Iranian Electric Industry Journal of Quality and Productivity

fa تفکیک منابع تخلیه جزئی در کابلهای فشارقوی با رویکرد مبتنی بر موجک و الگوریتم‌های هوشمند Discrimination of Partial Discharge Sources in High-Voltage Cables Using Wavelet-Based Intelligent Algorithms. برق و کامپیوتر پژوهشي Research در این پژوهش، در جهت افزایش بهره‌وری سیستم کابل‌های فشارقوی، روشی جامع و کم‌هزینه برای طبقه‌بندی و تحلیل سناریوهای مختلف تخلیه جزئی (PD) در کابل‌های قدرت ارائه شده است که مبتنی بر ترکیب تکنیک‌های پردازش سیگنال، استخراج ویژگی‌های فیزیکی - آماری و یادگیری ماشین می‌باشد. به‌منظور تولید داده‌های آموزشی، از مدل‌سازی دقیق ساختار کابل با استفاده از نرم‌افزار COMSOL بهره گرفته شد و سناریوهای متنوعی شامل حالت کابل یکپارچه سالم، وجود  مفصل در طول کابل، وجود تخلیه‌های جزئی تک‌منبعی (۱ تا ۴ حفره) و ترکیبی (وجود مفصل همراه با  عیوب چند حفره مولد تخلیه جزئی) شبیه‌سازی شدند. سپس با تحلیل پاسخ گذرای کابل در حضور ناپیوستگی‌های مختلف، ویژگی‌های رفتاری سیگنال‌های بازتابی استخراج و به الگوریتم یادگیری ماشین معرفی شد تا الگوی اثرگذاری هر سناریو بر ساختار سیگنال شناسایی گردد. در ادامه، مدل پیشنهادی آموزش داده شده و عملکرد آن در شرایط مختلف از نظر دقت طبقه‌بندی، پایداری و توان تعمیم‌پذیری مورد ارزیابی قرار گرفت. در مجموع، نتایج نشان می‌دهند که ترکیب تحلیل سیگنال بازتابی با شاخص‌های زمانی-فرکانسی و الگوریتم یادگیری ماشین SVM می‌تواند چارچوبی دقیق، پایدار و تفسیرپذیر برای طبقه‌بندی سناریوهای PD ارائه دهد. این روش قابلیت به‌کارگیری در سامانه‌های پایش وضعیت کابل‌های قدرت، حتی در شرایط نویزی یا داده‌های محدود را داراست.   In this study, a comprehensive and cost-effective approach is proposed for classifying and analyzing various partial discharge (PD) scenarios in high-voltage power cables, aiming to enhance system efficiency. The methodology integrates signal processing techniques, extraction of physical-statistical features, and machine learning algorithms. To generate training data, detailed modeling of the cable structure was performed using COMSOL software, simulating diverse scenarios including: a healthy integrated cable, presence of a joint along the cable, single-source PDs (1 to 4 cavities), and combined cases involving joints with multiple cavity defects generating discharges. Subsequently, by analyzing the cable’s transient response under different discontinuities, the reflective signal patterns were characterized and fed into a machine learning model to identify the impact pattern of each scenario. The proposed model was then trained and evaluated in terms of classification accuracy, stability, and generalization capability. Overall, the results demonstrate that the combination of reflective signal analysis with time-frequency indicators and a support vector machine (SVM) algorithm provides a precise, robust, and interpretable framework for PD scenario classification. This method is suitable for deployment in power cable condition monitoring systems, even under noisy environments or limited data conditions. تخلیه جزئی, کابل فشارقوی, تبدیل موجک گسسته (DWT), یادگیری ماشین, تحلیل زمان-فرکانس, ماشین بردار پشتیبان (SVM), استخراج ویژگی‌ها. Partial Discharge, High-Voltage Cable, Discrete Wavelet Transform (DWT), Machine Learning, Time-Frequency Analysis, Support Vector Machine (SVM), Feature Extraction. 1 15 http://ieijqp.ir/browse.php?a_code=A-10-1642-1&slc_lang=fa&sid=1 Omid Sabarshad امید سبارشاد omid.sabarshad@email.kntu.ac.ir 0072339195 10031947532846007538 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Asghar Akbari اصغر اصغر اکبری akbari@kntu.ac.ir 1291856420 10031947532846007539 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی