دوره 22، شماره 3 - ( مجله مهندسی برق و الکترونیک ایران - جلد 22 شماره 3 1404 )
جلد 22 شماره 3 صفحات 226-217 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asadi M, Moradi M H, Karami H R, Rachidi F, Rubinstein M. Introducing a fast and efficient machine learning model for lightning localization via Lightning-Induced Voltages on Transmission Lines. Journal of Iranian Association of Electrical and Electronics Engineers 2025; 22 (3) :217-226
URL: http://jiaeee.com/article-1-1736-fa.html
URL: http://jiaeee.com/article-1-1736-fa.html
اسدی مصطفی، مرادی محمد حسن، کرمی حمیدرضا، رشیدی فرهاد، Rubinstein Marcos. معرفی یک مدل یادگیری ماشین سریع و کارآمد برای مکانیابی صاعقه از طریق ولتاژهای القایی صاعقه در خطوط انتقال. نشریه مهندسی برق و الکترونیک ایران. 1404; 22 (3) :217-226
گروه مهندسی برق، دانشکده مهندسی، دانشگاه بوعلی سینا
چکیده: (1487 مشاهده)
مکانیابی صاعقه در گستره وسیعی از کاربردها از اهمیت بسزایی برخوردار است. در روشهای مرسوم مکانیابی صاعقه حداقل از 4 آنتن به عنوان حسگر تشعشعات الکترومغناطیسی ناشی از صاعقه استفاده میشود. یکی از پیچیدگیهای این روشها لزوم سنکرون بودن حسگرها میباشد. در اکثر مقالات مرتبط با مکانیابی صاعقه پیچیدگی و نیاز به سنکرون بودن دیده میشود. در این مقاله،یک مدل یادگیری ماشینی سریع به کمک الگوریتم XGBoost برای مکانیابی صاعقه پیشنهاد شده است . در این روش از دو حسگر برای دریافت سیگنال ولتاژهای القایی بر روی خطوط انتقال استفاده میشود که نیازی به سنکرونسازی هم ندارند. در روش پیشنهادی به کمک الگوریتم تجزیه و تحلیل مولفه اصلی (PCA) ابعاد ورودی مدل کاهش مییابد که منجر به کاهش پیچیدگیهای مدل، افزایش سرعت محاسبات، تقلیل استفاده از منابع سخت افزاری و نیز افزایش دقت آن میشود. همچنین با آموزش مدل در یک بازه از تعداد مولفههای اصلی، کمترین ابعاد ورودی با حفظ دقت مدل بدست خواهد آمد. مدل نهایی با دادههای آزمایشی نویزی ارزیابی میشود. نتایج ارزیابی نشان میدهد که دقت R2 بهدست آمده از مدل، بیش از 99 درصد است. همچنین بررسیها نشان میدهد که دقت مدل به پیکربندی خط انتقال و موقعیت سنسورها نیز بستگی دارد
فهرست منابع
1. [1] H. Karami, A. Mostajabi, M. Azadifar, M. Rubinstein, C. Zhuang, and F. Rachidi, "Machine Learning-Based Lightning Localization Algorithm Using Lightning-Induced Voltages on Transmission Lines", IEEE Trans. Electromagn. Compat., vol. 62, no. 6, pp. 2512-2519, Dec. 2020, doi: 10.1109/TEMC.2020.2978429. [DOI:10.1109/TEMC.2020.2978429]
2. [2] K. Mehranzamir, A. B. Pour, Z. Abdul-Malek, H. N. Afrouzi, S. M. Alizadeh, and M. Hashim, "Implementation of Ground-Based Lightning Locating System Using Particle Swarm Optimization Algorithm for Lightning Mapping and Monitoring", Remote Sens. 2023, Vol. 15, Page 2306, vol. 15, no. 9, p. 2306, Apr. 2023, doi: 10.3390/RS15092306. [DOI:10.3390/rs15092306]
3. [3] T. Zhang, J. Wang, Q. Ma, and L. Fu, "Improving the Detection Effect of Long-Baseline Lightning Location Networks Using PCA and Waveform Cross-Correlation Methods", Remote Sens. 2024, Vol. 16, Page 885, vol. 16, no. 5, p. 885, Mar. 2024, doi: 10.3390/RS16050885. [DOI:10.3390/rs16050885]
4. [4] H. Abolghasempour and A. A. Razi-Kazemi, "Transient modeling of photovoltaic system (PV) to investigating the peak of transient voltage generated by direct and indirect lightning strikes", J. Iran. Assoc. Electr. Electron. Eng., vol. 20, no. 2, pp. 159-169, 2023. [DOI:10.52547/jiaeee.20.2.159]
5. [5] R. Shariatinasab and P. Tadayyon, "Estimation of Lightning Performance and Failure Risk of Overhead Lines Caused by Direct Strokes Based on Monte Carlo Method", Journal of Iranian Association of Electrical and Electronics Engineers, vol. 13, no. 1, pp. 85-94, 2016.
