Система мониторинга энергии и тока утечки для обнаружения неисправностей в электроприборах | Научные отчёты

Aug 17, 2025

Научные отчеты, том 12, номер статьи: 18520 (2022) Ссылаться на эту статью

6549 доступов

19 цитат

Подробные данные по метрикам

Небезопасные электроприборы могут быть опасны для человека и могут стать причиной электрических пожаров, если их не контролировать, не анализировать и не контролировать. Целью данного исследования является мониторинг состояния системы, включая электрические характеристики приборов, и диагностика неисправностей без установки датчиков на отдельные приборы и анализа их данных. Используя исторические данные и приемлемый диапазон номинальных токов и токов утечки, мы предложили гибридную модель на основе многоклассовых опорных векторных машин (MSVM), интегрированную с классификатором на основе правил (RBC), для определения изменений токов утечки, вызванных установленными устройствами в определенный момент времени. Для этого мы разработали устройство мониторинга на основе датчиков с дальним радиусом действия для хранения данных в режиме реального времени в облачной базе данных. В процессе моделирования алгоритм RBC используется для диагностики неисправностей сконструированных устройств и перегрузки по току, а MSVM применяется для обнаружения токов утечки. Для проведения полевых испытаний разработанное устройство было интегрировано в несколько домов. Результаты демонстрируют эффективность предлагаемой системы с точки зрения мониторинга и обнаружения электробезопасности. Все собранные данные хранились в структурированной базе данных, к которой можно было получить удаленный доступ через Интернет.

В последние годы число случаев возгораний, связанных с электроприборами, значительно возросло из-за всё большего количества электроприборов, входящих в электрораспределительные системы. В Соединённых Штатах третьей по частоте причиной пожаров в жилых домах является кухонное и отопительное оборудование, на долю которого приходится 10% от общего числа пожаров1. За последние несколько лет возгорания, вызванные отказом, неисправностью или износом электрооборудования, привели к значительным человеческим жертвам и ущербу. По мере износа изоляции старых или повреждённых приборов через них протекает повышенный ток утечки, что приводит к выделению большого количества тепла в определённой точке, что может привести к перегоранию изоляции. Это вызывает короткое замыкание, являющееся причиной большинства пожаров, связанных с электроприборами1. Эту скрытую опасность можно эффективно устранить, быстро выявляя причины неисправностей в приборах с помощью систем непрерывного контроля и оповещения. Устройство защитного отключения (УЗО), срабатывающее при достижении заданного порога, является распространённым и популярным устройством для определения тока утечки. Помимо функции автоматического выключателя (АВ), систем мониторинга состояния неисправных приборов не существует.

Мониторинг нагрузки вступил в новую эру из-за быстрого роста технологий Интернета вещей и облачных вычислений2. Более того, это жизненно важная технология для оценки использования и потребления приборов, а также для создания эффективных операций с учетом энергопотребления и диагностики любой необычной электрической активности в приборах3. Интеллектуальное управление, просмотр и сигнализация для отдельных приборов могут легко отслеживать активность приборов, тем самым предлагая жизнеспособное решение для расширенного мониторинга электробезопасности. Поэтому было разработано и используется оборудование для мониторинга и обнаружения электрических пожаров в качестве наиболее эффективных инструментов для предотвращения и тушения электрических пожаров4. Более того, поскольку люди стали больше осознавать вопросы электробезопасности, растет потребность в мониторинге состояния конкретных электроприборов3,5. Следовательно, непрерывный мониторинг и анализ соответствующих параметров будут возможным решением для обеспечения того, чтобы оборудование находилось в безопасном и исправном состоянии.

В [6] система мониторинга энергопотребления на базе ZigBee применяется в системах возобновляемой энергетики и умного дома, где сенсорные узлы разрабатываются для выполнения коммутационных задач и измерения параметров энергопотребления. Благодаря интеграции технологии Wi-Fi, Мартани и др. [7] разработали системы мониторинга энергопотребления на основе временных рядов, учитывающие активность человека и присутствие людей в помещении, а Эль-Шафи и др. [8] сосредоточились на системах умного дома.

В их исследованиях не рассматривалась система мониторинга тока утечки, которая является ключевым параметром для диагностики состояния электроприбора. Кроме того, авторы сосредоточились на системах передачи данных на больших расстояниях (LoRa) при рассмотрении проблемы мониторинга на заводах9, фотоэлектрических системах и умных городах. Однако в большинстве случаев поведение электроприборов не отслеживается и диагностируется с помощью тока утечки и сопротивления изоляции. Для понимания поведения прибора были применены различные подходы, классифицированные по нагрузке (такие как полуинтрузивные, интрузивные и неинтрузивные подходы) с учетом соответствующих параметров10,11,12. Следовательно, ток утечки прибора зависит от различных параметров, таких как приложенное напряжение, изоляция и условия окружающей среды. В13 свойства тока утечки прибора анализируются на основе неинтрузивного подхода, когда устройство развертывается в системах без учета протоколов шлюза связи. В работе14 отслеживалась временная форма сигнала тока утечки различных гирлянд изоляторов в зависимости от погодных условий, при этом не уделялось внимания какой-либо конкретной технологии связи для сбора данных. В высоковольтных изоляторах используется альтернативный подход (т.е. технология радиосвязи) для передачи данных с помощью оптоэлектронных датчиков15. В работе16 был выполнен мониторинг тока утечки для наружных изоляторов и распределительных ограничителей перенапряжений, где для непрерывного мониторинга и обработки данных вместо сервера данных использовалась платформа LabVIEWTM. Однако частотный и временной анализ потока и тока утечки используется для разработки неинтрузивного подхода к выявлению и различению неисправностей обмотки возбуждения и демпфера при запуске двигателя17. Кроме того, для выявления неисправностей электроприборов применяются методы неинтрузивного мониторинга нагрузки, основанные на обнаружении событий3,13. В литературе для их выявления использовались некоторые электроприборы и соответствующие им профили активной и реактивной мощности. Однако сложно применять одну и ту же процедуру для каждого типа устройств, поскольку их проникновение происходит чаще. Поэтому схема теряет свою актуальность без учёта входящих (новых) нагрузок в применяемой системе. Для смягчения проблемы дискриминационного классификатора тока утечки в системе используется предлагаемый алгоритм определения состояния.

После многих лет совершенствования было разработано несколько методов искусственного интеллекта. Среди них метод опорных векторов (SVM)18,19, нейронные сети20 и метод K-ближайших соседей21, ставшие важными темами в области обнаружения неисправностей. SVM теоретически может анализировать данные с помощью концепций теории обучения. Преимущество SVM перед другими методами машинного обучения заключается в том, что он минимизирует структурный риск классификации обучающего классификатора, в то время как другие методы минимизируют эмпирический риск. Кроме того, он обладает потенциалом для решения различных крупных задач классификации с большими пространствами признаков и может достигать приемлемой производительности в практических задачах. Однако предлагаемая система не может работать с методом обучения без учителя из-за динамических характеристик электроприбора.

