Vergleich von Merkmalen und Klassifikatoren für eine automatisierte Auswertung von Teilentladungsmustern

Abstract:
Die Messung von Teilentladungen (TE) ist eine etablierte Methode zur Zustandsbewertung der Isolation von Leistungstransformatoren. Eine einzelne kurzzeitige Diagnosemessung gibt aber häufig kein vollständiges Bild über den Zustand des Betriebsmittels. Für ein kontinuierliches Monitoring ist die manuelle Auswertung durch einen Experten aber aufgrund der großen Datenmenge nicht praktikabel. Um die anfallenden Messdaten automatisiert analysieren und bewerten zu können wurden in der Vergangenheit bereits verschiedene Verfahren untersucht. Die Grundlage vieler Verfahren ist die Klassifizierung der PRPD-Mustern anhand bestimmter Merkmale. Mit diesen Merkmalen wird ein Klassifikator trainiert. Der Klassifikator kann dann ähnliche der bereits gelernten Muster erkennen und entsprechend zuordnen. In den letzten Jahren wurden in der Literatur neue Merkmalsarten vorgestellt und mit neuen Methoden des maschinellen Lernens kombiniert. Bisher wurde jedoch kein umfassender Vergleich der verschiedenen Verfahren präsentiert. In dieser Arbeit werden mehrere Klassifikationsverfahren miteinander verglichen. Dabei werden verschiedene Merkmale und Klassifikatoren miteinander kombiniert und auf ihre Erkennungsrate hin untersucht. Die betrachteten Merkmale sind neben statistischen Merkmalen auch Wavelet Merkmale sowie Pixeldaten aus den PRPD-Mustern. Als Klassifikatoren kommen „Nearest Neighbor“, „Support Vector Machines“, „Random Forest“ und neuronale Netze zum Einsatz. Dabei zeigen sich zum Teil starke Unterschiede zwischen den verwendeten Merkmalen und Klassifikatoren. Zusätzlich wird der Einfluss der Qualität von Trainingsdaten auf die Klassifikationsergebnisse untersucht.