Derin inanış ağı ve sürü zekâsı optimizasyon algoritmasına dayalı kablo çevrimiçi kısmi boşalma tespiti ve durum değerlendirmesi

Enerji Kablolarının Gizli Sağlığını İzlemek

Modern şehirler, ışıkları açık tutmak, trenleri çalıştırmak ve veri merkezlerini işler halde tutmak için yeraltı enerji kablolarının geniş ağlarına dayanır. Ancak bu kabloların izolasyonunun derinliklerinde, kısmi boşalma denen küçük elektrik kıvılcımları aylardır veya yıllardır malzemeyi sessizce aşındırabilir; ta ki dramatik bir arıza şebekenin bir kısmını devre dışı bırakana dek. Bu makale, gürültülü kentsel ortamlarda bile bu erken uyarı işaretlerini gerçek zamanlı olarak dinleyen ve bunları kablo sağlığının net değerlendirmelerine dönüştüren yeni bir akıllı izleme yöntemini sunar.

Neden Küçük Kıvılcımlar Büyük Bir Sorundur

Yeraltı kabloları güvenilir, kompakt ve görsel olarak göze batmayan yapıları nedeniyle tercih edilir. Ancak izolasyonları üretim kusurları, nem veya mekanik gerilim nedeniyle küçük defektler geliştirebilir. Yüksek gerilim uygulandığında, bu zayıf noktalar sürekli, düzgün bir akış yerine küçük akım patlamaları üretebilir. Her bir patlama çevredeki izolasyona hafif zarar verir ve zamanla bu süreç ani bir bozulma ve geniş çaplı güç kesintisine dönüşebilir. Geleneksel izleme yöntemleri akustik, termal, optik veya radyo sensörleri kullanır, ancak her birinin ödünleşmeleri vardır: bazıları uzun mesafelere yaymak için pahalıdır, bazıları çevresel gürültüden kolayca etkilenir ve birçoğu her yeni kablo tipi için uzmanların özellik seçmesi veya ayar yapmasını gerektirir.

Gürültülü Sinyalleri Okumayı Makinelere Öğretmek

Yazarlar bu zorluğu, ham ölçümlerden otomatik olarak desen öğrenebilen katmanlı bir sinir ağı türü olan derin inanış ağına dayalı veri odaklı bir yaklaşımla ele alır. Mühendislerin sinyal özelliklerini elle tasarlaması yerine, ağ kısmi boşalma sinyallerinin kullanışlı temsillerini kendi başına keşfeder. Gerçek dünya ölçümlerinin sürekli doğasını daha iyi ele almak için ekip, sıradan ikili yapı taşlarını analog veriler için daha doğal olan bir sürümle değiştirir. Ardından modern makine öğreniminden iki teknik eklerler: DropConnect, eğitim sırasında aşırı uyumu önlemek için ağdaki bağlantıları rastgele inceltir ve zaman içinde yeni tür veriler geldiğinde modelin öğrendiklerini hatırlamasına yardımcı olan "elastik" bir ağırlık düzeni.

Beyni Sürü Esinli Ayarlama

Akıllı bir sinir ağı bile, iç yapısı—kaç katman olduğu, kaç nöron bulunduğu, hangi öğrenme hızlarının kullanılacağı—tahmine dayalı seçilirse düşük performans gösterebilir. Bunu önlemek için yazarlar, doğadaki kolektif davranışlardan esinlenen bir optimizasyon prosedürü tanıtır. Bir krill-sürü modeli, yarasa esinli bir arama deseni ve spiral uçuş yollarını tek bir algoritmada birleştirerek sanal bir sürünün olası birçok ağ tasarımını keşfetmesini sağlar. Her aday ağ yalnızca kablo durumlarını ne kadar doğru sınıflandırdığı ile değil, aynı zamanda ne kadar hızlı çalıştığı ve ne kadar kompakt olduğu ile de değerlendirilir. Birçok yineleme boyunca sürü, doğruluk, hız ve kaynak kullanımı arasında en iyi dengeyi sağlayan yapılandırmalara odaklanır ve trafo merkezlerinde ve uç cihazlarda dağıtıma uygun sadeleştirilmiş bir model üretir.

Laboratuvar Verilerinden Gerçek Dünya Gürültüsüne

Çerçevelerini test etmek için araştırmacılar, halka açık pil veri setleri ve ek kablo verileri üzerinde eğitir ve değerlendirir, bunları popüler derin öğrenme ve hibrit modellerle karşılaştırır. İyileştirilmiş ağları tek başına, doğruluk, geri çağırma ve alıcı işletim eğrisi altındaki alan gibi standart kalite ölçümlerinde konvolüsyonel ağlar ve gradyan artırma yöntemlerini geride bırakır. Sürü tabanlı optimizatör eklendiğinde performans daha da artarken, parametre sayısı, gereken hesaplamalar, bellek ayak izi ve eğitim süresi önemli ölçüde düşer. Sistem ayrıca kentsel kablo hatlarından alınan gerçek saha ölçümlerine güçlü gürültü eklendiğinde de iyi dayanır; çok düşük sinyal-gürültü oranlarında bile rakip yöntemlerden daha yüksek doğruluk korur.

Bu, Elektrikleri Açık Tutmak İçin Ne Anlama Geliyor

Günlük terimlerle bu çalışma, kompakt, kendi kendini ayarlayan bir yapay zekânın gömülü enerji kablolarının zayıf elektrik "nabzını" sürekli dinleyip arızanın erken işaretlerini güvenilir şekilde tespit edebileceğini gösterir. Kısmi boşalmaları daha erken yakalayarak ve küçük ile ciddi kusurlar arasındaki ayrımı yaparak, enerji sağlayıcılar bakım planlayabilir, kesintilere tepki vermek yerine önleyici hareket edebilir. Sağlam sinyal anlama, gürültüye direnç ve verimli hesaplama kombinasyonu, önerilen çerçeveyi kentsel enerji şebekelerinin büyük ölçekli, sürekli izlenmesi için umut verici kılar; bu da şehirlerin enerji dağıtımını hem daha güvenli hem de daha maliyet-etkin hale getirmesine yardımcı olur.

Atıf: 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

Anahtar kelimeler: enerji kablosu izleme, kısmi boşalma, derin öğrenme, akıllı şebeke güvenilirliği, öngörücü bakım