Ein Energie- und Leckstromüberwachungssystem zur Erkennung von Anomalien in Elektrogeräten | Wissenschaftliche Berichte

Aug 17, 2025

Scientific Reports Band 12, Artikelnummer: 18520 (2022) Zitieren Sie diesen Artikel

6549 Zugriffe

19 Zitate

Metrikdetails

Unsichere Elektrogeräte können für Menschen gefährlich sein und elektrische Brände verursachen, wenn sie nicht überwacht, analysiert und kontrolliert werden. Ziel dieser Studie ist es, den Systemzustand, einschließlich der elektrischen Eigenschaften der Geräte, zu überwachen und Fehlerzustände zu diagnostizieren, ohne Sensoren an einzelnen Geräten einzusetzen und die Daten einzelner Sensoren zu analysieren. Anhand historischer Daten und eines akzeptablen Bereichs von Normal- und Leckströmen haben wir ein Hybridmodell entwickelt, das auf mehrklassigen Support Vector Machines (MSVM) basiert und mit einem regelbasierten Klassifikator (RBC) integriert ist, um die Veränderungen der Leckströme durch installierte Geräte zu einem bestimmten Zeitpunkt zu bestimmen. Zu diesem Zweck haben wir ein sensorbasiertes Überwachungsgerät mit Fernkommunikation entwickelt, um Echtzeitdaten in einer Cloud-Datenbank zu speichern. Im Modellierungsprozess wird der RBC-Algorithmus zur Diagnose von Gerätefehlern und Überstromfehlern verwendet, während MSVM zur Erkennung von Leckstromfehlern eingesetzt wird. Für einen Praxistest wurde das entwickelte Gerät in mehrere Häuser integriert. Die Ergebnisse belegen die Wirksamkeit des vorgeschlagenen Systems hinsichtlich der Überwachung und Erkennung der elektrischen Sicherheit. Alle gesammelten Daten wurden in einer strukturierten Datenbank gespeichert, auf die per Internet zugegriffen werden kann.

In den letzten Jahren hat die Zahl der Elektrobrände deutlich zugenommen, da immer mehr Elektrogeräte in die Stromverteilungssysteme eindringen. In den USA sind Koch- und Heizgeräte die dritthäufigste Brandursache in Haushalten und machen 10 % aller Brandfälle aus.1 In den letzten Jahren haben Elektrobrände aufgrund von Ausfällen, Fehlfunktionen oder Funktionsstörungen elektrischer Geräte zu zahlreichen Opfern und Schäden geführt. Da die Isolierung alter oder beschädigter Geräte verschleißt, fließt ein erhöhter Reststrom durch die Geräte. Dadurch entsteht an einer bestimmten Stelle enorme Hitze, die zum Verbrennen der Isolierung führen kann. Dies führt zu einem Kurzschluss, der für die meisten Brände an Elektrogeräten verantwortlich ist.1 Diese versteckte Gefahr lässt sich durch die schnelle Erkennung der Fehlerursachen in Geräten mithilfe von Dauerüberwachungs- und Warnsystemen wirksam beseitigen. Ein Fehlerstrom-Schutzschalter (RCD), der bei einem festgelegten Schwellenwert auslöst, ist ein gängiges und beliebtes Gerät zur Erkennung von Leckströmen. Neben der Schutzschalterfunktion (CB) gibt es keine Überwachungssysteme zur Erkennung des Zustands defekter Geräte.

Die Lastüberwachung hat aufgrund des rasanten Wachstums der IoT- und Cloud-Computing-Technologien2 ein neues Zeitalter erreicht. Darüber hinaus ist sie eine wichtige Technologie zur Bewertung der Gerätenutzung und des Verbrauchs, zur Einrichtung eines effizienten, energiebewussten Betriebs und zur Diagnose ungewöhnlicher elektrischer Aktivitäten in Geräten3. Intelligente Steuerungs-, Überprüfungs- und Alarmfunktionen für einzelne Geräte könnten deren Aktivitäten einfach erfassen und bieten somit eine praktikable Lösung für eine erweiterte elektrische Sicherheitsüberwachung. Daher wurden Geräte zur Überwachung und Erkennung von Elektrobränden entwickelt und als wirksamste Instrumente zur Vorbeugung und Bekämpfung von Elektrobränden eingesetzt4. Mit dem zunehmenden Bewusstsein der Menschen für elektrische Sicherheitsprobleme besteht zudem ein wachsender Bedarf an der Überwachung des Zustands bestimmter Elektrogeräte3,5. Daher sind die kontinuierliche Überwachung und Analyse der entsprechenden Parameter eine mögliche Lösung, um sicherzustellen, dass sich die Geräte in einem sicheren und betriebsbereiten Zustand befinden.

In6 wird das ZigBee-basierte Energieüberwachungssystem in erneuerbaren Energien und Smart-Home-Systemen eingesetzt, wo Sensorknoten entwickelt werden, um Schaltanwendungen durchzuführen und Leistungsparameter zu messen. Durch die Integration der WiFi-Technologie entwickelten Martani et al.7 zeitreihenbasierte Systeme zur Überwachung des Energieverbrauchs unter Berücksichtigung menschlicher Aktivitäten und Belegung, und ElShafee et al.8 konzentrierten sich auf das Smart-Home-System.

In ihren Studien wurde das Leckstromüberwachungssystem, das der Schlüsselparameter zur Diagnose des Zustands eines Elektrogeräts ist, nicht berücksichtigt. Darüber hinaus konzentrierten sich die Autoren bei der Betrachtung des Überwachungsproblems in Fabriken9, PV-Systemen und Smart Cities auf Datenkommunikationssysteme mit großer Reichweite (LoRa). In den meisten Fällen wird das Verhalten von Elektrogeräten jedoch nicht überwacht und anhand von Leckstrom und Isolationswiderstand diagnostiziert. Um das Verhalten der Geräte zu verstehen, wurden verschiedene Arten von lastkategorisierten Ansätzen (wie semi-intrusive, intrusive und nicht-intrusive Ansätze) unter Berücksichtigung der entsprechenden Parameter10,11,12 angewendet. Daher hängt der Leckstrom des Geräts von verschiedenen Parametern ab, wie der angelegten Spannung, der Isolierung und den Umgebungsbedingungen. In13 werden die Leckstromeigenschaften des Geräts auf Grundlage des nicht-intrusiven Ansatzes analysiert, bei dem das Gerät in den Systemen eingesetzt wird, ohne Kommunikations-Gateway-Protokolle zu berücksichtigen. In 14 wurde die Zeitbereichswellenform des Leckstroms der verschiedenen Isolatorketten in Abhängigkeit von den Wetterbedingungen überwacht, wobei kein besonderer Kommunikationsansatz zur Datenerfassung verwendet wurde. Bei Hochspannungsisolatoren wird ein alternativer Ansatz (d. h. Funkdiensttechnologie) verwendet, um Daten mithilfe optoelektronischer Sensoren zu senden15. In 16 wurde die Leckstromüberwachung für Freiluftisolatoren und Verteilungsüberspannungsableiter durchgeführt, wobei anstelle eines Datenservers die LabVIEWTM-Plattform zur kontinuierlichen Überwachung und Datenverarbeitung verwendet wurde. Allerdings werden die Frequenz- und Zeitbereichsanalyse von Leckfluss und -strom verwendet, um einen nicht-intrusiven Ansatz zur Identifizierung und Unterscheidung von Feldwicklungs- und Dämpferfehlern beim Motorstart zu entwickeln17. Außerdem werden die auf Ereigniserkennung basierenden nicht-intrusiven Lastüberwachungsmethoden3,13 angewendet, um die Schäden der Geräte zu identifizieren. In der Literatur wurden einige Geräte und die entsprechenden Wirk- und Blindleistungsprofile zu ihrer Identifizierung verwendet. Da die Durchsickerung dieser Geräte jedoch häufiger vorkommt, ist es schwierig, für alle Gerätetypen dasselbe Verfahren anzuwenden. Daher ist das Schema ohne Berücksichtigung eingehender (neuer) Lasten im angewandten System nicht mehr wichtig. Um das Problem der diskriminierenden Klassifikation des Leckstroms zu mildern, wird im System der vorgeschlagene Algorithmus zur Zustandserkennung verwendet.

Nach Jahren der Verbesserung wurden verschiedene Methoden der künstlichen Intelligenz entwickelt. Unter diesen zahlreichen Methoden haben sich Support Vector Machine (SVM)18,19, neuronale Netzwerke20 und K-Nearest Neighbor21 zu wichtigen Themen in der Fehlererkennung entwickelt. SVM könnte theoretisch mithilfe von Konzepten der Lerntheorie analysieren. Der Vorteil der SVM gegenüber anderen Techniken des maschinellen Lernens besteht darin, dass sie das strukturelle Klassifizierungsrisiko des Trainingsklassifikators minimiert, während andere Techniken eine empirische Risikominimierung durchführen. Darüber hinaus hat sie das Potenzial, verschiedene große Klassifizierungsprobleme mit großen Merkmalsräumen zu bewältigen und kann in praktischen Problemen eine praktikable Leistung erzielen. Das vorgeschlagene System könnte jedoch aufgrund der dynamischen Eigenschaften elektrischer Geräte nicht mit der auf unüberwachtem Lernen basierenden Methode umgehen.

