CHẨN ĐOÁN LỖI HỒ QUANG NỐI TIẾP DC TRONG BỘ NGHỊCH LƯU BA PHA BẰNG CÁC MÔ HÌNH TRÍ TUỆ NHÂN TẠO KẾT HỢP VỚI KỸ THUẬT TRÍCH XUẤT CÁC THÀNH PHẦN TẦN SỐ
DOI:
https://doi.org/10.62985/j.huit_ojs.vol26.no1E.353Từ khóa:
Lỗi hồ quang DC, trích xuất thành phần tần số, trí tuệ nhân tạo.Tóm tắt
Các hư hỏng hồ quang nối tiếp DC đặt ra một mối quan ngại đáng kể vì chúng có thể gây ra các vụ hỏa hoạn và gây ra những hậu quả bất lợi đối với các hệ thống điện nếu không được phát hiện. Tuy nhiên, việc phát hiện chúng trong các hệ thống điện thực tế vẫn còn nhiều thách thức, chủ yếu do cường độ dòng hồ quang nhỏ, sự thiếu vắng của khoảng thời gian qua điểm không, và sự biểu hiện của nhiều hành vi bất thường phụ thuộc vào đa dạng các tải và bộ điều khiển điện. Đáng chú ý, các biện pháp bảo vệ truyền thống, đặc biệt là cầu chì bảo vệ, có thể không hoạt động hiệu quả trong việc kích hoạt kịp thời khi xảy ra các hư hỏng hồ quang nối tiếp DC. Hậu quả của việc không phát hiện được các hư hỏng hồ quang là rất nghiêm trọng, có thể dẫn đến các chế độ vận hành sai lệch trong các hệ thống điện, từ đó tăng nguy cơ thiệt hại vật chất và thương vong con người. Trước những đòi hỏi cấp bách này, việc phát triển một cơ chế phát hiện hiệu quả nhằm vào các hư hỏng hồ quang nối tiếp trong các hệ thống DC trở thành một nhiệm vụ cấp bách hàng đầu. Trong nghiên cứu này, sự kết hợp giữa kỹ thuật trích xuất thành phần tần số và học máy nhân tạo đã được sử dụng để chẩn đoán hư hỏng hồ quang DC. Kết quả chẩn đoán chứng minh tính hiệu quả của cơ chế phát hiện đề xuất và tăng độ chính xác trong việc phát hiện.
Tài liệu tham khảo
[1] H. -P. Park and S. Chae, “DC series arc fault detection algorithm for distributed energy resources using arc fault impedance modeling”, IEEE Access, vol. 8, 2020, 179039-179046, doi: http://doi.org/10.1109/ACCESS.2020.3027869.
[2] R. Ferrero, M. Collotta, M.V. Bueno-Delgado, and H.-C. Chen, “Smart management energy systems in industry 4.0”, Energies, vol. 13, no. 2, 2020, 382. https://doi.org/10.3390/en13020382
[3] L. Frosini, “Novel diagnostic techniques for rotating electrical machines—A review”, Energies, vol. 13, no. 19, 2020, 5066, doi: https://doi.org/10.3390/en13195066
[4] S. Dhar, R. K. Patnaik, and P. K. Dash, “Fault detection and location of photovoltaic based DC microgrid using differential protection strategy”, IEEE Trans. Smart Grid, vol. 9, no. 5, 2018, 4303–4312. http://doi.org/10.1109/TSG.2017.2654267
[5] V. Psaras et al., “Review of DC series arc fault testing methods and capability assessment of test platforms for more-electric aircraft,” in IEEE Transactions on Transportation Electrification, vol. 8, no. 4, pp. 4654-4667, Dec. 2022, doi: http://doi.org/10.1109/TTE.2022.3189970
[6] UL 1699B, “Outline of Investigation for Photovoltaic (PV) DC Arc-Fault Circuit Protection, Issue 2; Underwriters Laboratories, Inc.: Northbrook, IL, USA, (2013).
[7] T. Cover and P. Hart, “Nearest neighbor pattern classification”, IEEE Transactions on Information Theory, vol. 13, no. 1, 1967, 21-27. http://doi.org/10.1109/TIT.1967.1053964.
[8] L. Breiman, J. Friedman, R. Olshen, and C. Stone, “Classification and Regression Trees. Belmont, CA: Wadsworth and Brooks, (1984). https://doi.org/10.1201/9781315139470
[9] L. Breiman, “Random forests”, Mach. Learn., vol. 45, 2001, 5–32. https://doi.org/10.1023/A:1010933404324
[10] P. Langley, W. Iba, and K. Thompson, “An analysis of Bayesian classifiers,” in Proceedings of the 10th National Conference on Artificial Intelligence (AAAI), 1992, pp. 223–228.