SVM применяется для обнаружения неисправного состояния автоматических выключателей (CB) на основе исторических данных измерений вибрации22. Лю и др. предложили гибридную модель диагностики дефектов для устройств контроля качества воды на основе многоклассовых опорных векторных машин (MSVM)23. Для диагностики неисправного состояния трехфазного асинхронного двигателя с внешней системой ротор-подшипник Гангсар и др. применили алгоритм MSVM, в то время как признаки получаются из сигналов тока и вибрации во временной области24. Используя признаки интергармонических напряжений, MSVM определяет положения неисправностей в дефектной зоне25. Поэтому Каземи и др. разработали расширенную модель SVM на основе фильтра Калмана для классификации трехфазных токов нулевой последовательности в первичной обмотке трансформатора, в которой три остаточных сигнала определяются как расхождения между измеренными и расчетными трехфазными токами26. Эслами и др. Метод опорных векторов (SVM) был принят для выявления дуговых отказов с высоким импедансом в интегрированной микросети распределенной генерации, где для уменьшения масштаба и выбора признаков использовались анализ главных компонент и метод коэффициентов корреляции Пирсона соответственно27. В работе28 предлагается алгоритм классификации на основе k-средних для поиска отклонений в остаточном токе солнечной системы. Для выявления дефекта остаточного тока в распределительных сетях низкого напряжения в работе29 применяется модель классификации кооперативного обучения, основанная на усовершенствованном методе поиска «белка» для полуконтролируемого SVM и метода k-ближайших соседей. Разработана и реализована стратегия защиты на основе метода наименьших квадратов SVM для остаточного тока и тока прикосновения30. Все вышеупомянутые исследования посвящены различным стратегиям обнаружения неисправностей на основе SVM в различных системах, где предлагаемая система разработала классификаторы на основе правил для обнаружения неисправностей датчика и тока нагрузки, а MSVM применяется для обнаружения неисправностей тока утечки посредством надлежащей классификации в условиях домохозяйства. Все вышеупомянутые исследования сосредоточены на алгоритмах обнаружения неисправностей на основе SVM для различных систем. Напротив, предлагаемая система разработала основанные на правилах классификаторы (RBC) для обнаружения неисправностей датчиков и токов нагрузки, в то время как MSVM используется для обнаружения неисправностей токов утечки в бытовых условиях посредством надлежащей классификации.

Архитектура предлагаемой системы.

В данном исследовании мы предлагаем систему обнаружения и мониторинга неисправностей электроприборов на основе RBC и MSVM. Мы проектируем и создаём узел датчика LoRa на базе микроконтроллера для сбора данных благодаря низкому энергопотреблению и большой дальности действия сетей связи на базе LoRa. Мы также интегрируем понижающий преобразователь переменного тока в постоянный для питания датчика. После этого неисправность системы обнаруживается в режиме реального времени с помощью модели RBC-MSVM. Более того, это первая попытка интеграции RBC и MSVM для обнаружения неисправностей электрической системы, что способствует развитию систем мониторинга электроприборов. В отличие от предыдущих исследований, системы мониторинга больше не ограничены, в частности, во многих электроприборах. Благодаря лёгкости интерпретации электрических характеристик, этот облачный подход к непрерывному мониторингу, основанный на классификации, является предпочтительным во многих электрических системах. В отличие от других существующих устройств безопасности, таких как УЗО, малогабаритные автоматические выключатели и автоматические выключатели в литом корпусе, это обеспечит безопасную работу электросистемы. В отличие от этого, предлагаемая система обнаруживает неисправности, связанные с током утечки, классифицируя и дифференцируя их на основе корреляции и допустимых пределов, полученных из большого объема исторических данных по соответствующей системе. Допустимый диапазон различался в зависимости от условий системы, поэтому предлагаемая схема распознает эту проблему благодаря более высокой точности.

Ниже перечислены преимущества использования предлагаемой платформы: Все возможные электрические параметры могут быть получены с помощью одного устройства. Благодаря развернутому модулю LoRa возможна связь на большие расстояния. Сервер данных предоставит необходимое дисковое пространство для обработки больших объемов данных от большого количества пользователей. Применение предлагаемой методики классификации нормального тока и тока утечки поможет выявить причины возгорания в системах. Стратегия обнаружения в реальном времени позволяет узнать состояние системы до того, как произойдет серьезный ущерб, благодаря реализации многоклассовой классификации. Пользователь может контролировать и распознавать текущее состояние здания благодаря доступности веб-сервера. Основные достижения нашей статьи: разработано и разработано интегрированное устройство мониторинга безопасности (SMD) на основе LoRa, с помощью которого можно измерять электрические параметры. Реализован алгоритм на основе чувствительности для наблюдения и определения состояния системы путем предоставления спецификаций предупреждений. Плавная координация обеспечивается благодаря облачной архитектуре управления и контроля для визуализации, мониторинга и хранения данных в реальном времени. Классификатор на основе RBC-MSVM используется для проверки условий системы, в которых был применен метод отбора признаков для получения более высокой точности.

Данная рукопись организована следующим образом: раздел «Методология» посвящен моделированию предлагаемой системы, включая конструкцию устройства, математическое моделирование и механизм обнаружения. Раздел «Результаты и обсуждение» содержит результаты моделирования и сопутствующие пояснения. Выводы по предлагаемой системе представлены в разделе «Заключение».

Рамки предлагаемой методологии.

Предлагаемая система направлена на снижение количества пожаров, вызванных электроприборами в любом месте, посредством оперативного и надежного мониторинга и использования схемы управления. Структура предлагаемой системы представлена на рис. 1; процесс включает в себя взаимодействие между SMD, системами шлюзов, облачными серверами, базами данных, алгоритмами обнаружения и визуализацией. SMD используются для сбора данных, как показано на рис. 1, а другие необходимые характеристики рассчитываются на основе данных. Данные каждого потребителя передаются через несколько каналов шлюза LoRa и загружаются на облачный сервер с нерегулярными интервалами. Затем предлагаемый алгоритм классифицирует данные на основе приемлемого диапазона тока утечки и количества активных приборов. Данные из разных мест хранятся и анализируются на облачной платформе в связи с увеличением количества установленных SMD. После этого мы применили предлагаемый алгоритм RBC-MSVM для выявления отклонений в работе системы.

Принципиальная схема устройства контроля безопасности.

На рисунке 2 представлен обзор предлагаемой методологии, демонстрирующий потоки данных датчиков и информации в облачную базу данных. Система разделена на три части: устройство, базу данных и анализ. Секция устройства отвечает за сбор данных и их передачу на сервер данных через модуль LoRa. Секция базы данных предназначена для сбора и хранения данных датчиков в базе данных. В секции анализа была оценена взаимосвязь между различными переменными для выявления высокой окраски. Учитывая технические характеристики устройств домохозяйства, мы определили приемлемый ток утечки для классификации отклонений системы. Предлагаемый алгоритм определит текущее состояние существующей проблемы системы, изучая исторические данные. Кроме того, в секции анализа отображаются профили нагрузки в реальном времени, профили тока утечки и состояние системы. В следующем подразделе подробно описана методология с другой важной информацией.

Принципиальная схема устройства контроля электробезопасности представлена на рис. 3. Устройство рассчитано на однофазное подключение с номинальным напряжением 220–380 В переменного тока и имеет следующие размеры: ширина – 37,5 мм, длина – 64,6 мм, высота – 38,2 мм. Устройство LoRa включает в себя несколько датчиков, измеряющих такие электрические параметры, как полный ток, напряжение на клеммах и токи утечки. На основе измеренных данных были рассчитаны дополнительные данные, необходимые для каждого случая, такие как полный поток мощности, энергопотребление, коэффициент мощности, резистивные и емкостные токи утечки и сопротивление изоляции. Кроме того, конструкция устройства обеспечивает многоступенчатую сигнализацию о допустимом диапазоне полного тока и остаточного тока относительно емкости автоматического выключателя.