Das SVM wird angewendet, um den fehlerhaften Zustand von Leistungsschaltern (CB) anhand historischer Schwingungsmessdaten zu erkennen22. Liu et al. haben ein hybrides Defektdiagnosemodell für Geräte zur Überwachung der Wasserqualität basierend auf mehrklassigen Support Vector Machines (MSVM) vorgeschlagen23. Zur Diagnose des fehlerhaften Zustands eines dreiphasigen Induktionsmotors mit einem externen Rotor-Lager-System haben Gangsar et al. den MSVM-Algorithmus angewendet, wobei die Merkmale aus den Strom- und Schwingungssignalen im Zeitbereich gewonnen werden24. Durch Verwendung von Merkmalen aus zwischenharmonischen Spannungen identifiziert das MSVM die Fehlerpositionen innerhalb der fehlerhaften Zone25. Daher haben Kazemi et al. das erweiterte Kalman-Filter-basierte SVM-Modell entwickelt, um die dreiphasigen Restströme in der Primärwicklung eines Transformators zu klassifizieren, wobei drei Restsignale als Abweichungen zwischen den gemessenen und geschätzten dreiphasigen Strömen definiert sind26. ESlami et al. übernahm SVM zur Erkennung von Lichtbogenfehlern mit hoher Impedanz in einem integrierten Mikronetz zur dezentralen Stromerzeugung, wobei die Hauptkomponentenanalyse und die Pearson-Korrelationskoeffiziententechnik zum Verkleinern bzw. Auswählen von Merkmalen verwendet wurden27. Das Ref28 bietet einen auf k-Means basierenden Klassifizierungsalgorithmus zum Auffinden von Anomalien im Reststrom eines Solarsystems. Zur Erkennung von Reststromfehlern in Niederspannungsverteilungsnetzen wird ein kooperatives Trainingsklassifizierungsmodell basierend auf einer verbesserten Squirrel-Suchmethode für ein halbüberwachtes SVM und dem k-nächsten Nachbarn angewendet29. Eine auf kleinsten Quadraten basierende Schutzstrategie-SVM wird für Reststrom und Berührungsstrom entworfen und entwickelt30. Alle zuvor genannten Studien befassen sich mit verschiedenen SVM-basierten Strategien zur Fehlererkennung in verschiedenen Systemen, wobei das vorgeschlagene System regelbasierte Klassifikatoren zur Erkennung von Sensorfehlern und Laststromfehlern entwickelte und MSVM für Leckstromfehler durch geeignete Klassifizierung in einer Haushaltsumgebung angewendet wird. Alle zuvor genannten Studien konzentrieren sich auf SVM-basierte Fehlererkennungsalgorithmen für verschiedene Systeme. Im Gegensatz dazu entwickelte das vorgeschlagene System regelbasierte Klassifikatoren (RBC) zum Erkennen von Sensorfehlern und Laststromfehlern, während MSVM durch entsprechende Klassifizierung für Leckstromfehler in einer Haushaltsumgebung verwendet wird.

Architektur des vorgeschlagenen Systems.

In dieser Studie schlagen wir ein Fehlererkennungs- und Überwachungssystem für Elektrogeräte auf Basis von RBC und MSVM vor. Wir entwerfen und bauen einen mikrocontrollerbasierten LoRa-Sensorknoten zur Datenerfassung aufgrund des geringen Stromverbrauchs und der großen Reichweite LoRa-basierter Kommunikationsnetzwerke. Wir integrieren außerdem einen AC/DC-Abwärtswandler zur Stromversorgung des Sensors. Anschließend werden Systemfehler in Echtzeit vom RBC-MSVM-Modell erkannt. Dies ist zudem der erste Versuch, RBC und MSVM zur Fehlererkennung in elektrischen Systemen zu integrieren, was zur Weiterentwicklung von Überwachungssystemen in Elektrogeräten beiträgt. Anders als in früheren Studien sind die Überwachungssysteme insbesondere in vielen Elektrogeräten nicht mehr eingeschränkt. Da elektrische Eigenschaften leicht interpretiert werden können, wird dieser Cloud- und klassifizierungsbasierte Ansatz zur kontinuierlichen Überwachung in vielen elektrischen Systemen bevorzugt. Im Gegensatz zu anderen bestehenden Sicherheitsvorrichtungen wie RCDs, Leitungsschutzschaltern und Kompaktleistungsschaltern wird dadurch der gefahrlose Betrieb des elektrischen Systems gewährleistet. Im Gegensatz dazu erkennt das vorgeschlagene System Leckstromfehler, indem es diese anhand von Korrelationen und zulässigen Grenzwerten klassifiziert und differenziert, die aus einer großen Menge historischer Daten im entsprechenden System gewonnen wurden. Der zulässige Bereich variierte je nach Systembedingungen; daher erkennt das vorgeschlagene System dieses Problem aufgrund seiner höheren Präzision.

Die Vorteile des vorgeschlagenen Frameworks liegen in der Erfassung aller möglichen elektrischen Parameter mit einem einzigen Gerät. Das eingesetzte LoRa-Modul ermöglicht Fernkommunikation. Der Datenserver bietet wichtigen Speicherplatz für die Verarbeitung großer Datenmengen einer großen Nutzerzahl. Die Anwendung der vorgeschlagenen Technik zur Klassifizierung von Normalstrom und Leckstrom hilft bei der Identifizierung von Brandursachen in den Systemen. Die Echtzeit-Erkennungsstrategie ermöglicht dank der Implementierung einer mehrstufigen Klassifizierung die Erkennung des Systemzustands, bevor schwere Schäden auftreten. Dank des Webservers kann der Nutzer den aktuellen Gebäudezustand überwachen und erkennen. Die wichtigsten Beiträge unserer Arbeit sind: Ein integriertes Sicherheitsüberwachungsgerät (SMD) auf LoRa-Basis wurde entwickelt und konzipiert, mit dem die elektrischen Parameter gemessen werden können. Ein sensitivitätsbasierter Algorithmus wird implementiert, um den Systemzustand durch die Bereitstellung von Warnspezifikationen zu beobachten und zu definieren. Eine reibungslose Koordination wird durch eine cloudbasierte Steuerungs- und Verwaltungsarchitektur zur Visualisierung, Überwachung und Speicherung von Echtzeitdaten ermöglicht. Ein RBC-MSVM-basierter Klassifikator wird zur Untersuchung des Systemzustands eingesetzt, wobei die Merkmalsauswahlmethode zur Erzielung einer höheren Genauigkeit angewendet wurde.

Dieses Manuskript ist wie folgt gegliedert: Der Abschnitt „Methodik“ behandelt die Modellierung des vorgeschlagenen Systems, wie z. B. Gerätekonstruktion, mathematische Modellierung und Erkennungsmechanismus. Der Abschnitt „Ergebnisse und Diskussion“ enthält die Simulationsergebnisse sowie die dazugehörigen Erläuterungen. Die Schlussfolgerungen zum vorgeschlagenen System finden sich im Abschnitt „Fazit“.

Rahmen der vorgeschlagenen Methodik.

Das vorgeschlagene System konzentriert sich auf die Reduzierung von Bränden, die durch Elektrogeräte an jedem Ort verursacht werden, durch schnelle, zuverlässige Überwachung und den Einsatz eines Kontrollsystems. Der Rahmen des vorgeschlagenen Systems ist in Abb. 1 dargestellt; der Prozess umfasst die Zusammenarbeit zwischen SMDs, Gateway-Systemen, Cloud-Servern, Datenbanken, Erkennungsalgorithmen und Visualisierung. SMDs werden zur Datenerfassung verwendet, wie in Abb. 1 dargestellt, und andere notwendige Funktionen werden aus den Daten berechnet. Die Daten jedes Verbrauchers werden über mehrere LoRa-Gateway-Kanäle übertragen und in unregelmäßigen Abständen auf einen Cloud-Server hochgeladen. Der vorgeschlagene Algorithmus kategorisiert die Daten dann basierend auf dem akzeptablen Bereich des Leckstroms und der Anzahl aktiver Geräte. Aufgrund der steigenden Anzahl installierter SMDs werden die Daten von verschiedenen Orten auf der Cloud-Plattform gespeichert und analysiert. Anschließend haben wir den vorgeschlagenen RBC-MSVM-Algorithmus angewendet, um die Anomalien des Systems zu identifizieren.

Schematischer Aufbau der Sicherheitsüberwachungseinrichtung.

