם שומרת על ביצועים גבוהים כאשר מוסיפים רעש חזק למדידות שדה אמיתיות מקווי כבל עירוניים, ושומרת על דיוק גבוה יותר משיטות מתחרות גם ביחסי אות-אל-רעש נמוכים מאוד.

מה זה אומר עבור שמירה על אספקת חשמל

במונחים יומיומיים, עבודה זו מראה כיצד בינה מלאכותית קומפקטית ומתכווננת-עצמית יכולה להאזין באופן רציף ל"דופק" החשמלי העדין של כבלי תת-קרקע ולסמן באופן אמין סימני אזהרה מוקדמים. על ידי זיהוי פריקות חלקיות מוקדם והבחנה בין פגמים קלים לחמורים, חברות החשמל יכולות לתכנן תחזוקה במקום להגיב להפסקות חשמל. השילוב של הבנת אותות חזקה, עמידות לרעש ויעילות חישובית עושה את המסגרת המוצעת למבטיחה לניטור תמידי בקנה מידה רחב של רשתות עירוניות, ובכך מסייע לערים לשמור על אספקת חשמל בטוחה ויעילה יותר מבחינת עלות.

ציטוט: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

מילות מפתח: ניטור כבלי חשמל, פריקה חלקית, למידה עמוקה, אמינות רשת חכמה, תחזוקה חזויה