6. [6] G. Diendorfer et al., "Review of CIGRE Report 'Cloud-to-Ground Lightning Parameters Derived from Lightning Location Systems - The Effects of System Performance", 2009.
7. [7] K. Mehranzamir, Z. Abdul-Malek, H. Nabipour Afrouzi, S. Vahabi Mashak, C. leong Wooi, and R. Zarei, "Artificial neural network application in an implemented lightning locating system", J. Atmos. Solar-Terrestrial Phys., vol. 210, p. 105437, Nov. 2020, doi: 10.1016/J.JASTP.2020.105437. [DOI:10.1016/j.jastp.2020.105437]
8. [8] A. Alammari et al., "Lightning mapping: Techniques, challenges, and opportunities", IEEE Access, vol. 8, pp. 190064-190082, 2020, doi: 10.1109/ACCESS.2020.3031810. [DOI:10.1109/ACCESS.2020.3031810]
9. [9] T. Tantisattayakul, K. Masugata, I. Kitamura, and K. Kontani, "Broadband VHF sources locating system using arrival-time differences for mapping of lightning discharge process", J. Atmos. Solar-Terrestrial Phys., vol. 67, no. 1031-1039, 2005. [DOI:10.1016/j.jastp.2005.04.002]
10. [10] E. P. Krider, R. C. Noggle, and M. A. Uman, "A Gated, Wideband Magnetic Direction Finder for Lightning Return Strokes", J. Appl. Meteorol. Climatol., vol. 15, no. 3, pp. 301-306, 1976.
https://doi.org/10.1175/1520-0450(1976)015<0301:AGWMDF>2.0.CO;2 [DOI:10.1175/1520-0450(1976)0152.0.CO;2]
11. [11] A. Mostajabi, H. Karami, M. Azadifar, A. Ghasemi, M. Rubinstein, and F. Rachidi, "Single-Sensor Source Localization Using Electromagnetic Time Reversal and Deep Transfer Learning: Application to Lightning", Sci. Reports 2019 91, vol. 9, no. 1, pp. 1-14, Nov. 2019, doi: 10.1038/s41598-019-53934-4. [DOI:10.1038/s41598-019-53934-4]
12. [12] G. Lugrin, N. M. Parra, F. Rachidi, M. Rubinstein, and G. Diendorfer, "On the location of lightning discharges using time reversal of electromagnetic fields", IEEE Trans. Electromagn. Compat., vol. 56, no. 1, pp. 149-158, 2014, doi: 10.1109/TEMC.2013.2266932. [DOI:10.1109/TEMC.2013.2266932]
13. [13] T. Wang, S. Qiu, L. H. Shi, and Y. Li, "Broadband VHF Localization of Lightning Radiation Sources by EMTR", IEEE Trans. Electromagn. Compat., vol. 59, no. 6, pp. 1949-1957, Dec. 2017, doi: 10.1109/TEMC.2017.2651142. [DOI:10.1109/TEMC.2017.2651142]
14. [14] X. Wang, K. Hu, Y. Wu, and W. Zhou, "A Survey of Deep Learning-Based Lightning Prediction", Atmos. 2023, Vol. 14, Page 1698, vol. 14, no. 11, p. 1698, Nov. 2023, doi: 10.3390/ATMOS14111698. [DOI:10.3390/atmos14111698]
15. [15] M. Lu et al., "Lightning Strike Location Identification Based on 3D Weather Radar Data", Front. Environ. Sci., vol. 9, p. 714067, Aug. 2021, doi: 10.3389/FENVS.2021.714067/BIBTEX. [DOI:10.3389/fenvs.2021.714067]
16. [16] S. Rusck, Induced Lightning Over-Voltages on Power-Transmission Lines With Special Reference to the Over-Voltage Protection of Low-Voltage Networks. Stockholm, Sweden: KTH, 1958.
17. [17] I. T. Jollife and J. Cadima, "Principal component analysis: a review and recent developments", Philos. Trans. R. Soc. A Math. Phys. Eng. Sci., vol. 374, no. 2065, Apr. 2016, doi: 10.1098/RSTA.2015.0202. [DOI:10.1098/rsta.2015.0202]
18. [18] M. Ringnér, "What is principal component analysis?", Nat. Biotechnol. 2008 263, vol. 26, no. 3, pp. 303-304, Mar. 2008, doi: 10.1038/nbt0308-303. [DOI:10.1038/nbt0308-303]
19. [19] T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System", Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. 13-17-August-2016, pp. 785-794, Mar. 2016, doi: 10.1145/2939672.2939785. [DOI:10.1145/2939672.2939785]
20. [20] Jasmin Praful Bharadiya, "A Tutorial on Principal Component Analysis for Dimensionality Reduction in Machine Learning", Int. J. Innov. Sci. Res. Technol., vol. 8, no. 5, pp. 2028-2032, Jun. 2023, doi: 10.5281/ZENODO.8020810.
21. [21] S. A. Mulaik, "Foundations of factor analysis", p. 524, 2010. [DOI:10.1201/b15851]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