Abbildung 2 zeigt einen Überblick über die vorgeschlagene Methodik und demonstriert den Fluss der Sensordaten und Informationen zur Cloud-Datenbank. Das System ist in drei Teile gegliedert: das Gerät, die Datenbank und die Analyse. Der Gerätebereich ist für die Datenerfassung und -übertragung an den Datenserver über das LoRa-Modul zuständig. Der Datenbankbereich sammelt und speichert Sensordaten in der Datenbank. Im Analysebereich wurde die Beziehung zwischen verschiedenen Variablen ausgewertet, um die hohe Färbung zu identifizieren. Anhand der Gerätespezifikationen der Haushalte haben wir den zulässigen Leckstrom ermittelt, um die Systemanomalien zu klassifizieren. Der vorgeschlagene Algorithmus ermittelt durch Untersuchung der historischen Daten den aktuellen Sachverhalt in Bezug auf das bestehende Systemproblem. Darüber hinaus zeigt der Analysebereich die Echtzeit-Lastprofile, Leckstromprofile und den Systemzustand. Im folgenden Unterabschnitt wird die detaillierte Methodik mit weiteren relevanten Informationen beschrieben.

Das schematische Diagramm des elektrischen Sicherheitsüberwachungsgeräts ist in Abb. 3 dargestellt. Das Gerät ist für einen einphasigen Anschluss mit 220–380 V (AC) ausgelegt und hat die folgenden Abmessungen: Breite: 37,5 mm, Länge: 64,6 mm und Höhe: 38,2 mm. Das LoRa-Gerät enthält mehrere Sensoren, die elektrische Parameter wie Gesamtstrom, Klemmenspannung und Leckströme messen. Aus den Messdaten berechneten wir die jeweils benötigten Zusatzdaten wie Gesamtleistungsfluss, Energieverbrauch, Leistungsfaktor, ohmsche und kapazitive Leckströme sowie Isolationswiderstand. Darüber hinaus konstruieren wir ein mehrstufiges Warnsignal über den zulässigen Bereich von Gesamtstrom und Reststrom in Bezug auf die Kapazität des Leistungsschalters.

Die Mikrocontrollereinheit (MCU) STM32L übernimmt die gesamte Berechnung und Datenindizierung. Zur besseren analogen Datenerfassung werden in der Hardware Tiefpassfilter und Spannungsteiler verwendet. Darüber hinaus ist die STM32L MCU im vorgeschlagenen System in das LoRa-Transceiver-Gerät integriert, um unter normalen Bedingungen zu beobachten und Unterschiede zu erkennen. Das LoRa-System besteht aus Endgeräten, Gateways und einem Netzwerkserver, die eine Sterntopologie mit dem Netzwerkserver an der Wurzel, Gateways auf Ebene eins und Endgeräten als Blätter bilden. Die erfassten und gemessenen Informationen werden in jedem LoRa-Paket akkumuliert. Für die Übertragung des LoRa-Pakets wurde ein dedizierter Kanal in einem solchen Intervall zugewiesen, dass das Gerät im Normalbetrieb für einen bestimmten Zeitraum inaktiv bleibt, um den Stromverbrauch zu senken. Darüber hinaus überträgt das Gerät beim Übergang von normalen zu kritischen Bedingungen Daten in sehr kurzen Intervallen. Das verwendete LoRa-Modul (SX1276), das mit der MCU verbunden ist, sendet diese Datenpakete über die 902–928 MHz-Rundstrahlantenne mit einer maximalen Verstärkung von 2 dBi an das LoRa-Gateway-Modul. Das LoRa-Netzwerk arbeitet im Sub-GHz-Band für Industrie, Wissenschaft und Medizin mit maximalen Sendeleistungen von 21,7 dBm und 14 dBm in den USA bzw. Europa31. Die LoRa-Modulation (proprietäre Chirp-Spread-Spectrum-Modulation) verwendet verschiedene Arten von Paketen der physischen Schicht mit unterschiedlichen Zeitlängen, parametrisiert durch den sogenannten Spreizfaktor (SF), der Werte von \({SF \in \mathbb {Z} | 7 \le SF \le 12}.\) annehmen kann. Das LoRa-Gateway wird aufgrund seiner proprietären Großflächenabdeckung zur Erkennung von Fehlerorten über tausend Meter verwendet32. Der SF hängt von den Anforderungen der Kommunikationsreichweite ab, wobei ein niedriger SF-Wert eine geringe Abdeckung bedeutet und umgekehrt. Zur Speicherung der übertragenen Daten wird die Schnittstelle zwischen dem LoRa-Gateway und dem Netzwerkserver durch ein Mobilfunk-Internetprotokoll bereitgestellt, das das Standard-Transmission-Control-Protokoll (TCP) verwendet.

Situation für übermäßigen Leckstrom.

Arbeitsablauf des vorgeschlagenen Sicherheitsüberwachungsgeräts.

Abbildung 4 zeigt alle möglichen Ursachen für übermäßigen Leckstrom. Wir haben drei Szenarien demonstriert: einen Isolationsfehler zwischen Leitung und Erde, einen Isolationsfehler zwischen Leitung und Neutralleiter und einen Gerätefehler mit der Erde. Abbildung 5 zeigt das Anschlussdiagramm und den Arbeitsablauf des vorgeschlagenen Geräts, das am Eintrittspunkt einer Niederspannungsleitung (d. h. 220–380 V) in ein elektrisches System (z. B. Gebäude, Fabrik und Markt) eingesetzt wird. Wir berücksichtigen die dynamischen Eigenschaften der Lasten in den vorgeschlagenen Systemen, da elektrische Geräte je nach Bedarf des Verbrauchers ein- oder ausgeschaltet werden. Die Gesamtscheinleistung der Systeme kann für N Lasten wie folgt definiert werden:

wobei \(P_{i}\) und \(Q_{i}\) die Wirk- und Blindleistung des einzelnen Verbrauchers darstellen. Die Gesamtströme, die in die Verbraucher fließen (\(I_{T}(t)=I_{1}(t)+I_{2}(t)+ \cdots\)), ergeben sich daher wie folgt:

wobei \(I_{Xl,in}(t)\) und \(I_{Xc,in}(t)\) die induktiven bzw. kapazitiven Ströme der praktischen Last sind und \(I_{Zr,in}(t)= I_{T}(t)\cos \delta _{I,i}\) und \(I_{Xlc,in}(t)= I_{T}(t)\sin \delta _{I,in}\) der ohmsche bzw. induktive Strom sind, der durch den Stromkreis fließt. \(\delta _{I,in}\) wird auch als Leistungswinkel unter Normalbedingungen bezeichnet. Ebenso kann der Gesamtrückflussstrom \(I_{L,T}\) des Systems wie folgt definiert werden:

wobei \(I_{L,T}(t)\) als der gesamte Systemstrom definiert ist, der zum Stromsensor zurückfließt. \(I_{Zr,ot}(t)= I_{L,T}(t)\cos \delta _{I,ot}\) und \(I_{Xlc,o}(t)= I_{L,T}(t)\sin \delta _{I,ot}\) sind der ohmsche bzw. induktive Strom, der zum Stromkreis fließt. Betrachten wir ein Szenario des Systems, das in Abb. 5 erläutert wird.

Der gesamte Ableitstrom (\(I_{L}\)), der nach Berücksichtigung des Fehlerstroms aus dem angeschlossenen Gerät fließt, lässt sich wie folgt formulieren:

wobei die ohmschen und kapazitiven Leckströme als \(I_{rl}= I_{L}(t)\cos \delta _{L}\) bzw. \(I_{cl}(t)= I_{L}(t)\sin \delta _{L}\) definiert sind und \(\delta _{L}\) der Winkel zwischen \(I_{rl}\) und \(I_{L}(t)\) ist. Daher ist die Isolationsimpedanz (\(Z_{L}\)) gleich der LV-Busspannung \((V_{LV})\) geteilt durch den Leckstrom, der durch die Isolierung fließt.

Vektordiagramm zur Messung des Leckstroms.

Die Menge des Leckstroms ist im Vergleich zum Gesamtlaststrom sehr gering, da er nur während des Isolationsdurchbruchs über die hohe Isolationsimpedanz des defekten Geräts fließt. Abbildung 6 zeigt das Vektordiagramm zur Messung des Leckstroms, wobei die Leckstrommenge zur besseren Veranschaulichung als groß dargestellt wurde. Da der Laststrom im Vergleich zu \(I_L(t)\) so hoch ist, unterscheidet sich die insgesamt verbrauchte Energie unter Normalbedingungen nicht wesentlich.

Hardwarearchitektur des Sicherheitsüberwachungsgeräts.

