%0 Conference Paper %1 adam2018klassifikation %A Adam, Benjamin %A Beltle, Michael %A Tenbohlen, Stefan %B ETG-Fb. 157: VDE-Hochspannungstechnik %D 2018 %I VDE-Verlag %K %N 157 %T Klassifikation von TE-Messungen unter Ausnutzung des vollständigen Informationsgehalts %X Werden zur Klassifikation von Teilentladungen (TE) Diagramme wie das phase resolved partial discharge diagram (PRPD) oder die Pulse Sequenz Analyse (PSA) benutzt, so enthalten diese nie den vollen Informationsgehalt der Mes-sung. Beim PRPD wird die Zeitinformation, beim PSA die Phaseninformation ignoriert. Für eine Bewertung durch menschliche Experten ist dies von Vorteil, da die Menge an Informationen so beherrscht werden kann. Computerge-stützte Systeme sind auf diese Reduktion und Abstraktion der Informationen nicht angewiesen. In dieser Arbeit wird ein neues Verfahren vorgestellt, mit dem gemessene Teilentladungen direkt klassifiziert werden können. Dabei werden di-rekt die von TE-Messgerät gelieferten Daten ohne Vorverarbeitung genutzt. Das Messgerät liefert die Daten in Form einer sequenziellen Liste mit der Zeit-, Ladungs- und Phaseninformation für jeden gemessenen Impuls. Um diese Art von Daten zu klassifizieren kommt ein neuronales Netz in Form von Long Short-Term Memory zum Einsatz. Bei einem Datensatz von künstlichen, im Labor aufgenommenen TE-Messungen erreicht dieser Klassifikator eine Genauigkeit von 99,9%.Abstract If PRPD or PSA diagrams are used for classification of partial discharge (PD), they never contain the full information content of the measurement data. The PRPD ignores the time information and the PSA ignores the phase information. For evaluation by human experts this is advantageous, because the vast amount of information has to be limited for hu-man use. Computer-based systems are not reliant on this kind of reduction and abstraction of the information. In this work, a new technique for direct classification of partial discharges is presented. For this method, the data provided by the PD measurement system is used directly without pre-processing or reduction. The measurement system provides the data in form of a sequential list with time-, charge- and phase-information for each measured impulse. To classify this kind of data, a long short-term memory neural network is used. For a dataset of artificial PD-measurements, recorded in the laboratory, this classifier achieves an accuracy of 99.9% %@ 978-3-8007-4807-5

@inproceedings{adam2018klassifikation, abstract = {Werden zur Klassifikation von Teilentladungen (TE) Diagramme wie das phase resolved partial discharge diagram (PRPD) oder die Pulse Sequenz Analyse (PSA) benutzt, so enthalten diese nie den vollen Informationsgehalt der Mes-sung. Beim PRPD wird die Zeitinformation, beim PSA die Phaseninformation ignoriert. Für eine Bewertung durch menschliche Experten ist dies von Vorteil, da die Menge an Informationen so beherrscht werden kann. Computerge-stützte Systeme sind auf diese Reduktion und Abstraktion der Informationen nicht angewiesen. In dieser Arbeit wird ein neues Verfahren vorgestellt, mit dem gemessene Teilentladungen direkt klassifiziert werden können. Dabei werden di-rekt die von TE-Messgerät gelieferten Daten ohne Vorverarbeitung genutzt. Das Messgerät liefert die Daten in Form einer sequenziellen Liste mit der Zeit-, Ladungs- und Phaseninformation für jeden gemessenen Impuls. Um diese Art von Daten zu klassifizieren kommt ein neuronales Netz in Form von Long Short-Term Memory zum Einsatz. Bei einem Datensatz von künstlichen, im Labor aufgenommenen TE-Messungen erreicht dieser Klassifikator eine Genauigkeit von 99,9%.Abstract If PRPD or PSA diagrams are used for classification of partial discharge (PD), they never contain the full information content of the measurement data. The PRPD ignores the time information and the PSA ignores the phase information. For evaluation by human experts this is advantageous, because the vast amount of information has to be limited for hu-man use. Computer-based systems are not reliant on this kind of reduction and abstraction of the information. In this work, a new technique for direct classification of partial discharges is presented. For this method, the data provided by the PD measurement system is used directly without pre-processing or reduction. The measurement system provides the data in form of a sequential list with time-, charge- and phase-information for each measured impulse. To classify this kind of data, a long short-term memory neural network is used. For a dataset of artificial PD-measurements, recorded in the laboratory, this classifier achieves an accuracy of 99.9%}, added-at = {2023-08-31T16:38:14.000+0200}, author = {Adam, Benjamin and Beltle, Michael and Tenbohlen, Stefan}, biburl = {https://puma.ub.uni-stuttgart.de/bibtex/2b9b9e3845575e3b8c717d5b7a93bcacf/puma-wartung}, booktitle = {ETG-Fb. 157: VDE-Hochspannungstechnik}, eventdate = {2018-11-12/2018-11-14}, eventtitle = {VDE-Hochspannungstechnik 2018 - ETG-Fachtagung}, interhash = {548d756958f1da689917d584742b79e5}, intrahash = {b9b9e3845575e3b8c717d5b7a93bcacf}, isbn = {978-3-8007-4807-5}, keywords = {}, language = {ger}, number = 157, publisher = {VDE-Verlag}, series = {ETG-Fachberichte}, timestamp = {2023-08-31T14:38:14.000+0200}, title = {Klassifikation von TE-Messungen unter Ausnutzung des vollständigen Informationsgehalts}, venue = {Berlin}, year = 2018 }