Online detectie van deelontladingen in kabels en toestandsevaluatie op basis van deep belief network en zwermintelligentie-optimalisatiealgoritme

Het verborgen welzijn van stroomkabels in de gaten houden

Moderne steden vertrouwen op uitgebreide netwerken van begraven stroomkabels om lichten te laten branden, treinen te laten rijden en datacenters te laten draaien. Toch kunnen diep in de isolatie van deze kabels kleine elektrische vonken — deelontladingen genoemd — maanden of jaren onopgemerkt het materiaal aantasten voordat een plotselinge storing een deel van het net lamlegt. Dit artikel presenteert een nieuwe intelligente monitoringsmethode die in real time naar deze vroege waarschuwingssignalen luistert, zelfs in lawaaierige stedelijke omgevingen, en ze omzet in heldere beoordelingen van de kabeltoestand.

Waarom kleine vonken een groot probleem zijn

Ondergrondse kabels zijn populair omdat ze betrouwbaar, compact en visueel onopvallend zijn. Maar hun isolatie kan kleine defecten ontwikkelen door productiefouten, vocht of mechanische belasting. Wanneer hoge spanning wordt toegepast, kunnen deze zwakke plekken kleine stroomuitbarstingen veroorzaken in plaats van een schone, continue stroom. Elke uitbarsting beschadigt de omliggende isolatie een beetje, en na verloop van tijd kan dit proces uitgroeien tot een plotselinge doorbraak en een grootschalige stroomuitval. Traditionele monitoringsmethoden gebruiken akoestische, thermische, optische of radiosensoren, maar elk kent compromissen: sommige zijn duur om over lange afstanden uit te rollen, sommige worden gemakkelijk verstoord door omgevingsgeluid, en veel vereisen experts om kenmerken handmatig te ontwerpen of instellingen voor elk nieuw kabeltype aan te passen.

Machines leren ruisige signalen te lezen

De auteurs pakken deze uitdaging aan met een datagedreven benadering op basis van een deep belief network, een soort gelaagd neuraal netwerk dat automatisch patronen kan leren uit ruwe metingen. In plaats van dat ingenieurs signaalkenmerken handmatig ontwerpen, ontdekt het netwerk zelf bruikbare representaties van deelontladingssignalen. Om beter om te gaan met de continue aard van metingen uit de echte wereld, vervangt het team de gebruikelijke binaire bouwstenen door een versie die natuurlijker is voor analoge gegevens. Ze voegen vervolgens twee technieken uit de moderne machine learning toe: DropConnect, dat tijdens het trainen willekeurig verbindingen in het netwerk uitdunt om overfitting te voorkomen, en een "elastisch" gewichtsysteem dat het model helpt te onthouden wat het heeft geleerd wanneer nieuwe soorten gegevens in de loop van de tijd binnenkomen.

Zwerm-geïnspireerde afstemming van het brein

Zelfs een slim neuraal netwerk kan ondermaats presteren als de interne structuur — hoeveel lagen, hoeveel neuronen, welke leersnelheden te gebruiken — door giswerk wordt gekozen. Om dit te vermijden introduceren de auteurs een optimalisatieprocedure geïnspireerd door collectief gedrag in de natuur. Ze combineren een krill-herd model, een vleermuis-geïnspireerd zoekpatroon en spiraalvluchtroutes in één algoritme dat een virtuele zwerm stuurt om vele mogelijke netwerkontwerpen te verkennen. Elk kandidaat-netwerk wordt niet alleen beoordeeld op hoe nauwkeurig het kabeltoestanden classificeert, maar ook op hoe snel het draait en hoe compact het is. Over veel iteraties convergeert de zwerm naar configuraties die de beste balans tussen nauwkeurigheid, snelheid en resourcegebruik vinden, en zo een gestroomlijnd model opleveren geschikt voor inzet in transformatorstations en edge-apparaten.

Van labgegevens naar ruis uit de praktijk

Om hun raamwerk te testen trainen en evalueren de onderzoekers het op publiek beschikbare datasets van batterijen en aanvullende kabelgegevens, en vergelijken het met populaire deep-learning- en hybride modellen. Hun verbeterde netwerk alleen presteert beter dan convolutionele netwerken en gradient-boostingmethoden op gangbare kwaliteitsmaatregelen zoals precisie, recall en het gebied onder de ROC-curve. Wanneer de zwerm-gebaseerde optimizer wordt toegevoegd, stijgt de prestatie verder, terwijl het aantal parameters, de benodigde berekeningen, het geheugenverbruik en de trainingstijd allemaal aanzienlijk dalen. Het systeem houdt ook goed stand wanneer er sterke ruis wordt toegevoegd aan echte veldmetingen van stedelijke kabellijnen, en behoudt hogere nauwkeurigheid dan concurrerende methoden zelfs bij zeer lage signaal-ruisverhoudingen.

Wat dit betekent voor het licht aanhouden

In gewone bewoordingen laat dit werk zien hoe een compact, zelf-afstemmend kunstmatig intelligentiesysteem continu kan luisteren naar het zwakke elektrische "hartslag"-signaal van begraven stroomkabels en betrouwbaar vroege tekenen van problemen kan signaleren. Door deelontladingen eerder op te vangen en te onderscheiden tussen kleine en ernstige defecten, kunnen netbeheerders onderhoud plannen in plaats van te reageren op stroomstoringen. De combinatie van robuuste signaalinterpretatie, weerstand tegen ruis en efficiënte berekening maakt het voorgestelde raamwerk veelbelovend voor grootschalige, altijd-aan monitoring van stedelijke elektriciteitsnetten, waardoor steden hun stroomvoorziening zowel veiliger als kostenefficiënter kunnen houden.

Bronvermelding: 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

Trefwoorden: monitoring van voedingskabels, deelontlading, deep learning, betrouwbaarheid slim net, predictief onderhoud