Abbildung 7 zeigt das SMD-Gerätelayout. Es gibt zwei Stromsensoren und einen Spannungssensor. Ein Stromsensor misst den Gesamtstrom des Systems und der andere Sensor misst den Leckstrom des Systems. Zum Messen der Spannung sollten die Anschlüsse der beiden Drähte wie in Abbildung 5 gezeigt platziert werden. Zum Messen des Stroms wird der Stromsensor nur auf dem einzelnen Draht platziert, während beide Drähte in den Leckstromsensor eingeführt werden. Der Leckstromsensor misst tatsächlich die Differenz zwischen den beiden Strömen, die im Abschnitt „Mathematische Formulierung“ beschrieben wird. Zum Messen der Phasenverschiebung zwischen Spannung und Strom werden zwei Operationsverstärker zur Nulldurchgangserkennung verwendet. Anschließend werden beide Ausgänge als Eingang eines XOR-Gatters verwendet. Die Einschaltdauer des XOR-Ausgangs (d. h. die Zeitdifferenz zwischen zwei Phasen) wird verwendet, um die Phasenverschiebung zwischen Spannung und Strom zu bestimmen. Schließlich wird der Leistungsfaktor (pf) des Systems gemessen, der verwendet wird, um aktive und reaktive Komponenten des Stroms zu bestimmen.

wobei f und \(dt_{VI}\) als Frequenz bzw. XOR-Ausgangs-Einschaltdauer definiert sind. Zur Messung des Leckstroms wurde ein Leckstromsensor verwendet, der in Abb. 7 dargestellt ist. Anhand der Daten des Leckstrom- und Spannungssensors wird der Phasenwinkel (\(\delta _{L}\)) zwischen Leckstrom und Klemmenspannung berechnet. Anschließend werden der ohmsche und der kapazitive Leckstrom des Systems gemessen.

wobei f und \(dt_{VI_{L}}\) als Frequenz bzw. XOR-Ausgangs-Einschaltzeit definiert sind.

Um eine höhere Systemsicherheit zu gewährleisten, stehen drei Warntypen zur Verfügung. Die Überstromschutzwarnung basiert auf der Kapazität des eingesetzten Leistungsschalters, während eine mehrstufige Warnung für den Leckstromschutz durch Unterscheidung zwischen ohmschen und kapazitiven Fehlerströmen vorgesehen ist. Der fortlaufende Systemzustand SoS(t) für jeden Verbraucher wird unter Berücksichtigung des Systemzustands klassifiziert.

Im vorgeschlagenen Schema berücksichtigen wir die beiden Faktoren zur Klassifizierung des Zustands und die beiden anderen Faktoren zur Bestimmung des Gerätetyps. Abhängig von den unterschiedlichen Schwellenwertbereichen wird der Status als \(SoS\in \left\{ SoS_{I_{T}},SoS_{I_{L}},SoS_{I_{rl}},SoS_{I_{cl}}\right\}\) definiert. Die dynamischen Zustände der Geräte hinsichtlich Gesamtstrom und Ableitströmen werden aufgrund der vorgesehenen dreistufigen Warnung als \(SoS_{I_{T}}\in \left\{ SoS_{I_{T}}^{N},SoS_{I_{T}}^{W},SoS_{I_{T}}^{C}\right\}\), \(SoS_{I_{L}}\in \left\{ SoS_{I_{L}}^{N},SoS_{I_{L}}^{W},SoS_{I_{L}}^{C}\right\}\) definiert. Zur Bestimmung des Gerätetyps wird die Anfälligkeit für resistive \(SoS_{I_{rl}}\in \left\{ SoS_{I_{rl}}^{N},SoS_{I_{rl}}^{W},SoS_{I_{rl}}^{C}\right\}\) und kapazitive Ableitströme \(SoS_{I_{cl}}\in \left\{ SoS_{I_{cl}}^{N},SoS_{I_{cl}}^{W},SoS_{I_{cl}}^{C}\right\}\) berücksichtigt. Da die Höhe des Stromflusses von der Anzahl der angeschlossenen Geräte und deren Leistung abhängt, wird der Grenzwertbereich entsprechend festgelegt. Zur weiteren Vereinfachung empfehlen wir die Möglichkeit, unterschiedliche Grenzwerte vorzugeben. Der Grenzwert des unterbrechungsfreien und intakten Systems kann wie folgt definiert werden: \(Th_{}^{N}\in \left\{ Th_{I_{T}}^{N},Th_{I_{L}}^{N},Th_{I_{rl}}^{N},Th_{I_{cl}}^{N}\right\}\). Im vorgeschlagenen System haben wir den Zwischenzustand zwischen dem gesicherten und dem unterbrechenden Zustand betrachtet. Der Bereich des Zwischenzustands des Systems wird wie folgt ausgedrückt: \(Th_{}^{W}\in \left\{ Th_{I_{T}}^{W},Th_{I_{L}}^{W},Th_{I_{rl}}^{W},Th_{I_{cl}}^{W}\right\}\). Der übermäßige Stromfluss verursacht einen anfälligen Zustand im System, der als kritischer Zustand \(Th_{}^{C}\in \left\{ Th_{I_{T}}^{C},Th_{I_{L}}^{C},Th_{I_{rl}}^{C},Th_{I_{cl}}^{C}\right\}\) bezeichnet wird. Daher lauten die genehmigten Einschränkungen der unterscheidbaren Wahrnehmung für \(I_{T}\) wie folgt:

wobei \(\forall I_{T,s}^{N}\approx 0\), \(\forall I_{T,e}^{N}\approx \forall I_{T,s}^{W}\) und \(I_{T,e}^{W}\approx \forall I_{T,s}^{C}\).

Das Problem des Leckstroms bleibt jedoch möglicherweise nicht im Überstromsystem bestehen. Daher ist eine Leckstromerkennung zwingend erforderlich, um festzustellen, ob das System gesichert ist oder nicht. Ebenso wird der Befürchtungszustand hinsichtlich des Leckstroms anhand der folgenden Einschränkungen ermittelt:

wobei \(\forall I_{L,s}^{N}\approx 0\), \(\forall I_{L,e}^{N}\approx \forall I_{L,s}^{W}\) und \(I_{L,e}^{W}\approx \forall I_{L,s}^{C}\). Aufgrund einer vollständigen Inspektion der elektrischen Umgebung ist die Wahrscheinlichkeit eines Leckageproblems in mehreren Geräten gleichzeitig relativ hoch. Daher beschleunigt die Unterscheidung zwischen ohmschen und kapazitiven Leckströmen das Auffinden der entsprechenden Geräte. Aus diesem Grund haben wir den zulässigen Leckstrombereich mithilfe der bedingten Anweisung zur Untersuchung gefährlicher Umstände eingeführt. Darüber hinaus variiert der zulässige Grenzwert des Leckstroms je nach Gerätetyp, Anwendung und Zustand. Daher werden die Einschränkungen für ein zuverlässiges und funktionstüchtiges System wie folgt definiert:

wobei \(\left\{ \forall I_{rl,s}^{N},\forall I_{cl,s}^{N} \right\} \in \left[ 0 \right]\), \(\forall I_{rl,e}^{N}\approx \forall I_{rl,s}^{W}\), \(\forall I_{cl,e}^{N}\approx I\forall _{cl,s}^{W}\) \(\forall I_{rl,e}^{W}\approx \forall I_{rl,s}^{C}\), und \(\forall I_{cl,e}^{W}\approx \forall I_{cl,s}^{C}\). Durch Anwenden der gegebenen Bedingung in Algorithmus 1 haben wir den Zustand der Gesamt- und Leckströme bestimmt. Daher haben wir Algorithmus 2 angewendet, um den aktuellen Status des resistiven Leckstroms im System zu ermitteln. Das Verfahren zur Ermittlung des kapazitiven Leckstromzustands ist identisch mit dem zur Bestimmung des resistiven Leckstromzustands; wir stellen hier nur Algorithmus 2 vor. Da die Grenzen der Cluster sehr nahe beieinander liegen, kann der Klassifizierungsalgorithmus eine geringere Genauigkeit liefern. Unter Berücksichtigung dieser Tatsache haben wir die Merkmale anhand der folgenden Gleichungen skaliert und neu skaliert.

wobei \(C_{k}\), \(x_{i}\), \(F_{k}\) als \(k_{ter}\) Cluster dargestellt werden, \(i_{ter}\) Daten des Rohmerkmals und skaliertes Merkmal, die ausgewählt werden, um die Grenze des Clusters zu bilden.

Die Datenspeicherung und -überwachung in Echtzeit steigerte den Wert der elektrischen Sicherheitsanalyse zum Verständnis der Systembedingungen. Da das Leckstromproblem und die Verschlechterung der Geräteisolierung im Laufe der Zeit auftraten, sind große Datenmengen erforderlich, um den Zustand der installierten Geräte sowie des gesamten Systems genau zu bestimmen. Daher ist die Cloud-Datenbank33 die beste Option zum Speichern großer Datenmengen. Cloud Computing ist ein Modell für einen bequemen, bedarfsgerechten Netzwerkzugriff auf einen gemeinsam genutzten Pool konfigurierbarer Computerressourcen, die mit minimalem Verwaltungsaufwand und Interaktion von Dienstanbietern schnell bereitgestellt und freigegeben werden können. Cloud Computing kann auch dazu beitragen, den Verwaltungsaufwand des Programmmanagements zu verringern. Die Cloud-Umgebung ermöglicht es sehr unterschiedlichen Datenquellen, Informationen zu sammeln, in der Cloud-Datenbank zu speichern und verschiedene Anwendungen zu speisen.