Микроконтроллер (МК) STM32L отвечает за все вычисления и индексацию данных. Для повышения качества сбора аналоговых данных в аппаратном обеспечении используются фильтр нижних частот и делитель напряжения. Кроме того, МК STM32L интегрирован в приёмопередатчик LoRa в предлагаемой системе для наблюдения и измерения в нормальных условиях. Система LoRa состоит из конечных устройств, шлюзов и сетевого сервера, образующих звездообразную топологию с сетевым сервером в корне, шлюзами на первом уровне и конечными устройствами в качестве листьев. Информация, полученная с помощью датчиков и измерений, накапливается в каждом пакете LoRa. Для передачи пакета LoRa выделен один выделенный канал с таким интервалом, чтобы устройство оставалось в режиме ожидания в течение определённого времени при нормальной работе для снижения энергопотребления. Кроме того, устройство передает данные с очень короткими интервалами при переходе из нормальных в критические условия. Используемый модуль LoRa (SX1276), подключенный к микроконтроллеру, отправляет эти пакеты данных в модуль шлюза LoRa через всенаправленную антенну 902–928 МГц с максимальным коэффициентом усиления 2 дБи. Сеть LoRa работает в субгигагерцовом промышленном, научном и медицинском диапазонах с максимальной мощностью передачи 21,7 дБм и 14 дБм в США и Европе соответственно31. Модуляция LoRa (запатентованная модуляция с расширением спектра ЛЧМ-сигналом) использует различные типы пакетов физического уровня с различной длительностью во времени, параметризуемой так называемым коэффициентом расширения (КРС), который может принимать значения \({КРС \in \mathbb {Z} | 7 \le КРС \le 12}.\) Шлюз LoRa используется для обнаружения места неисправности на расстоянии более тысячи метров благодаря своей запатентованной большой зоне покрытия32. КРС зависит от требований к дальности связи, где низкое значение КРС означает низкое покрытие, и наоборот. Для хранения переданных данных интерфейс между шлюзом LoRa и сетевым сервером обеспечивается протоколом сотовой связи, использующим стандартный протокол управления передачей (TCP).

Ситуация чрезмерного тока утечки.

Рабочий процесс предлагаемого устройства контроля безопасности.

На рисунке 4 показаны все возможные варианты возникновения чрезмерного тока утечки. Мы продемонстрировали три сценария: пробой изоляции между линией и землёй, пробой изоляции между линией и нейтралью и пробой заземления электроприбора. Однако на рисунке 5 представлена схема подключения и рабочий процесс предлагаемого устройства, которое устанавливается на входе низковольтной линии (220–380 В) в электросистеме (здании, заводе и на рынке). Мы рассматриваем динамические характеристики нагрузок в предлагаемых системах, поскольку электроприборы включаются и выключаются в зависимости от нагрузки потребителя. Общая полная мощность систем может быть определена следующим образом для N нагрузок:

где \(P_{i}\) и \(Q_{i}\) представляют собой активную и реактивную мощность отдельного устройства. Следовательно, суммарные токи, поступающие в нагрузку (\(I_{T}(t)=I_{1}(t)+I_{2}(t)+ \cdots\)) составляют:

где \(I_{Xl,in}(t)\) и \(I_{Xc,in}(t)\) — индуктивный и емкостный токи практической нагрузки соответственно, а \(I_{Zr,in}(t)= I_{T}(t)\cos \delta _{I,i}\) и \(I_{Xlc,in}(t)= I_{T}(t)\sin \delta _{I,in}\) — резистивный и индуктивный токи, протекающие в цепи соответственно. \(\delta _{I,in}\) также известен как угол мощности при нормальных условиях. Аналогично, общий ток возврата \(I_{L,T}\) системы можно определить следующим образом:

где \(I_{L,T}(t)\) определяется как полный ток системы, возвращающийся к датчику тока. \(I_{Zr,ot}(t)= I_{L,T}(t)\cos \delta _{I,ot}\) и \(I_{Xlc,o}(t)= I_{L,T}(t)\sin \delta _{I,ot}\) — резистивный и индуктивный ток, протекающий в цепи, соответственно. Рассмотрим сценарий работы системы, представленный на рис. 5.

Общий ток утечки (\(I_{L}\)), вытекающий из подключенного прибора, с учетом остаточного тока, можно сформулировать следующим образом:

где резистивные и емкостные токи утечки определяются как \(I_{rl}= I_{L}(t)\cos \delta _{L}\) и \(I_{cl}(t)= I_{L}(t)\sin \delta _{L}\) соответственно, а \(\delta _{L}\) — это угол между \(I_{rl}\) и \(I_{L}(t)\). Следовательно, сопротивление изоляции (\(Z_{L}\)) равно напряжению шины низкого напряжения \((V_{LV})\), делённому на ток утечки, протекающий через изоляцию.

Векторная диаграмма измерения тока утечки.

Величина тока утечки весьма мала по сравнению с общим током нагрузки, поскольку он проходит только через большое сопротивление изоляции неисправных приборов при её пробое. На рисунке 6 представлена векторная диаграмма для измерения тока утечки, где для наглядности величина тока утечки принята большой. Поскольку ток нагрузки настолько велик по сравнению с \(I_L(t)\), общая потребляемая энергия в нормальных условиях существенно не отличается.

Аппаратная архитектура устройства контроля безопасности.

На рисунке 7 показана схема SMD-устройства. Имеется два датчика тока и один датчик напряжения. Один датчик тока измеряет полный ток системы, а другой датчик измеряет ток утечки системы. Для измерения напряжения вывод двух проводов должен быть расположен, как показано на рисунке 5. Для измерения тока датчик тока размещается только на одном проводе, в то время как оба провода будут введены в датчик тока утечки. Датчик тока утечки фактически измеряет разницу между двумя токами, что описано в разделе «Математическая формулировка». Для измерения сдвига фаз между напряжением и током используются два операционных усилителя для обнаружения перехода через ноль. После этого оба выхода используются в качестве входов вентиля XOR. Время включения выхода XOR (т. е. разница во времени между двумя фазами) используется для определения сдвига фаз между напряжением и током. Наконец, измеряется коэффициент мощности (pf) системы, который используется для определения активной и реактивной составляющих тока.

где f и \(dt_{VI}\) определяются как частота и время включения выхода XOR соответственно. Для измерения тока утечки мы использовали датчик тока утечки, показанный на рис. 7. Используя данные датчика тока утечки и напряжения, аналогичным образом рассчитывается фазовый угол (\(\delta _{L}\)) между током утечки и напряжением на клеммах. После этого для системы измеряются соответственно резистивный и емкостный ток утечки.

где f и \(dt_{VI_{L}}\) определяются как частота и время включения выхода XOR соответственно.

Однако для обеспечения большей безопасности системы предусмотрены три типа предупреждений. В данном случае предупреждение о перегрузке по току разрабатывается на основе мощности установленного автоматического выключателя, а многоступенчатое предупреждение предназначено для защиты от токов утечки, различая активные и емкостные остаточные токи. Последовательное состояние системы SoS(t) для любого потребителя классифицируется с учетом состояния системы.

В предлагаемой схеме мы учитываем два фактора классификации состояния и два других фактора определения типа устройства. В зависимости от различных диапазонов пороговых значений статус определяется как \(SoS\in \left\{ SoS_{I_{T}},SoS_{I_{L}},SoS_{I_{rl}},SoS_{I_{cl}}\right\}\). Динамические состояния приборов с точки зрения полного тока и токов утечки определяются как \(SoS_{I_{T}}\in \left\{ SoS_{I_{T}}^{N},SoS_{I_{T}}^{W},SoS_{I_{T}}^{C}\right\}\), \(SoS_{I_{L}}\in \left\{ SoS_{I_{L}}^{N},SoS_{I_{L}}^{W},SoS_{I_{L}}^{C}\right\}\) из-за предусмотренного трехуровневого предупреждения. Для отслеживания типа устройств будет учитываться уязвимость резистивных \(SoS_{I_{rl}}\in \left\{ SoS_{I_{rl}}^{N},SoS_{I_{rl}}^{W},SoS_{I_{rl}}^{C}\right\}\) и емкостных токов утечки \(SoS_{I_{cl}}\in \left\{ SoS_{I_{cl}}^{N},SoS_{I_{cl}}^{W},SoS_{I_{cl}}^{C}\right\}\). Поскольку величина тока контролируется количеством подключенных приборов и их номинальной мощностью, диапазон пороговых значений будет определяться соответствующим образом. Для дополнительного удобства мы рекомендуем предоставлять различные пороговые значения. Пороговое значение бесперебойной и работоспособной системы можно определить как \(Th_{}^{N}\in \left\{ Th_{I_{T}}^{N}, Th_{I_{L}}^{N}, Th_{I_{rl}}^{N}, Th_{I_{cl}}^{N}\right\}\). В предлагаемой системе мы рассмотрели промежуточное состояние между безопасным и прерывающим состояниями. Диапазон промежуточных условий системы выражается как \(Th_{}^{W}\in \left\{ Th_{I_{T}}^{W}, Th_{I_{L}}^{W}, Th_{I_{rl}}^{W}, Th_{I_{cl}}^{W}\right\}\). Чрезмерный ток приводит к уязвимому состоянию системы, известному как критическое состояние \(Th_{}^{C}\in \left\{ Th_{I_{T}}^{C},Th_{I_{L}}^{C},Th_{I_{rl}}^{C},Th_{I_{cl}}^{C}\right\}\). Следовательно, санкционированные ограничения различимого задержания для \(I_{T}\) следующие:

