Detekce oblouku ve střídavých obvodech

Abstract

Cílem této práce je vyvinout detekční algoritmus pro detekci střídavého oblouku v zařízeních AFDD s využitím přímé digitalizace a strojového učení. Cena obvodů pro rychlou přímou digitalizaci stále v posledních letech klesá a očekává se pokračování tohoto trendu. Proto bude možné použití přímé digitalizace v zařízeních pro detekci oblouku AFDD. Hlavním cílem práce je analýza oblouku ve vhodných oblastech a návrh metody detekce založené na strojovém učení s učitelem. Pro analýzu byla provedena měření podle standardu IEC62606. Po analýze byla tato data použita pro návrh algoritmu strojového učení s učitelem k dosažení úspěšné detekční schopnosti. Hlavním přínosem práce k výzkumu detekce oblouku je: 1. optimalizovaný algoritmus pro detekci, který může být použit v existujících řešeních a v řešení navrženém v této práci 2. nástroj pro automatizovaný výběr příznaků, který je v existujících řešeních prováděn heuristicky

This thesis aims to propose a detection algorithm for AC Arc Fault Detection Devices(AFDD) using direct digitization and supervised machine learning algorithms. The price of high frequency, direct digitization devices have been steadily decreasing in recent years and it is expected that this trend will continue in the future. Therefore, data processing using direct digitization is becoming feasible method to use in AC arc fault detection devices. The main purpose of this thesis is to analyze arc faults in suitable domains and to propose a method for detection based on supervised machine learning algorithms. In order to analyze arc faults, measurements were gathered according to IEC62606 standards. After suitable analysis, this data was then used to design supervised machine learning algorithms to achieve successful detection performance. In particular, the main contributions of the thesis to arc fault detection research are as follows: 1. An optimized algorithm for detection that can be utilized both in existing solutions and in the proposed solution in this thesis 2. An automated feature selection tool from current waveforms that is done heuristically in existing solutions.