Im vorgeschlagenen System werden die Echtzeit-Datenpakete vom LoRa-Gateway an die Cloud-Datenbank gesendet. Auf einem Windows 10-PC wurde MySQL Version 8.0.19 (Oracle, Co., Austin, TX, USA)34 als Datenbankverwaltungssystem in der Cloud (Microsoft, Redmond, WA, USA) verwendet. MySQL ist ein multithreadfähiger, robuster und skalierbarer Open-Source-Dienst, dessen Plattform entweder unter der GNU General Public License von Oracle oder einer Standard-Geschäftslizenz verwendet wird. Die vom Gateway gesammelten Sensordaten sind jedoch nicht einheitlich und enthalten Rauschen. Anschließend beginnt der Datenbankserver mit einer intensiven Rechenverarbeitung (wie Summation, Statistik und Datenkonvertierung). Schließlich werden die Daten mehrerer Benutzer in der Datenbank gespeichert, die für die weitere Verarbeitung (wie Merkmalsextraktion, Training und Vorhersage) verwendet wird.

Flussdiagramm des Fehlerdiagnosesystems.

Im vorgeschlagenen System wurde RBC zur Erkennung von Geräte- und Überstromfehlern eingesetzt. MSVM diente zur Unterscheidung der Systemzustände. Das Flussdiagramm zur Fehlererkennung ist in Abb. 8 dargestellt. In unserem Fall wurden vier Regeln zur Fehlerdiagnose generiert, die wie folgt beschrieben werden:

Regel 1: WENN (Sensordaten = ja) UND (Aktueller Pegel = normal) DANN geht das System in den Normalzustand

Regel 2: WENN (Sensordaten = ja) UND (Stromstärke = anormal) DANN tritt im System ein Überstromfehler auf

Regel 3: WENN (Sensordaten = nein) UND (Strompegel = normal) DANN geht das System in den Gerätefehler

Regel 4: WENN (Sensordaten = nein) UND (Stromstärke = anormal) DANN geht das System sowohl in den Geräte- als auch in den Überstromfehler

Um eine höhere Klassifizierungsgenauigkeit zu erreichen, wird vor der Kategorisierung des Fehlerzustands eine Datenbereinigung durchgeführt, die auch doppelte und fehlende Daten berücksichtigt. Wir haben die auf dem Korrelationskoeffizienten von Pearson basierende Methode35 verwendet, um unnötige und redundante Informationen zu entfernen und die Komplexität und Dimensionalität des vorgeschlagenen Systems zu minimieren. Die Korrelationsdichte hängt vom Pearson-Korrelationskoeffizienten, bekannt als Pearsons r, ab. Betrachten wir zwei variable Matrizen \(S_{T}=[ S_{T_{1}},S_{T_{2}},\cdots , S_{T_{q}}]\) und \({I_{L}=[ I_{L_{1}},I_{L_{2}},\cdots , I_{L_{\mathbf {q}}}]}\), wobei q und \(\mathbf {q}\) als Stichproben dargestellt werden: \(\bar{\gamma _{S_{T}}}=\frac{1}{q}\sum _{a}^{q}S_{T_{a}}\) und \(\bar{\gamma _{I_{L}}}=\frac{1}{\mathbf {q}}\sum _{b}^{\mathbf {q}}I_{L_{b}}\). Der Pearson-Korrelationskoeffizient kann wie folgt definiert werden:

In ähnlicher Weise wird der Wert von r unter Berücksichtigung der anderen Variablen berechnet, wobei das Merkmal abhängig vom höheren Wert von r ausgewählt wird.

Zur Klassifizierung von Datensätzen wird versucht, eine optimale Hyperebene zwischen zwei Klassen des Datensatzes zu erstellen19. Die Hyperebene fungiert als Entscheidungsgrenze, um die Daten in verschiedene Klassen einzuteilen. Die Punkte, die der Hyperebene am nächsten liegen (Support-Vektor genannt), werden zur Bestimmung der optimierten Hyperebene verwendet. Für eine gegebene Trainingsstichprobe \(\left\{ (x_i,y_i) \right\} ,\forall i\in \left\{ 1,2,3,....,n \right\}\), wobei \(y_i \in \left\{ +1,-1 \right\}\) Klassenbezeichnungen darstellt, wird die optimale Hyperebene durch den folgenden mathematischen Ausdruck bestimmt:

wobei \(\theta =\left[ \theta _{1},....,\theta _{n} \right]\) ein n-dimensionaler Vektor von Gewichten und \(x_{i}=\left[ x_{1},x_{2},....,x_{n} \right]\) ein n-dimensionaler Eingabevektor ist und b als Biasing-Einheit bezeichnet wird. Dabei steht n für die Anzahl der Merkmale. Das Optimierungsproblem beim Finden der Hyperebene lässt sich wie folgt ausdrücken:

die unterworfen ist,

Die endgültige nichtlineare Entscheidungsfunktion kann wie folgt ermittelt werden:

Um komplexe Merkmale zu erzeugen, verwendet SVM die Kernel-Technik \(k(x_i,x)\). Der Wert \(k(x_i,x)\) entspricht \(\varphi (x_{i}).\varphi (x)\), wodurch linear nicht-separierbare Muster in einen höherdimensionalen Merkmalsraum abgebildet werden. Abschließend kann die Entscheidungsfunktion wie folgt modifiziert werden:

In dieser Studie haben wir das Klassifizierungsexperiment unter Berücksichtigung der vier in Tabelle 1 beschriebenen Kernelfunktionen (linear, polynomisch, radiale Basisfunktion (RBF), Sigmoid) durchgeführt. Darüber hinaus haben wir einen Multiklassenansatz mit einer versus einer Restmethode verwendet. Gemäß diesem Ansatz werden für ein Klassifizierungsproblem einer m-ten Klasse m-te Klassen als positive Stichproben trainiert, während der Rest als negative Stichproben behandelt wird21,36.

Installation des SMD mit CB.

(a) Karte mit Knotenpositionen und (b) Sicherheitsüberwachungsgerät.

RSSI-Status der verschiedenen LoRa-Sensorknoten.

Durchschnittlicher RSSI bei unterschiedlicher Entfernung.

Das vorgeschlagene SMD wird in einem realen System implementiert, um seine Zuverlässigkeit und Wirksamkeit zu gewährleisten. Um die vorgeschlagene Erkennungstechnik zu evaluieren, wurde das System in ein Wohngebäude integriert. Das Gerät wird am Eingang der Stromleitung des Gebäudes platziert. Die Installation des SMD ist in Abb. 9 dargestellt, wobei verschiedene Punkte zur Interpretation vermerkt sind. Zwei unabhängige Stromsensoren wurden neben dem Hauptschalter installiert, um Gesamt- und Leckströme zu erfassen. Ein einzelner Spannungssensor misst die Klemmenspannung. Im Rahmen des Experiments wurden über 30 Einheiten in Daejon, Südkorea, installiert. Daraus wurden fünf Gebäude mit übermäßigem Leckstrom ausgewählt. In dieser experimentellen Studie wurden die Gesamtwirkleistung, Spannung, Stromstärke, Leckstrom (ohmsch, kapazitiv und gesamt), Frequenz, PF und Isolationswiderstand gemessen, um wichtige Merkmale für die Klassifizierung zu extrahieren. Der Systemzustand wird ebenfalls anhand des vorgeschlagenen Algorithmus ermittelt. Die in Echtzeit gemessenen Daten werden in jedem LoRa-Paket zusammengefasst. Das LoRa-Gateway empfängt die Daten und sendet sie über das Internet per TCP/Internet-Protokoll an den Server. Die Cloud-Datenbank ermöglicht uns die Durchführung von Realwelt-Verifizierungen: die Überwachung einer großen Anzahl elektrischer Systeme und die Speicherung großer Datenmengen. Die Studie mit dem vorgeschlagenen System dauerte aufgrund der Notwendigkeit einer großen Datenmenge einige Monate.