где \(\forall I_{T,s}^{N}\approx 0\), \(\forall I_{T,e}^{N}\approx \forall I_{T,s}^{W}\) и \(I_{T,e}^{W}\approx \forall I_{T,s}^{C}\).

Однако проблема, связанная с током утечки, может не сохраняться в системе, подверженной перегрузке по току. Следовательно, необходимо включить функцию обнаружения тока утечки, чтобы определить, защищена ли система. Аналогичным образом, состояние опасности тока утечки будет определяться на основе следующих ограничений:

где \(\forall I_{L,s}^{N}\approx 0\), \(\forall I_{L,e}^{N}\approx \forall I_{L,s}^{W}\) и \(I_{L,e}^{W}\approx \forall I_{L,s}^{C}\). Вероятность возникновения утечки в нескольких устройствах одновременно относительно высока благодаря полной проверке электрооборудования. Следовательно, разделение резистивных и емкостных токов утечки ускоряет процесс поиска соответствующих устройств. По этой причине мы ввели допустимый диапазон тока утечки, используя условное выражение для исследования опасных ситуаций. Более того, допустимый предел тока утечки варьируется в зависимости от типа устройства, области применения и состояния. Таким образом, ограничения для надежной и работоспособной системы определяются следующим образом:

где \(\left\{ \forall I_{rl,s}^{N},\forall I_{cl,s}^{N} \right\} \in \left[ 0 \right]\), \(\forall I_{rl,e}^{N}\approx \forall I_{rl,s}^{W}\), \(\forall I_{cl,e}^{N}\approx I\forall _{cl,s}^{W}\) \(\forall I_{rl,e}^{W}\approx \forall I_{rl,s}^{C}\), и \(\forall I_{cl,e}^{W}\approx \forall I_{cl,s}^{C}\). Применив заданное условие в Алгоритме 1, мы определили состояние полного тока и тока утечки. Поэтому мы применили Алгоритм 2 для определения текущего состояния резистивного тока утечки в системе. Процедура определения состояния емкостного тока утечки идентична процедуре определения состояния резистивного тока утечки; здесь мы приводим только Алгоритм 2. Поскольку границы кластеров расположены очень близко друг к другу, алгоритм классификации может обеспечивать меньшую точность. Учитывая это, мы масштабировали и перемасштабировали признаки на основе следующих уравнений.

где \(C_{k}\), \(x_{i}\), \(F_{k}\) представлены как \(k_{th}\) кластер, \(i_{th}\) данные необработанного объекта и масштабированного объекта, которые выбираются для составления границы кластера.

Хранение и мониторинг данных в режиме реального времени повысили ценность анализа электробезопасности для понимания состояния системы. Поскольку проблема с током утечки и ухудшение изоляции устройства возникали с течением времени, для точного определения состояния установленного оборудования и всей системы требуется большой объём данных. В связи с этим облачная база данных33 является наилучшим вариантом для хранения больших объёмов данных. Облачные вычисления – это модель предоставления удобного сетевого доступа по требованию к общему пулу настраиваемых вычислительных ресурсов, которые могут быть быстро предоставлены и освобождены с минимальными усилиями по управлению и взаимодействием со стороны поставщиков услуг. Облачные вычисления также могут помочь снизить административную нагрузку, связанную с управлением программами. Облачная среда позволяет собирать информацию из самых разных источников, хранить её в облачной базе данных и использовать для различных приложений.

В предлагаемой системе пакеты данных в режиме реального времени от шлюза LoRa отправляются в облачную базу данных. На ПК с Windows 10 в качестве системы управления базой данных в облаке (Microsoft, Redmond, WA, США) использовалась MySQL версии 8.0.19 (Oracle, Co., Austin, TX, USA)34. MySQL — это многопоточная, надежная и масштабируемая служба с открытым исходным кодом, платформа используется либо по лицензии Oracle GNU General Public License, либо по стандартному разрешению для бизнеса. Однако данные с датчиков, собираемые шлюзом, неоднородны и содержат шум. После этого сервер базы данных начинает интенсивную вычислительную обработку (такую как суммирование, статистика и преобразование данных). Наконец, данные от нескольких пользователей сохраняются в базе данных, которая будет использоваться для дальнейшей обработки (такой как извлечение признаков, обучение и прогнозирование).

Блок-схема системы диагностики неисправностей.

В предлагаемой системе RBC применяется для определения типа устройства и перегрузки по току. MSVM используется в качестве дискриминантного классификатора состояний системы. Блок-схема обнаружения неисправностей представлена на рис. 8. В нашем случае для диагностики неисправностей генерируются четыре правила, описанные ниже:

Правило 1: ЕСЛИ (данные датчиков = да) И (текущий уровень = нормальный), ТО система переходит в нормальный режим

Правило 2: ЕСЛИ (данные датчиков = да) И (уровень тока = ненормальный), ТО система переходит в состояние перегрузки по току.

Правило 3: ЕСЛИ (данные датчиков = нет) И (текущий уровень = нормальный), ТО система переходит в режим сбоя устройства.

Правило 4: ЕСЛИ (данные датчиков = нет) И (уровень тока = ненормальный), ТО система выдает как ошибку устройства, так и ошибку перегрузки по току.

Для повышения точности классификации перед категоризацией неисправного состояния проводится очистка данных, включая дубликаты и отсутствующие данные. Мы использовали метод, основанный на коэффициенте корреляции Пирсона35, для удаления ненужной и избыточной информации и минимизации сложности и размерности предлагаемой системы. Плотность корреляции зависит от коэффициента корреляции Пирсона, известного как r Пирсона. Рассмотрим две переменные матрицы \(S_{T}=[ S_{T_{1}},S_{T_{2}},\cdots , S_{T_{q}}]\) и \({I_{L}=[ I_{L_{1}},I_{L_{2}},\cdots , I_{L_{\mathbf {q}}}]}\), где q и \(\mathbf {q}\) представлены как отсчеты: \(\bar{\gamma _{S_{T}}}=\frac{1}{q}\sum _{a}^{q}S_{T_{a}}\) и \(\bar{\gamma _{I_{L}}}=\frac{1}{\mathbf {q}}\sum _{b}^{\mathbf {q}}I_{L_{b}}\). Коэффициент корреляции Пирсона можно определить следующим образом:

Аналогично значение r рассчитывается с учетом других переменных, при этом выбор признака осуществляется в зависимости от большего значения r.

