Machine learning algorithms for effective partial discharge UHF pulse classification and filtering

The thesis focuses on classification algorithms for different Partial Discharge (PD) events in High Voltage electrical equipment. The PD events are registered by Ultra High Frequency (UHF) electromagnetic radiation antennae. An algorithm utilizing an Artificial Neural Network (ANN) and Hierarchical Agglomerative Clustering (HAC) is proposed for purpose of the classification. The recorded signals are fed to a classification algorithm, that can differentiate the PD events from external noise. The studied datasets come from real life case studies performed in Heengyang (China) and Stuttgart (Germany), provided by Global Energy Interconnection Research Institute Europe GmbH (GEIRI Europe). Additionally, to be used as one of the cases, in preparation of the thesis laboratory work has been conducted with recording a new dataset of signals that were later used for testing the developed method. In the thesis different solutions and improvements to the algorithm are also proposed. First, a sensitivity analysis of externally set parameters is performed and the choice of proper function hyper parameters clearly motivated. Second, an upgrade to the signal onset detection is proposed, utilizing the sixth order statistical momentum, threshold crossing detection techniques, and a signal to noise ratio. Finally, an evaluation of a ANN is performed to determine its potential with regards to the benchmark case of RF. The algorithm is tested against signals on different backgrounds and the deisred accuracy levels are reached for all of them. The computational burden is low enough to be satisfactory, but leaves some room for further improvement.

La tesi si concentra sugli algoritmi di classificazione per diversi eventi di scariche parziali (PD) in apparecchiature elettriche ad alta tensione. Gli eventi PD sono registrati da antenne di radiazioni elettromagnetiche ad altissima frequenza (UHF). Ai fini della classificazione viene proposto un algoritmo che utilizza una rete neurale artificiale (ANN) e un clustering agglomerato gerarchico (HAC). I segnali registrati vengono inviati ad un algoritmo di classificazione, in grado di differenziare gli eventi PD dal rumore esterno. I set di dati studiati provengono da studi di casi reali eseguiti a Heengyang (Cina) e Stoccarda (Germania), forniti dal Global Energy Interconnection Research Institute Europe GmbH (GEIRI Europe). Inoltre, da utilizzare come uno dei casi, in preparazione della tesi è stato condotto un lavoro di laboratorio con la registrazione di un nuovo set di dati di segnali che sono stati successivamente utilizzati per testare il metodo sviluppato. Nella tesi vengono proposte anche diverse soluzioni e miglioramenti all'algoritmo. In primo luogo, viene eseguita un'analisi di sensibilità dei parametri impostati esternamente e la scelta degli iperparametri funzionali appropriati è chiaramente motivata. In secondo luogo, viene proposto un aggiornamento al rilevamento dell'inizio del segnale, utilizzando la quantità di moto statistica del sesto ordine, le tecniche di rilevamento del superamento della soglia e un rapporto segnale/rumore. Infine, viene eseguita una valutazione di una RNA per determinarne il potenziale rispetto al caso di riferimento di RF. L'algoritmo viene testato rispetto a segnali su sfondi diversi e vengono raggiunti i livelli di precisione desiderati per tutti loro. L'onere computazionale è sufficientemente basso da essere soddisfacente, ma lascia spazio a ulteriori miglioramenti.