Darüber hinaus wurde die Position des LoRa-Sendeknotens in Bezug auf das GW im MAP dargestellt, wie in Abb. 10a gezeigt. Und Abb. 10b zeigt das vorgeschlagene hergestellte elektrische Sicherheitsüberwachungsgerät. Die LoRa-Empfangssignalstärkeindikatoren (RSSIs) für die fünf verschiedenen Gebäude sind in Abb. 11 dargestellt. Das am weitesten vom LoRa-Gateway entfernte Gebäude (\(B_{1}\)) befindet sich in einer Entfernung von 117 m und weist einen RSSI von durchschnittlich − 110,18 dBm auf. \(B_{5}\) hat jedoch den niedrigsten RSSI-Wert (durchschnittlich − 111,4 dBm), da es aufgrund der Gebäudeblockierung einer höheren Dämpfung ausgesetzt ist als \(B_{1}\). Von den fünf Gebäuden ist \(B_{2}\) das nächstgelegene und befindet sich 20 m weiter vom Gateway entfernt. Es empfängt LoRa-Pakete mit einem RSSI-Wert von durchschnittlich −87,17 dBm und weist aufgrund eines nahezu gleichmäßigen Pfadverlustgewinns die geringste Abweichung bei den RSSI-Werten auf. Abbildung 12 zeigt die Verteilung der durchschnittlichen Paket-RSSI-Variation mit der Entfernung. Die Sensorknoten in 73 m und 100 m Entfernung weisen die höchste bzw. geringste RSSI-Variation auf. Darüber hinaus haben wir die LoRa-Paketverlustrate (PLR) beim Empfang gesendeter Pakete am LoRa-Gateway-Knoten getestet. Wir beobachteten eine PLR von 0,5 % bei einer Kommunikationsdistanz von 20 m. Bei einer Kommunikation ohne Sichtverbindung bei etwa 120 m war die erfolgreiche Paketempfangsrate leicht verringert. Bei 120 m Kommunikationsdistanz, dem Maximalwert in unserem Fall, ermitteln wir eine PLR von 2 %.

Gesamtes Leistungsüberwachungsergebnis in \(B_{1}\).

Datenbeispiel von (a) Gesamtleckstrom, (b) ohmscher Leckstrom und (c) kapazitiver Leckstrom für \(B_{1}\).

Ein Überwachungsbeispiel für Gebäude 1 (\(B_{1}\)) ist in den Abb. 13 und 14 dargestellt. Die Profile der Gesamtleistung, des Gesamtleckstroms, des ohmschen Leckstroms und des kapazitiven Leckstroms werden für einige Tage dargestellt, an denen die angeschlossene Laständerung erkennbar ist. Daher haben wir die Daten von 0:00 (12.08.2020) bis 23:58 (18.08.2020) in unregelmäßigen Abständen zu den etwa sechsmonatigen Daten angezeigt. Wie in der Abbildung gezeigt, steigt der Leckstrom beim Erhöhen der angeschlossenen Last auf etwa 6,5 mA und normalisiert sich beim Entfernen der Last wieder. Der vorgeschlagene Algorithmus wird jedoch angewendet, um die optimale Entscheidungsgrenze, den sogenannten Zielwert, zu erhalten. Durch Anwendung des Algorithmus wird das gruppierte Ergebnis des Leckstroms in den Abb. 15, 16 und 17 dargestellt, wobei die drei gruppierten Bereiche mit mehreren Farben gekennzeichnet sind. Daher haben wir die normale Datenprobe einer trainierten Datenprobe von Leckströmen nach der Reinigung und Profilierung präsentiert. Wie in den Abbildungen gezeigt, steigt der Leckstrom um ca. 8 mA an, wobei die ohmschen und kapazitiven Leckströme 6,5 bzw. 6,51 mA erreichen. Innerhalb der Datenerfassungszeit ist die Ereignisrate kritischer und Warnbedingungen deutlich niedriger als unter normalen Bedingungen, wo die kritische Momentfrequenz des ohmschen Leckstroms höher ist als die des kapazitiven Leckstroms. Wir haben die Beziehung zwischen den Merkmalen analysiert, indem wir mithilfe der Merkmalsauswahltechnik fünf aus acht ausgewählt haben.

Clustering-Ergebnis des Gesamtleckstroms für \(B_{1}\).

Clustering-Ergebnis des resistiven Leckstroms für \(B_{1}\).

Clustering-Ergebnis des kapazitiven Leckstroms für \(B_{1}\).

Wahrscheinlichkeitsverteilungsdiagramm von (a) Leckströmen (vor der Clusterbildung), (b) Gesamtleckstrom, (c) ohmschem Leckstrom und (d) kapazitivem Leckstrom (nach der Clusterbildung) für \(B_{1}\).

Abbildung 18 zeigt die kontinuierliche Wahrscheinlichkeitsdichte der Leckströme. Ziel dieser Abbildung war es, die Datenverteilung jedes Clusterbereichs darzustellen. Abbildung 18a zeigt die Verteilungsdichte von Gesamt- und Leckströmen in verschiedenen Beobachtungen ohne Berücksichtigung der Clusterung. Wie aus der Abbildung hervorgeht, ist der Leckstromfluss im Bereich der mittleren Zone höher als in den beiden anderen Bereichen dieses Gebäudes. Ebenso wird der Clusterbereich jeder Klasse durch die zulässigen Grenzwerte für Gesamt-, ohmsche und kapazitive Leckströme bestimmt, wie in Abbildung 18b–d dargestellt. Da Leckstromwarnungen entweder durch die ohmsche oder kapazitive Last des Systems verursacht werden können, kann es gelegentlich zu einer unausgewogenen Datenverteilung von ohmschen und kapazitiven Leckströmen kommen.

ROC-Kurve des MSVM-Klassifikators für den Gesamtleckstrom mit (a) linearem Kernel; (b) RBF-Kernel; (c) polynomischem Kernel; und (d) Sigmoid-Kernel für \(B_{1}\).

ROC-Kurve des MSVM-Klassifikators für resistiven Leckstrom mit (a) linearem Kernel; (b) RBF-Kernel; (c) polynomischem Kernel; und (d) Sigmoid-Kernel für \(B_{1}\).

ROC-Kurve des MSVM-Klassifikators für kapazitiven Leckstrom mit (a) linearem Kernel; (b) RBF-Kernel; (c) polynomischem Kernel; und (d) Sigmoid-Kernel für \(B_{1}\).

Beispielsweise läuft das System aufgrund des Leckstroms im kritischen Zustand, aber der resistive Leckstrom ist deutlich höher als der kapazitive Leckstrom. In diesen Fällen ist die Wahrscheinlichkeit eines resistiven Leckstroms für den kritischen Zustand höher, während der kapazitive Leckstrom für den Normal- oder Warnzustand verantwortlich ist. Die Wahrscheinlichkeitsdichteverteilung von resistiven und kapazitiven Leckströmen ist in diesem Zustand nicht identisch.

Zur Ausführung des MSVM-Modells haben wir eine HP Z8 G4 Workstation mit 256 GB Arbeitsspeicher und Intel(R) Xeon(R) Gold 5222 CPU @ 3,80 GHz 3,79 GHz Prozessoren verwendet. Zur Berechnung der Rechenzeit eines einzelnen MSVM-Modells wurden 2000 Stichproben verwendet und die gesamte Ausführung dauert 5,8786 Sekunden. Daher dauert eine einzelne Erkennung durchschnittlich 2,8816 Millisekunden. Da wir drei verschiedene Modelle zur Erkennung von Anomalien implementiert haben, benötigt das aggregierte MSVM-Modell 13,2159 Sekunden für die Ausführung. Folglich dauert eine einzelne Erkennung für das kombinierte Modell durchschnittlich 6,6079 Millisekunden.

Zur Bewertung der Leistung des vorgeschlagenen Modells wird daher die ROC-Kurve (Receiver Operating Characteristic) für die Mehrklassenklassifizierung in drei verschiedenen Fällen betrachtet. Darüber hinaus fasst die Fläche unter der Kurve (AUC) die ROC-Kurve zusammen, die die Fähigkeit eines Modells zur Klassendifferenzierung misst. Die ROC-Kurve besteht aus der Richtig-Positiv-Rate (TPR) und der Falsch-Positiv-Rate (FPR) und stellt die Leistung des MSVM-Klassifizierungsmodells bei allen Klassifizierungsschwellen dar. TPR und FPR lassen sich wie folgt definieren:

wobei \(TP=\) Anzahl der richtig positiven, \(TN=\) Anzahl der richtig negativen, \(FP=\) Anzahl der falsch positiven und \(FN=\) Anzahl der falsch negativen Ergebnisse ist. Darüber hinaus sind Genauigkeit und F1-Score (d. h. berechnet aus Recall und Präzision) zwei Leistungsindizes, die zur Bewertung der Leistung des vorgeschlagenen MSVM herangezogen werden. Die mathematische Formulierung von Genauigkeit und F1-Score für das MSVM lautet wie folgt:

Die Ergebnisse der Überwachungsproben von (a) \(B_{2}\), (b) \(B_{3}\), (c) \(B_{4}\) und (d) \(B_{5}\).