Для классификации наборов данных он пытается создать оптимальную гиперплоскость между двумя классами набора данных19. Гиперплоскость служит границей принятия решений для категоризации данных по различным классам. Точки, расположенные ближе к гиперплоскости, называемые опорным вектором, используются для определения оптимизированной гиперплоскости. Для заданной обучающей выборки \(\left\{ (x_i,y_i) \right\} ,\forall i\in \left\{ 1,2,3,....,n \right\}\), где \(y_i \in \left\{ +1,-1 \right\}\) представляет метки классов, оптимальная гиперплоскость определяется следующим математическим выражением:

где \(\theta =\left[ \theta _{1},....,\theta _{n} \right]\) — n-мерный вектор весов, а \(x_{i}=\left[ x_{1},x_{2},....,x_{n} \right]\) — n-мерный входной вектор, а b называется единицей смещения. Здесь n — количество признаков. Задача оптимизации, связанная с поиском гиперплоскости, может быть выражена следующим образом:

который подвергается,

Окончательную нелинейную решающую функцию можно получить следующим образом:

Для формирования набора сложных признаков SVM использует метод, называемый «ядро» (kernel) \(k(x_i,x)\). Значение \(k(x_i,x)\) соответствует \(\varphi (x_{i}).\varphi (x)\), которое отображает линейно неразделимые шаблоны в пространство признаков более высокой размерности. В итоге решающую функцию можно модифицировать следующим образом:

В данном исследовании мы провели эксперимент по классификации с учётом четырёх ядерных функций (линейной, полиномиальной, радиально-базисной (РБФ) и сигмоидальной), описанных в таблице 1. Кроме того, мы использовали многоклассовый подход, основанный на сравнении одного и остальных классов. Согласно этому подходу, для задачи классификации m-го класса m-й класс обучается как положительный, а остальные классы рассматриваются как отрицательный21,36.

Монтаж SMD с КБ.

(а) Карта с расположением узлов и (б) Устройство контроля безопасности.

Состояние RSSI нескольких сенсорных узлов LoRa.

Средний RSSI на разном расстоянии.

Предлагаемый SMD-датчик реализован в реальной системе для обеспечения его подотчётности и эффективности. Поэтому мы интегрировали систему в жилом здании для оценки предлагаемого метода обнаружения, в котором устройство размещается в точке входа линии электропередачи здания. Установка SMD изображена на рис. 9, с различными точками, отмеченными для интерпретации. Два независимых датчика тока были установлены рядом с главным выключателем для обнаружения полного тока и тока утечки. Таким образом, один датчик напряжения измерял напряжение на клеммах. В ходе эксперимента мы развернули более 30 единиц в Тэджоне, Южная Корея. Из них мы выбрали пять зданий с чрезмерным током утечки. В этом экспериментальном исследовании мы измерили общую активную мощность, напряжение, ток, ток утечки (резистивный, ёмкостный и полный), частоту, коэффициент мощности и сопротивление изоляции, чтобы извлечь некоторые необходимые характеристики для последовательной классификации. Состояние системы также определяется на основе предложенного алгоритма. Измеренные в реальном времени данные накапливаются в каждом пакете LoRa. Шлюз LoRa получает данные и отправляет их на сервер через Интернет по протоколу TCP/Internet. Облачная база данных позволяет нам проводить проверку в реальных условиях: контролировать большое количество электрических систем и хранить большой объём данных. Исследование предлагаемой системы длилось несколько месяцев из-за необходимости обработки большого объёма данных.

Более того, положение передающего узла LoRa относительно GW было отображено на карте MAP, как показано на рис. 10a. А на рис. 10b показано предлагаемое изготовленное устройство контроля электробезопасности. Индикаторы уровня принятого сигнала LoRa (RSSI) для пяти различных зданий представлены на рис. 11. Самое дальнее здание (\(B_{1}\)) от шлюза LoRa находится на расстоянии 117 м и испытывает RSSI в среднем −110,18 дБм. Однако у \(B_{5}\) самое низкое значение RSSI (в среднем −111,4 дБм), поскольку оно сталкивается с большим затуханием из-за блокировки здания, чем у \(B_{1}\). Из пяти зданий \(B_{2}\) является ближайшим и находится на 20 м дальше от шлюза. Он принимает пакеты LoRa со средним значением RSSI −87,17 дБм и имеет наименьшее отклонение значений RSSI благодаря почти равномерному усилению потерь в тракте. На рисунке 12 показано распределение среднего изменения RSSI пакетов в зависимости от расстояния. Узлы датчиков, расположенные на расстоянии 73 м и 100 м, имеют наибольшее и наименьшее изменение RSSI соответственно. Кроме того, мы протестировали показатель потери пакетов LoRa (PLR) при приеме переданных пакетов на узле шлюза LoRa. Мы наблюдали PLR 0,5% на расстоянии связи 20 м. При рассмотрении связи вне прямой видимости на расстоянии около 120 м показатель успешного приема пакетов немного снижался. На расстоянии связи 120 м, которое является максимальным значением в нашем случае, мы оцениваем PLR 2%.

Результат мониторинга общей мощности в \(B_{1}\).

Выборка данных: (a) Общий ток утечки, (b) Резистивный ток утечки и (c) Емкостный ток утечки для \(B_{1}\).

Один из результатов выборки мониторинга здания 1 (\(B_{1}\)) показан на рис. 13 и 14. Профиль полной мощности, полной утечки, резистивной утечки и емкостных токов утечки отображен для нескольких дней, когда изменение подключенной нагрузки ощутимо. Таким образом, мы показали данные с 0:00 (12.08.2020) по 23:58 (18.08.2020) с нерегулярным интервалом из приблизительно шестимесячных данных. Как показано на рисунке, ток утечки увеличивается примерно до 6,5 мА в момент подъема подключенной нагрузки и восстанавливается до нормы в момент снятия нагрузки. Однако предлагаемый алгоритм применяется для получения оптимальной границы решения, называемой целевым значением. При применении алгоритма кластеризованный результат тока утечки проиллюстрирован на рис. 15, 16 и 17, где три кластеризованные области обозначены несколькими цветами. Таким образом, мы сопоставили нормальную выборку данных с обученной выборкой данных токов утечки после очистки и профилирования. Как показано на рисунках, ток утечки увеличивается примерно на 8 мА, при этом резистивный и емкостный токи утечки достигают 6,5 и 6,51 мА соответственно. В течение времени сбора данных частота событий, соответствующих критическим и предупредительным состояниям, значительно ниже, чем в нормальных условиях, где критическая частота резистивного тока утечки выше, чем емкостного тока утечки. Мы проанализировали взаимосвязь между признаками, используя метод отбора признаков, чтобы выбрать пять из восьми.

Результат кластеризации общего тока утечки для \(B_{1}\).

Результат кластеризации резистивного тока утечки для \(B_{1}\).

Результат кластеризации емкостного тока утечки для \(B_{1}\).

График распределения вероятностей (a) токов утечки (до кластеризации), (b) общего тока утечки, (c) резистивного тока утечки и (d) емкостного тока утечки (после кластеризации) для \(B_{1}\).

На рисунке 18 представлена непрерывная плотность вероятности токов утечки. Мы стремились показать распределение данных каждого диапазона кластеризации на этом рисунке. На рисунке 18а представлена плотность распределения полных и токов утечки в различных наблюдениях без учета кластеризации. Из рисунка видно, что поток тока утечки в диапазоне средней зоны выше, чем в двух других в этом здании. Аналогично, диапазон кластеризации каждого класса определяется допустимыми пределами для полных, резистивных и емкостных токов утечки, как показано на рисунках 18b–d. Поскольку предупреждения о токе утечки могут быть вызваны как резистивной, так и емкостной нагрузкой системы, она иногда может давать несбалансированное распределение данных резистивных и емкостных токов утечки.

ROC-кривая классификатора MSVM для полного тока утечки с (a) линейным ядром; (b) ядром RBF; (c) полиномиальным ядром; и (d) сигмоидальным ядром для \(B_{1}\).

ROC-кривая классификатора MSVM для резистивного тока утечки с (a) линейным ядром; (b) ядром RBF; (c) полиномиальным ядром; и (d) сигмоидальным ядром для \(B_{1}\).

ROC-кривая классификатора MSVM для емкостного тока утечки с (a) линейным ядром; (b) ядром RBF; (c) полиномиальным ядром; и (d) сигмоидальным ядром для \(B_{1}\).

Например, система работает в критическом состоянии из-за тока утечки, но резистивный ток утечки значительно превышает емкостный. В этих случаях вероятность резистивного тока утечки для критического состояния будет выше, тогда как емкостный ток утечки будет отвечать за нормальные условия или состояние предупреждения. Распределение плотности вероятности резистивных и емкостных токов утечки в этом состоянии будет различным.

Для выполнения модели MSVM мы использовали рабочую станцию HP Z8 G4 с 256 ГБ памяти и процессорами Intel(R) Xeon(R) Gold 5222 с тактовой частотой 3,80 ГГц и 3,79 ГГц. Для расчёта времени вычисления одной модели MSVM используется выборка размером 2000 образцов, а на всё выполнение уходит 5,8786 секунды. В результате вычисление одного обнаружения занимает в среднем 2,8816 миллисекунды. Поскольку мы реализовали три различные модели для обнаружения аномалий, выполнение агрегированной модели MSVM занимает 13,2159 секунды. Следовательно, вычисление одного обнаружения комбинированной модели занимает в среднем 6,6079 миллисекунды.

Таким образом, для оценки эффективности предлагаемой модели рассматривается кривая рабочей характеристики приёмника (ROC) для многоклассовой классификации в трёх различных случаях. Кроме того, площадь под кривой (AUC) суммирует ROC-кривую, которая измеряет способность модели различать классы. ROC-кривая состоит из истинно положительных результатов (TPR) и ложноположительных результатов (FPR), отражающих эффективность модели классификации MSVM при всех пороговых значениях классификации. TPR и FPR можно определить следующим образом:

где \(TP=\) количество истинно положительных результатов, \(TN=\) количество истинно отрицательных результатов, \(FP=\) количество ложноположительных результатов и \(FN=\) количество ложноотрицательных результатов. Кроме того, точность и F1-оценка (рассчитываемая на основе полноты и точности) — это два показателя эффективности, которые учитываются при оценке эффективности предлагаемой MSVM. Математическая формула для точности и F1-оценки для MSVM выглядит следующим образом:

Результаты выборок мониторинга (a) \(B_{2}\), (b) \(B_{3}\), (c) \(B_{4}\) и (d) \(B_{5}\).

Чтобы оценить производительность классификатора RBC-MSVM, мы выполнили классификацию с использованием различных функций ядра. На рисунке 19 представлены ROC-кривая и AUC модели MSVM с различными функциями ядра в случае классификации неисправностей по общему току утечки. Модель MSVM-RBF имеет более высокую AUC, что указывает на её лучшую способность различать классы отрицательных и положительных токов, как показано на рисунках. Кроме того, в таблице 2 представлены точность и оценка F1 реализованной модели RBC-MSVM. Результаты показывают, что MSVM-Linear, MSVM-RBF и MSVM-Poly достигают более высокой точности и оценки F1 среди четырёх моделей MSVM. Более того, из таблицы также видно, что MSVM-Linear и MSVM-RBF достигают точности = 98,77% и оценки F1 = 98,12%, тогда как MSVM-RBF имеет точность = 97,74% и оценку F1 = 97,69%. Результаты показывают, что MSVM-Linear предсказывает все классифицированные классы с меньшей вероятностью, в то время как MSVM-RBF — с большей. Несмотря на более высокую точность и F1-оценку MSVM-Linear, MSVM-RBF весьма убедителен в своих прогнозах. Кроме того, MSVM-RBF и MSVM-Poly также дают сопоставимые результаты, при этом MSVM-RBF имеет существенно лучшую ROC-кривую, чем MSVM-Poly.

В случае классификации повреждений, вызванных резистивным током утечки, ROC-кривая и результаты AUC представлены на рис. 20. Согласно рисункам, MSVM-Linear и MSVM-RBF предсказывают все классы классификации с сопоставимой вероятностью. А таблица 2 показывает, что обе модели обладают точностью 92,89% и 89,88% соответственно, тогда как F1-оценки составляют 90,11% и 87,98%. Следовательно, MSVM-RBF более точна в своих прогнозах. На рисунке 21 представлены ROC-кривая и результаты AUC для классификации повреждений, вызванных емкостным током утечки. Таблица 2 показывает, что MSVM-Linear превосходит другие модели с точки зрения точности и показателей F1-оценки. Однако значения AUC для MSVM-Linear в трёх классах составляют 0,99, 0,70 и 1,00, в то время как для MSVM-RBF — 0,95, 0,81 и 0,97. В случае классификации данных предупреждения значение AUC для MSVM-Linear значительно хуже, чем для MSVM-RBF. Следовательно, MSVM-Linear демонстрирует худшую эффективность классификации с низкой вероятностью, чем MSVM-RBF.

На рисунках 22a–d представлены изменения мощности и тока утечки в различные периоды, полученные от устройств, установленных в отдельных зданиях. Мы также наблюдали разложение резистивных и емкостных составляющих тока утечки для оценки эффективности предлагаемого классификатора MSVM. В таблицах 3, 5 и 7 представлены общая точность и оценки F1, а в таблицах 4, 6 и 8 — оценки AUC классификаторов на основе RBC-MSVM на данных домохозяйств.

В целом, точность моделей MSVM-Linear оказывается достаточной для большей части здания, хотя модели MSVM-RBF имеют более высокие значения AUC. В сценарии классификации неисправностей тока утечки самая высокая точность и оценка F1 для \(B_3\) составляют \(98,25\%\) и \(98,29\%\) соответственно, с оценками AUC 1,00, 0,81 и 1,00. Напротив, модели MSVM-RBF достигают сопоставимой точности и оценки F1 с более высокими значениями AUC. Таблицы 3 и 4 показывают, что модели MSVM-Linear превосходят другие по точности и оценке F1, хотя модели MSVM-RBF обнаруживают все категоризированные классы более последовательно. Однако выбор признаков превратился в уникальный критерий для достижения приемлемой точности. Когда характер тока изменяется, точность различных функций ядра резко меняется. При классификации неисправностей, связанных с резистивным током утечки, классификатор MSVM-Linear достиг максимальной точности и оценки F1 \(96,15\%\) и \(93,00\%\) для \(B_{2}\) с оценками AUC 1,00, 0,94 и 1,00, тогда как MSVM-RBF и MSVM-Poly продемонстрировали худшие показатели производительности. Анализ и сравнение результатов из таблиц 5 и 6 показывает, что модели MSVM-Linear демонстрируют лучшие результаты по сравнению с другими моделями с точки зрения точности и оценки F1, а также более высокой вероятности обнаружения всех классифицированных классов.

Кроме того, в таблицах 7 и 8 представлены результаты классификации неисправностей, связанных с емкостным током утечки. Максимальная точность и F1-оценка для модели \(B_{}\), относящейся к модели MSVM-RBF, составляют 95,15% и 88,40% соответственно. Модели MSVM-RBF продемонстрировали более высокую точность, F1-оценку и значения AUC в большинстве домохозяйств, что указывает на их более высокую эффективность в выявлении и различении отрицательных и положительных классов, как показано в таблицах 7 и 8.

Однако из-за почти равномерного распределения данных по трем кластерам производительность классификатора для обнаружения неисправностей тока утечки значительно выше, чем у других подходов к классификации неисправностей. Из таблиц можно увидеть, что производительность линейного ядра превосходит другие функции ядра в большинстве случаев общей утечки и резистивного тока утечки. Основная причина превосходства линейного ядра заключается в том, что характер данных становится более линейным после масштабирования признака. Данные общей утечки и резистивного тока утечки более линейны, чем данные емкостного тока утечки в случае некоторых домов. Как следствие, MSVM-RBF превзошел его для емкостного тока. Более того, объем выборки данных каждой категории также является важным фактором для достижения более высокой точности, оценки F1 и оценки AUC.

