Journal of Iranian Association of Electrical and Electronics Engineers

fa تشخیص هوشمند خطا در بوبین‌های کلیدهای قدرت مبتنی بر شبیه‌سازی چندفیزیکه Intelligent fault diagnosis of high voltage circuit breaker coils based on multiphysics simulation قدرت Power پژوهشي Research کلیدهای قدرت نقش بسزایی بر پایداری شبکه برق و رفع سریع خطا در این شبکه دارند. بنابراین، پایش مستمر این تجهیزات بحرانی به منظور تشخیص خرابیهای متداول الزامی است. در این صورت، می‌توان از خطاهای احتمالی و قطعی ناخواسته در شبکه برق جلوگیری کرد. در این مقاله، امکان پایش کلیدهای قدرت و تشخیص و دسته‌بندی خطاها به واسطه هوش مصنوعی (AI)<a href="#_ftn1" name="_ftnref1" title="">[1]</a> بررسی می‌شود. در این رویکرد امکان پیشگیری از وقوع خطا وجود خواهد داشت که باعث کاهش هزینههای نگهداری خواهد شد. به همین منظور پایش عملکرد کلیدهای قدرت، با استراتژی نگهداری مبتنی بر وضعیت (CBM)<a href="#_ftn2" name="_ftnref2" title="">[2]</a> و استفاده از سیگنال جریان بوبین (CC)<a href="#_ftn3" name="_ftnref3" title="">[3]</a> وصل/قطع برای یک ساختار واقعی از کلید 5/72 کیلوولتی ارائه می‌گردد که با بهرهمندی از آن امکان تشخیص و پیشبینی خطا در بخشهای مختلف کلید شامل منبع تغذیه، سیم‌بندی سیمپیچها، ضامن<a href="#_ftn4" name="_ftnref4" title="">[4]</a> و کنتاکتهای کمکی وجود دارد. با شبیه‌سازی بوبین کلید در نرمافزار COMSOL Multiphysics و اتصال آن به نرمافزار MATLAB، طیف گسترده‌ای از خطاهای موردنظر شبیهسازی شده و دادههای لازم برای آموزش الگوریتم‌های یادگیری ماشین (ML)<a href="#_ftn5" name="_ftnref5" title="">[5]</a> تامین میشود، الگوریتم‌های مورد استفاده که وظیفه تشخیص خطا را برعهده دارند، عبارتند از: رگرسیون منطقی<a href="#_ftn6" name="_ftnref6" title="">[6]</a>، ماشین بردار پشتیبان (SVM)<a href="#_ftn7" name="_ftnref7" title="">[7]</a>، درخت تصمیمگیری<a href="#_ftn8" name="_ftnref8" title="">[8]</a> و K-نزدیک‌ترین همسایه (KNN)<a href="#_ftn9" name="_ftnref9" title="">[9]</a> . به این ترتیب می‌توان انواع خطاهای ممکن را تشخیص داد و طبقه‌بندی نمود. نتایج نشان می‌دهد که از میان الگوریتم‌های فوق، الگوریتم SVM به علت همپوشانی زیاد دادهها عملکرد مناسبی نداشته و بیشترین دقت مربوط به الگوریتم KNN می‌باشد، بنابراین این الگوریتم برای سیستم تشخیص خطا انتخاب می‌گردد. <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a>. Artificial Intelligence</div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title="">[2]</a>. Condition-Based Maintenance</div> <div id="ftn3"><a href="#_ftnref3" name="_ftn3" title="">[3]</a>. Coil Current</div> <div id="ftn4"><a href="#_ftnref4" name="_ftn4" title="">[4]</a>. Latch</div> <div id="ftn5"><a href="#_ftnref5" name="_ftn5" title="">[5]</a>. Machine Learning</div> <div id="ftn6"><a href="#_ftnref6" name="_ftn6" title="">[6]</a>. Logistic Regression</div> <div id="ftn7"><a href="#_ftnref7" name="_ftn7" title="">[7]</a>. Support Vector Machine (SVM)</div> <div id="ftn8"><a href="#_ftnref8" name="_ftn8" title="">[8]</a>. Decision Tree (DT)</div> <div id="ftn9"><a href="#_ftnref9" name="_ftn9" title="">[9]</a>. K-Nearest Neighbors (KNN)</div> </div> High voltage circuit breakers (CBs) play an important role in power grid stability and fast clearing faults on this grid. Therefore, real-time monitoring of these critical components is necessary to prevent possible failures and uundesirable interruptions on power grid. In this paper, the possibility of monitoring of HVCBs as well as fault diagnosis and classification are investigated using artificial intelligence. Accordingly, failure prevention is possible, therefore maintenance costs will be reduced. Here, monitoring of CBs has been implemented through condition-based maintenance strategy (CBM) using close/trip coil current signal (CC) of a real 72.5 kV CB, which helps to detect and predict faults in different parts of CB such as supply voltage, coil winding, latch and auxiliary contacts. Through simulation of the coil in COMSOL Multiphysics software and linking it with MATLAB software, a wide range of faults is obtained for training of machine algorithms. These algorithms are being used to detect faults, such as: logistic regression, support vector machine (SVM), decision tree and nearest neighbor (KNN). Results indicate that among these algorithms, SVM algorithm does not perform well because of overlapping, and the most accuracy is related to KNN algorithm, so this algorithm is selected for the fault diagnosis system.   کلید قدرت, جریان بوبین, هوش مصنوعی, یادگیری ماشین high voltage circuit breaker, coil current, artificial intelligence, machine learning 143 158 http://jiaeee.com/browse.php?a_code=A-10-177-4&slc_lang=fa&sid=1 Amirhosein Asadnajafi امیرحسین اسدنجفی amir.asad7698@gmail.com 100319475328460010382 100319475328460010382 No K. N. Toosi Univerisity of Technology دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی Peyman Bagheri پیمان باقری b_peyman76@yahoo.com 100319475328460010383 100319475328460010383 No K. N. Toosi Univerisity of Technology دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی Masoumeh Maghfourian معصومه مغفوریان masoume.maghfourian@email.kntu.ac.ir 100319475328460010384 100319475328460010384 No K. N. Toosi Univerisity of Technology دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی Ali asghar Razi-Kazemi علی اصغر رضی کاظمی razi.kazemi@kntu.ac.ir 100319475328460010385 100319475328460010385 Yes K. N. Toosi Univerisity of Technology دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی