Predykcja uszkodzeń w urządzeniach energetycznych z wykorzystaniem zaawansowanych technik uczenia maszynowego

W artykule poruszono tematykę predykcji uszkodzeń w urządzeniach energetycznych z wykorzystaniem zaawansowanych technik uczenia maszynowego. Dotychczasowa analiza przebiegów pozyskanych z rejestratorów zakłóceń instalowanych w urządzeniach elektroenergetycznej automatyki zabezpieczeniowej (EAZ) opierała się na wiedzy eksperckiej. Przebiegi pozyskane w wyniku wystąpienia zakłócenia były analizowane przez specjalistę lub zespół ekspertów i na tej podstawie wyciągano wnioski i rekomendowano działania profilaktyczne. Tradycyjne formy oprogramowania do analizy danych nie były przystosowane do obsługi takiego poziomu złożoności i skali analizowanych zjawisk, dlatego w ramach prac badawczych podjęto próbę wykorzystania systemów, narzędzi i aplikacji zaprojektowanych do analizy zbiorów danych z wykorzystaniem technik uczenia maszynowego. Dzięki temu podejściu osiągnięto wysoką dokładność predykcji uszkodzeń urządzeń energetycznych.

---

This article addresses the issue of predicting faults in power equipment through the use of machine learning techniques. Previous analyses of waveforms obtained from disturbance recorders installed in power utility devices relied on expert knowledge. The waveforms resulting from disturbances were analyzed by a specialist or a team of experts, and conclusions were drawn and preventive actions recommended based on this analysis. Traditional forms of data analysis software were not equipped to handle such a level of complexity and the scale of the phenomena analyzed, therefore, within the framework of research work, an attempt was made to utilize systems, tools, and applications designed for data set analysis using machine learning techniques. This approach has achieved high accuracy in predicting faults in power equipment.