В данной статье представлена облачная система мониторинга состояния электроприборов с использованием технологии LoRa. В данном исследовании рассматривается процесс, начиная с проектирования датчика и заканчивая обнаружением неисправностей, связанных с током утечки. Целью данной схемы является разработка метода, основанного на данных, для определения допустимого диапазона токов утечки, поиска возможных характеристик путем анализа взаимосвязи между различными переменными и обнаружения неисправностей путем классификации данных в режиме реального времени. Данные в режиме реального времени успешно собираются и хранятся на облачном сервере через SMD и шлюз LoRa. Для оценки осуществимости и производительности предлагаемой системы метод классификации, основанный на RBC-MSVM, был реализован на пяти зданиях, что обеспечило наивысшую точность (\(98,23\%\)) и оценку F1 (\(97,64\%\)) при соответствующем распознавании условий работы системы. Кроме того, возможности обнаружения неисправностей и быстрое время обнаружения (в среднем 6,67 мс) позволяют предположить, что система является коммерчески осуществимой. Классификатор MSVM в сочетании с линейными/RBF-функциями ядра и RBC является перспективным решением для диагностики неисправностей оборудования мониторинга электробезопасности, основанным на предыдущих результатах. В будущем реализация схемы обнаружения неисправностей на периферийном сервере позволит более точно анализировать состояние электроприборов и исключить внезапные разрушительные инциденты в электросистеме.

Данные, подтверждающие выводы настоящего исследования, доступны в Центре исследований информационных технологий (ITRC), однако на доступ к ним налагаются ограничения, поскольку они были использованы по лицензии для данного исследования и поэтому не являются общедоступными. Тем не менее, данные доступны у авторов (Ён Мин Чан, электронная почта: yjang@kookmin.ac.kr) по обоснованному запросу и с разрешения ITRC.

Функция принятия решения

Функция ядра

Угол между напряжением на клеммах и током

Угол между напряжением на клеммах и током утечки

Количество приборов

Вектор веса

Смещающий блок

\(k_{th}\) кластер

Время включения выхода XOR для тока утечки

Время включения выхода XOR для общего входящего тока

Частота

Масштабируемая функция

Емкостный ток утечки

Общий возвратный ток

Общий ток утечки

Резистивный ток утечки

Общий входящий ток

Емкостный ток

Сумма индуктивного и емкостного тока

Индуктивный ток

Резистивный ток

Количество функций

Коэффициент мощности

Общая активная мощность

Общая реактивная мощность

Коэффициент корреляции Пирсона

Общая кажущаяся мощность

Напряжение на клеммах

Входной вектор

Сопротивление изоляции

Индекс приборов

Индекс конца

Индекс выборки данных

Входящий момент

Комплексное число

Индекс кластера

Возвращающийся момент

Индекс начала

Набор состояний системы

Указатель времени

Установка порога для критического состояния

Установка порога для нормального состояния

Установка порогового значения для состояния предупреждения

Ричард, К. Пожары, связанные с бытовым электрооборудованием (Национальная ассоциация противопожарной защиты, 2019).

Алави, А. Х., Цзяо, П., Баттлар, В. Г. и Лайнеф, Н. «Умные города с поддержкой Интернета вещей: современное состояние и будущие тенденции». Measurement 129, 589–606 (2018).

Статья ADS Google Scholar

Ю, Л., Ли, Х., Фэн, С. и Дуань, Дж. Неинтрузивный мониторинг нагрузки устройств для умных домов: последние достижения и будущие проблемы. IEEE Instrument. Meas. Mag. 19(3), 56–62 (2016).

Статья Google Scholar

Тонг, Р. Т., Го, Л. З. и Као, З. Анализ некоторых проблем применения системы мониторинга электрических пожаров с помощью тока утечки. Procedia Eng. 52, 342–348 (2013).

Статья Google Scholar

Джадхав, А.Р., Киран, С., М.П.Р. и Пачамуту, Р. Разработка новой архитектуры мониторинга энергопотребления на основе Интернета вещей с визуализацией данных в реальном времени для использования в бытовых и промышленных условиях. В IEEE Transactions on Instruments and Measurements, т. 70, стр. 1–14 (2021).

Пэн, К. и Хуан, Дж. Система мониторинга и управления энергопотреблением дома на основе технологии ZigBee. Int. J. Green Energy 13(15), 1615–1623 (2016).

Статья Google Scholar

Мартани, К., Ли, Д., Робинсон, П., Бриттер, Р. и Ратти, К. ENERNET: изучение динамической связи между занятостью здания и потреблением энергии. Energy Build. 47, 584–591 (2012).

Статья Google Scholar

Эль-Шафи, А. и Хамед, К.А. Разработка и внедрение системы домашней автоматизации на основе WiFi. Int. J. Comput. Electr. Autom. Control Inf. Eng. 6(8), 1074–1080 (2012).

Google Академия

Ган, С., Ли, К., Ван, И. и Кэмерон, К. Платформа мониторинга энергопотребления на основе Интернета вещей для промышленных процессов. В материалах 12-й Международной конференции UKACC по управлению (CONTROL), Шеффилд, 2018, с. 236–240.

Лю, Ц., Камото, К. М., Лю, Х., Сан, М. и Линге, Н. Несложный неинтрузивный мониторинг нагрузки с использованием неконтролируемого обучения и обобщенных моделей устройств. IEEE Trans. Потреб. Электроника. 65(1), 28–37 (2019).

Статья Google Scholar

Шафии, М. и др. Обнаружение неисправностей в низковольтных распределительных системах жилых зданий с использованием данных низкочастотных измерений. IEEE Syst. J. 14(4), 5265–5273 (2020).

Статья ADS Google Scholar

У, С., Хан, С. и Лян, К. С. Алгоритм неинтрузивной идентификации нагрузки на основе событий для жилых помещений в сочетании с недоопределенной декомпозицией и характерной фильтрацией. IET Gener. Transm. Distrib. 13(1), 99–107 (2019).

Статья Google Scholar

Чэнь, В., Гун, Цюй, Гэн, Г. и Цзян, Цюй. Облачное неинтрузивное обнаружение тока утечки для бытовых приборов. IEEE Trans. Power Deliv. 35(4), 1977–1986 (2020).

Статья Google Scholar

Ван, Дж. и др. Механизм реакции гирлянды изоляторов на ток утечки в зависимости от влажности окружающей среды в дни без дождя. IEEE Access 7, 55229–55236 (2019).

Статья Google Scholar

Вернек, М.М., дос Сантос, Д.М., де Карвальо, К.С., де Назаре, Ф.В.Б. и да Силва Баррос Аллиль, Р.С. Обнаружение и мониторинг токов утечки в изоляции передачи энергии. IEEE Sens. J. 15(3), 1338–1346 (2015).

Статья ADS Google Scholar

Харид, Н., Богиас, А.С., Гриффитс, Х., Робсон, С. и Хаддад, А. Беспроводная система контроля тока утечки в оборудовании электрических подстанций. IEEE Access 4, 2965–2975 (2016).

Статья Google Scholar

Шейх, М.Ф., Парк, Дж. и Ли, С.Б. Неинтрузивный метод обнаружения неисправностей ротора в пусковом переходном процессе синхронных двигателей с явнополюсным расположением выводов. IEEE Trans. Energy Convers. 36(2), 1262–1270 (2021).

Статья ADS Google Scholar

Ауди, В. Метод опорных векторов: подход к многоклассовой классификации на основе расстояний. В трудах Международной междисциплинарной конференции IEEE по инжинирингу и технологиям (IMCET) 1–6 (2016).

