Self-supervised learning-based Partial Discharge Diagnosis in Gas-insulated Switchgear
Rattachement africain : kr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Deep neural networks have shown remarkable efficacy for partial discharge (PD) faults classification in power systems, playing a crucial role in the maintenance of electrical equipment. However, when labeled data for fault classification is insufficient in power systems, the performance of existing classification methods suffers significantly. To address this challenge, this study proposes a self-supervised learning (SSL) for PD classification in gas-insulated switchgear (GIS). The proposed SSL approach is validated using phase-resolved PD and on-site noise data obtained from an ultra-high frequency (UHF) PD measurement system. Experimental results show that the proposed SSL method achieves high classification accuracy by using unlabeled data to enhance classification performance in GIS.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Self-supervised learning-based Partial Discharge Diagnosis in Gas-insulated Switchgear
- Date Crossref
- 05/08/2024
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Korea National University of Transportation pays non établi dans la noticeUniversité ou école supérieure
-
Korea Electrotechnology Research Institute pays non établi dans la noticeOrganisation à but non lucratif
-
Genad System pays non établi dans la noticeInstitution
Korea National University of Transportation, Korea Electrotechnology Research Institute et Genad System.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.