Feature-Analyse zur Klassifikation von Teilentladungen bei Gleichspannungsbeanspruchung mit Machine Learning

Abstract:
Für eine sichere Energieversorgung mit elektrischer Energie ist es essentiell die elektrischen Betriebsmittel des Energieversorgungsnetzes zu überwachen und den Zustand festzustellen. Einer der wichtigsten dieser Diagnosemethoden ist die Teilentladungsmessung. Diese Messmethode und die Interpretation der Messdaten ist im Bereich der Wechselspannungstechnik international anerkannt und etabliert. Aufgrund aktueller Veränderungen im Bereich der Energieversorgung kann ein Trend weg von der klassischen Übertragung mit Wechselspannung hin zur Übertragung mit Gleichspannung beobachtet werden. Diese Veränderungen macht es notwendig die etablierten Messverfahren auch für Gleichspannung umzusetzen. Viele der Interpretationsmethoden können jedoch nicht direkt übernommen werden, weshalb neue Verfahren entwickelt werden müssen. Die Interpretation kann mit Hilfe von Machine Learning automatisiert erfolgen, was vor allem bei einer kontinuierlichen Überwachung viele Vorteile mit sich bringt. Derartige Systeme stehen bereits für Wechselspannung, jedoch noch nicht für Gleichspannung, zur Verfügung. Die wichtigsten Schritte des maschinellen Lernens (Machine Learning) sind die Feature-Extrahierung und -Analyse. Dabei werden Merkmale (Features) aus den gemessenen Rohdaten extrahiert, anhand derer die Klassifikation und Interpretation der Messdaten erfolgt. Diese Features müssen hierzu signifikant sein und die verschiedenen Teilentladungsdefekte voneinander unterscheidbar machen.