Ганн, С.Р. Методы опорных векторов для классификации и регрессии. Analyst 135(2), 230–267 (2010).

Статья Google Scholar

Саманта, Б. Диагностика неисправностей подшипников качения на основе искусственных нейронных сетей с использованием характеристик во временной области. Механика. Системная обработка сигналов. 17, 317–328 (2003).

Статья ADS Google Scholar

Тиан, Дж., Морилло, К., Азарян, М. Х. и Пехт, М. Обнаружение неисправностей подшипников двигателя с использованием извлечения признаков на основе спектрального эксцесса в сочетании с анализом расстояний ближайшего соседа. IEEE Trans. Ind. Electron. 63(3), 1793–1803 (2016).

Статья Google Scholar

Ян, Ц., Руан, Дж., Чжуан, З. и Хуан, Д. Определение неисправностей автоматических выключателей на основе измерений вибрации. IEEE Trans. Instrum. Meas. 69(7), 4154–4164 (2020).

Статья Google Scholar

Лю, С., Сюй, Л., Ли, Ц., Чжао, Х. и Ли, Д. Диагностика неисправностей устройств контроля качества воды на основе многоклассовых опорных векторных машин и деревьев решений на основе правил. IEEE Access 6, 22184–22195 (2018).

Статья Google Scholar

Гангсар, П., Али, З., Чоукси, М. и Парей, А. Интеллектуальная и надёжная диагностика неисправностей электромеханической системы с использованием сигналов вибрации и тока. В сборнике «Последние достижения в производстве, автоматизации, проектировании и энергетических технологиях», стр. 485–494 (Springer, 2022).

Форузеш, А., Голсорхи, М.С., Савагеби, М. и Бахаризаде, М. Определение места повреждения в микросетях на основе метода опорных векторов с использованием интергармонического ввода. Энергия 14(8), 2317 (2021).

Статья Google Scholar

Каземи, З., Насери, Ф., Язди, М. и Фарджа, Э. Подход на основе машинного обучения EKF-SVM для обнаружения и классификации неисправностей в трёхфазных силовых трансформаторах. IET Sci. Meas. Technol. 15(2), 130–142 (2021).

Статья Google Scholar

Эслами, М., Джаннати, М. и Табатабаи, С.С. Улучшенная стратегия защиты на основе алгоритма PCC-SVM для идентификации высокоомных дуговых замыканий в интеллектуальных микросетях при наличии распределенной генерации. Measurement (Лондон) 175(109149), 109149 (2021).

Google Академия

Берендс, Х. и др. Анализ остаточных токов в инверторных энергетических системах с использованием методов машинного обучения. Энергетика 15(2), 582 (2022).

Статья Google Scholar

Чжан, С., Ван, И., Доу, З., Ван, В., Бай, И. Распознавание типа повреждения остаточного тока на основе кооперативного обучения S3VM и KNN. J. Power Electron. (2022).

Хань, С., Шэн, В., Ду, С., Су, Дж. и Лю, Г. Новая схема защиты для определения времени сбоя электропитания и идентификации тока прикосновения на основе устройств защитного отключения. IET General Transm. Distrib. 11(10), 2478–2488 (2017).

Статья Google Scholar

LoRa. Дата обращения: февраль 2021 г. [Онлайн]. Доступно: https://lora.readthedocs.io/en/latest/#: :text=For%\$20uplink%2C%20the%20maximum%20transmission,day%20depending%20on%20the%20channel

Рицци, М., Феррари, П., Фламмини, А. и Сисинни, Э. Оценка решения IoT LoRaWAN для распределенных измерительных приложений. IEEE Trans. Instrument. Meas. 66(12), 3340–3349 (2017).

Статья Google Scholar

Алам, Б., Доджа, М.Н., Алам, М. и Монгия, С. 5-уровневая архитектура облачной системы управления базами данных. AASRI Procedia 5, 194–199 (2013).

Статья Google Scholar

Кофлер, М. Что такое MySQL: MySQL (под ред. Кофлера, М.) 3–19 (Apress, 2001).

Насир, И.М. и др. Отбор признаков на основе корреляции Пирсона для классификации документов с использованием сбалансированного обучения. Sensors 20, 6793 (2020).

Статья ADS PubMed Central Google Scholar

Ванд, З. и Сюэ, Х. Многоклассовые машины опорных векторов. В книге «Применение машин опорных векторов» (ред. Ма, И. и Го, Г.) 23–48 (Springer, 2014).

Скачать ссылки

«Данное исследование было поддержано MSIT (Министерством науки и ИКТ) Кореи в рамках программы поддержки ITRC (Исследовательского центра информационных технологий) (IITP-2022-2018-0-01396) под руководством IITP (Института планирования и оценки информационных и коммуникационных технологий)».

Кафедра электронной инженерии, Университет Кукмин, Сеул, 02707, Южная Корея

Доктор Моршед Алам, доктор Шахджалал, доктор Хабибур Рахман, Химаван Нуркахьянто, Аджи Тегу Прихатно и Ён Мин Чан

Кафедра электротехники и электроники, Университет свободных искусств Бангладеш, Дакка, 1207, Бангладеш

Мд. Шахджалал

Кафедра компьютерных наук и инженерии, Пусанский национальный университет, Пусан, 46241, Южная Корея

Aji Teguh Prihatno

FS Corporation, Тэджон, 34126, Южная Корея

Юнгджин Ким

Поиск автора на: PubMed Google Scholar

Поиск автора на: PubMed Google Scholar

Поиск автора на: PubMed Google Scholar

Поиск автора на: PubMed Google Scholar

Поиск автора на: PubMed Google Scholar

Поиск автора на: PubMed Google Scholar

Поиск автора на: PubMed Google Scholar

Концептуализация, MMA; методология, MMA, MS и MHR; программное обеспечение, MMA и MHR; ресурсы, HN, ATP и YK; написание — подготовка первоначального черновика, MMA, MS и MHR; руководство, YMJ; администрирование проекта, YMJ; получение финансирования, YMJ Все авторы прочитали и согласились с опубликованной версией рукописи.

Переписка с Ён Мин Джан.

Авторы заявляют об отсутствии конфликта интересов.

Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий к опубликованным картам и институциональной принадлежности.

Открытый доступ. Эта статья лицензирована в соответствии с лицензией Creative Commons Attribution 4.0 International, которая разрешает использование, обмен, адаптацию, распространение и воспроизведение на любом носителе или в любом формате при условии указания автора(ов) и источника, ссылки на лицензию Creative Commons и указания внесенных изменений. Изображения или другие сторонние материалы в этой статье включены в лицензию Creative Commons статьи, если иное не указано в строке кредита на материал. Если материал не включен в лицензию Creative Commons статьи и предполагаемое использование не разрешено законодательством или выходит за рамки разрешенного использования, вам необходимо получить разрешение непосредственно у владельца авторских прав. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/.

Перепечатки и разрешения

Алам, М.М., Шахджалал, М., Рахман, М.Х. и др. Система мониторинга энергии и тока утечки для обнаружения неисправностей в электроприборах. Sci Rep 12, 18520 (2022). https://doi.org/10.1038/s41598-022-22508-2

Скачать цитату

Получено: 27 июня 2022 г.

Принято: 17 октября 2022 г.

Опубликовано: 2 ноября 2022 г.

DOI: https://doi.org/10.1038/s41598-022-22508-2

Любой, с кем вы поделитесь следующей ссылкой, сможет прочитать этот контент:

Извините, в настоящее время ссылка для общего доступа к этой статье недоступна.

Предоставлено инициативой по обмену контентом Springer Nature SharedIt

Кластерные вычисления (2024)

Журнал электрических систем и информационных технологий (2023)