Um die Leistung des RBC-MSVM-Klassifikators zu unterscheiden, haben wir eine Klassifizierung mit unterschiedlichen Kernelfunktionen durchgeführt. Abbildung 19 veranschaulicht die ROC-Kurve und AUC des MSVM-Modells mit unterschiedlichen Kernelfunktionen im Fall einer Klassifizierung von Gesamtleckstromfehlern. Das MSVM-RBF-Modell hat eine höhere AUC, was darauf hindeutet, dass es besser zwischen negativen und positiven Klassen unterscheiden kann, wie in den Abbildungen zu sehen ist. Darüber hinaus zeigt Tabelle 2 die Genauigkeit und den F1-Score des implementierten RBC-MSVM-Modells. Die Ergebnisse zeigen, dass MSVM-Linear, MSVM-RBF und MSVM-Poly von den vier MSVM-Modellen eine höhere Genauigkeit und einen höheren F1-Score erreichen. Darüber hinaus zeigt es auch, dass MSVM-Linear und MSVM-RBF eine Genauigkeit von 98,77 % und einen F1-Score von 98,12 % erreichen, während MSVM-RBF eine Genauigkeit von 97,74 % und einen F1-Score von 97,69 % aufweist. Die Ergebnisse zeigen, dass MSVM-Linear alle klassifizierten Klassen mit geringerer Wahrscheinlichkeit vorhersagt, während MSVM-RBF eine höhere Wahrscheinlichkeit aufweist. Trotz der höheren Genauigkeit und des F1-Scores von MSVM-Linear ist MSVM-RBF in seiner Vorhersage sehr überzeugend. Darüber hinaus liefern MSVM-RBF und MSVM-Poly vergleichbare Ergebnisse, wobei MSVM-RBF eine deutlich bessere ROC-Kurve aufweist als MSVM-Poly.

Im Fall der Klassifizierung von ohmschen Leckstromfehlern sind die ROC-Kurve und die AUC-Ergebnisse in Abb. 20 dargestellt. Den Abbildungen zufolge sagen MSVM-Linear und MSVM-RBF alle Klassifizierungsklassen mit vergleichbarer Wahrscheinlichkeit voraus. Und Tabelle 2 zeigt, dass beide Modelle eine Genauigkeit von 92,89 % bzw. 89,88 % besitzen, während die F1-Werte 90,11 % und 87,98 % betragen. Folglich ist die Vorhersage von MSVM-RBF genauer. Abbildung 21 zeigt die ROC-Kurve und die AUC-Ergebnisse für die Klassifizierung von kapazitiven Leckstromfehlern. Tabelle 2 zeigt, dass MSVM-Linear die anderen in puncto Genauigkeit und F1-Werte übertrifft. Allerdings betragen die AUC-Werte für MSVM-Linear in drei Klassen 0,99, 0,70 und 1,00, während MSVM-RBF 0,95, 0,81 und 0,97 aufweist. Bei der Klassifizierung von Warndaten erreicht MSVM-linear einen sehr viel schlechteren AUC-Wert als MSVM-RBF. Folglich zeigt MSVM-linear mit geringerer Wahrscheinlichkeit eine schlechtere Klassifizierungsleistung als MSVM-RBF.

Die folgenden Abb. 22a–d zeigen die Schwankungen von Leistung und Leckstrom für verschiedene Zeiträume, die von den in getrennten Gebäuden installierten Geräten empfangen wurden. Wir haben auch zerlegte resistive und kapazitive Leckstromkomponenten beobachtet, um die Wirksamkeit des vorgeschlagenen MSVM-Klassifikators zu bewerten. Die Tabellen 3, 5 und 7 zeigen die Gesamtgenauigkeit und F1-Werte, während die Tabellen 4, 6 und 8 die AUC-Werte von RBC-MSVM-basierten Klassifikatoren auf Grundlage von Haushaltsdaten liefern.

Insgesamt scheint die Genauigkeit der MSVM-Linear-Modelle für die meisten Gebäude ausreichend zu sein, obwohl die MSVM-RBF-Modelle höhere AUC-Werte aufweisen. Im Szenario der Klassifizierung von Leckstromfehlern betragen die höchste Genauigkeit und der höchste F1-Wert für \(B_3\) \(98,25\%\) bzw. \(98,29\%\) mit AUC-Werten von 1,00, 0,81 und 1,00. Im Gegensatz dazu erreichen die MSVM-RBF-Modelle eine vergleichbare Genauigkeit und einen vergleichbaren F1-Wert mit höheren AUC-Werten. Die Tabellen 3 und 4 zeigen, dass die MSVM-Linear-Modelle die anderen in Bezug auf Genauigkeit und F1-Wert übertreffen, obwohl die MSVM-RBF-Modelle alle kategorisierten Klassen konsistenter erkennen. Die Merkmalsauswahl hat sich jedoch zu einem einzigartigen Kriterium zum Erreichen einer akzeptablen Genauigkeit entwickelt. Wenn sich die Art des Stroms ändert, ändert sich die Genauigkeit verschiedener Kernelfunktionen dramatisch. Bei der Klassifizierung von resistiven Leckstromfehlern erreichte der MSVM-Linear-Klassifikator eine maximale Genauigkeit und einen F1-Wert von 96,15 % bzw. 93,00 % für B_{2} mit AUC-Werten von 1,00, 0,94 und 1,00, während MSVM-RBF und MSVM-Poly schlechtere Leistungskennzahlen zeigten. Durch Analyse und Vergleich der Ergebnisse aus Tabelle 5 und 6 schneiden die MSVM-Linear-Modelle hinsichtlich Genauigkeit und F1-Wert besser ab als andere und weisen eine höhere Wahrscheinlichkeit auf, alle kategorisierten Klassen zu erkennen.

Darüber hinaus zeigen die Tabellen 7 und 8 die Ergebnisse zur Klassifizierung kapazitiver Leckstromfehler. Die maximale Genauigkeit und die F1-Werte für \(B_{4}\), das zum MSVM-RBF-Modell gehört, betragen 95,15 % bzw. 88,40 %. Die MSVM-RBF-Modelle wiesen in den meisten Haushalten eine höhere Genauigkeit, einen höheren F1-Score und höhere AUC-Werte auf, was darauf hindeutet, dass sie negative und positive Klassen besser erkennen und unterscheiden können, wie in den Tabellen 7 und 8 dargestellt.

Aufgrund der nahezu gleichmäßigen Verteilung der Daten auf drei Cluster ist die Leistung des Klassifikators bei der Fehlererkennung von Leckströmen jedoch wesentlich besser als bei anderen Fehlerklassifizierungsansätzen. Aus den Tabellen lässt sich ersehen, dass die Leistung des linearen Kernels bei Gesamtleckstrom und ohmschem Leckstrom in den meisten Fällen besser ist als die anderer Kernelfunktionen. Der Hauptgrund für die bessere Leistung des linearen Kernels liegt darin, dass die Daten nach der Skalierung des Features linearer werden. Bei einigen Häusern sind die Daten zum Gesamtleckstrom und zum ohmschen Leckstrom linearer als die Daten zum kapazitiven Leckstrom. Infolgedessen wurde MSVM-RBF bei kapazitivem Strom übertroffen. Darüber hinaus ist das Datenprobenvolumen jeder Kategorie auch ein wichtiger Faktor zum Erreichen einer höheren Genauigkeit, eines höheren F1-Scores und höherer AUC-Scores.

In diesem Artikel wird ein cloudbasiertes System zur Überwachung des Gesundheitszustands von Elektrogeräten mithilfe von LoRa-Konnektivität vorgestellt. Diese Studie erläutert den gesamten Prozess vom Sensordesign bis zur Erkennung von Leckstromfehlern. Ziel des Schemas ist die Entwicklung einer datengesteuerten Methode zur Ermittlung des zulässigen Leckstrombereichs durch Ermittlung möglicher Merkmale durch Analyse der Beziehungen zwischen verschiedenen Variablen und Erkennung des Fehlers durch Klassifizierung der Echtzeitdaten. Die Echtzeitdaten werden erfolgreich erfasst und über SMD und ein LoRa-Gateway im Cloud-Server gespeichert. Um die Machbarkeit und Leistung des vorgeschlagenen Systems zu bewerten, wird die auf RBC-MSVM basierende Klassifizierungsmethode in fünf Gebäuden implementiert. Bei entsprechender Unterscheidung der Systembedingungen erzielt sie die höchste Genauigkeit (98,23 %) und den F1-Score (97,64 %). Darüber hinaus deuten die Fehlererkennungsfähigkeiten und die schnelle Erkennungszeit (durchschnittlich 6,67 ms) darauf hin, dass das System kommerziell umsetzbar ist. Der MSVM-Klassifikator in Kombination mit den Linear/RBF-Kernelfunktionen und RBC ist basierend auf den vorangegangenen Ergebnissen eine vielversprechende Option für die Fehlerdiagnose von elektrischen Sicherheitsüberwachungsgeräten. Die Implementierung eines Fehlererkennungsschemas auf dem Edge-Server ermöglicht zukünftig eine genauere Analyse des Zustands elektrischer Geräte und verhindert plötzliche Zerstörungen im elektrischen System.

Die Daten, die die Ergebnisse dieser Studie stützen, sind beim Information Technology Research Center (ITRC) erhältlich. Die Verfügbarkeit dieser Daten unterliegt jedoch Einschränkungen. Die Daten wurden für die vorliegende Studie unter Lizenz verwendet und sind daher nicht öffentlich zugänglich. Auf begründete Anfrage und mit Genehmigung des ITRC sind die Daten jedoch bei den Autoren (Yeong Min Jang, E-Mail: yjang@kookmin.ac.kr) erhältlich.

Entscheidungsfunktion

Kernelfunktion

Winkel zwischen Klemmenspannung und Strom

Winkel zwischen Klemmenspannung und Leckstrom

Anzahl der Geräte

Gewichtsvektor

Vorspannungseinheit

\(k_{ter}\) Cluster

XOR-Ausgangs-Einschaltzeit für Leckstrom

XOR-Ausgangs-Einschaltzeit für den gesamten Eingangsstrom

Frequenz

Skalierte Funktion

Kapazitiver Leckstrom

Gesamtrücklaufstrom

Gesamtleckstrom

Resistiver Leckstrom

Gesamteingangsstrom

Kapazitiver Strom

Summe induktiver und kapazitiver Strom

Induktiver Strom

Widerstandsstrom

Anzahl der Funktionen

Leistungsfaktor

Gesamtwirkleistung

Gesamtblindleistung

Pearson-Korrelationskoeffizient

Gesamtscheinleistung

Klemmenspannung

Eingabevektor

Isolationsimpedanz

Geräteverzeichnis

Index des Endes

Index der Datenstichprobe

Eintrittsmoment

Komplexe Zahl

Index des Clusters

Rückkehrmoment

Index des Starts

Satz des Systemzustands

Index der Zeit

Festlegen des Schwellenwerts für den kritischen Zustand

Schwellenwert für Normalzustand festlegen

Festlegen des Schwellenwerts für den Warnzustand

Richard, C. Elektrische Brände im Haushalt (National Fire Protection Association, 2019).

Alavi, AH, Jiao, P., Buttlar, WG & Lajnef, N. Internet of Things-fähige Smart Cities: Stand der Technik und zukünftige Trends. Measurement 129, 589–606 (2018).

Artikel ADS Google Scholar

Yu, L., Li, H., Feng, X. & Duan, J. Nichtintrusive Gerätelastüberwachung für Smart Homes: Jüngste Fortschritte und zukünftige Probleme. IEEE Instrum. Meas. Mag. 19(3), 56–62 (2016).

Artikel Google Scholar

Tong, RT, Guo, LZ & Cao, Z. Die Analyse mehrerer Anwendungsprobleme für elektrische Brandüberwachungssysteme mit Leckstrom. Procedia Eng. 52, 342–348 (2013).

Artikel Google Scholar

Jadhav, AR, Kiran, S., MPR & Pachamuthu, R. Entwicklung einer neuartigen IoT-fähigen Energieüberwachungsarchitektur mit Echtzeit-Datenvisualisierung für den Einsatz in privaten und industriellen Szenarien. In IEEE Transactions on Instruments and Measurements, Bd. 70, 1–14 (2021).

Peng, C. & Huang, J. Ein Energieüberwachungs- und -steuerungssystem für Privathaushalte basierend auf der ZigBee-Technologie. Int. J. Green Energy 13(15), 1615–1623 (2016).

Artikel Google Scholar

Martani, C., Lee, D., Robinson, P., Britter, R. & Ratti, C. ENERNET: Untersuchung der dynamischen Beziehung zwischen Gebäudebelegung und Energieverbrauch. Energy Build. 47, 584–591 (2012).

Artikel Google Scholar

ElShafee, A. & Hamed, KA Entwurf und Implementierung eines WiFi-basierten Heimautomatisierungssystems. Int. J. Comput. Electr. Autom. Control Inf. Eng. 6(8), 1074–1080 (2012).

Google Scholar

Gan, S., Li, K., Wang, Y., & Cameron, C. IoT-basierte Plattform zur Überwachung des Energieverbrauchs für industrielle Prozesse. In Proceedings of UKACC 12th International Conference on Control (CONTROL), Sheffield 236–240 (2018).

Liu, Q., Kamoto, KM, Liu, X., Sun, M. & Linge, N. Nicht-intrusive Lastüberwachung mit geringer Komplexität durch unüberwachtes Lernen und verallgemeinerte Gerätemodelle. IEEE Trans. Consum. Electron. 65(1), 28–37 (2019).

Artikel Google Scholar

Shafiei, M. et al. Fehlererkennung für Niederspannungs-Hausverteilungssysteme mit niederfrequenten Messdaten. IEEE Syst. J. 14(4), 5265–5273 (2020).

Artikel ADS Google Scholar

Wu, X., Han, X. & Liang, KX Ereignisbasierter, nicht-intrusiver Lastidentifikationsalgorithmus für Wohnlasten kombiniert mit Unterdeterminierungszerlegung und charakteristischer Filterung. IET Gener. Transm. Distrib. 13(1), 99–107 (2019).

Artikel Google Scholar

Chen, W., Gong, Q., Geng, G. & Jiang, Q. Cloudbasierte, nicht-intrusive Leckstromerkennung für Haushaltsgeräte. IEEE Trans. Power Deliv. 35(4), 1977–1986 (2020).

Artikel Google Scholar

Wang, J. et al. Leckstrom-Reaktionsmechanismus von Isolatorketten bei Umgebungsfeuchtigkeit an Tagen ohne Regen. IEEE Access 7, 55229–55236 (2019).

Artikel Google Scholar

Werneck, MM, dos Santos, DM, de Carvalho, CC, de Nazaré, FVB & da Silva Barros Allil, RC Erkennung und Überwachung von Leckströmen in der Isolierung der Energieübertragung. IEEE Sens. J. 15(3), 1338–1346 (2015).

Artikel ADS Google Scholar

Harid, N., Bogias, AC, Griffiths, H., Robson, S. & Haddad, A. Ein drahtloses System zur Überwachung von Leckströmen in der Ausrüstung von Umspannwerken. IEEE Access 4, 2965–2975 (2016).

Artikel Google Scholar

Shaikh, MF, Park, J. & Lee, SB Eine nicht-intrusive Methode auf Basis von Streufluss zur Erkennung von Rotorfehlern im Anlauftransienten von Synchronmotoren mit ausgeprägten Polen. IEEE Trans. Energy Convers. 36(2), 1262–1270 (2021).

Artikel ADS Google Scholar

Aoudi, W. Support Vector Machines: Ein distanzbasierter Ansatz zur Multi-Klassen-Klassifizierung. In Proceedings of IEEE International Multidisciplinary Conference on Engineering and Technology (IMCET) 1–6 (2016).

Gunn, SR Support Vector Machines für Klassifikation und Regression. Analyst 135(2), 230–267 (2010).

Artikel Google Scholar

Samanta, B. Fehlerdiagnose von Wälzlagern auf Basis künstlicher neuronaler Netze unter Verwendung von Zeitbereichsmerkmalen. Mech. Syst. Signal Process. 17, 317–328 (2003).

Artikel ADS Google Scholar

Tian, J., Morillo, C., Azarian, MH & Pecht, M. Motorlagerfehlererkennung mittels spektraler Kurtosis-basierter Merkmalsextraktion in Verbindung mit einer Knearest-Neighbor-Distanzanalyse. IEEE Trans. Ind. Electron. 63(3), 1793–1803 (2016).

Artikel Google Scholar

Yang, Q., Ruan, J., Zhuang, Z. & Huang, D. Fehleridentifizierung für Leistungsschalter basierend auf Vibrationsmessungen. IEEE Trans. Instrum. Meas. 69(7), 4154–4164 (2020).

Artikel Google Scholar

Liu, S., Xu, L., Li, Q., Zhao, X. & Li, D. Fehlerdiagnose von Geräten zur Überwachung der Wasserqualität basierend auf Multiclass-Support-Vektor-Maschinen und regelbasierten Entscheidungsbäumen. IEEE Access 6, 22184–22195 (2018).

Artikel Google Scholar

Gangsar, P., Ali, Z., Chouksey, M. & Parey, A. Eine intelligente und robuste Fehlerdiagnose für ein elektromechanisches System unter Verwendung von Vibrations- und Stromsignalen. In Recent Advances in Manufacturing, Automation, Design and Energy Technologies 485–494 (Springer, 2022).

Forouzesh, A., Golsorkhi, MS, Savaghebi, M. & Baharizadeh, M. Support Vector Machine-basierte Fehlerortungsidentifizierung in Mikronetzen mittels interharmonischer Injektion. Energies 14(8), 2317 (2021).

Artikel Google Scholar

Kazemi, Z., Naseri, F., Yazdi, M. & Farjah, E. Ein auf maschinellem Lernen basierender EKF-SVM-Ansatz zur Fehlererkennung und -klassifizierung in dreiphasigen Leistungstransformatoren. IET Sci. Meas. Technol. 15(2), 130–142 (2021).

Artikel Google Scholar

Eslami, M., Jannati, M. & Tabatabaei, SS Eine verbesserte Schutzstrategie basierend auf dem PCC-SVM-Algorithmus zur Identifizierung von Lichtbogenfehlern mit hoher Impedanz in intelligenten Mikronetzen bei verteilter Stromerzeugung. Measurement (Lond.) 175(109149), 109149 (2021).

Google Scholar

Behrends, H. et al. Analyse von Reststromflüssen in Wechselrichter-basierten Energiesystemen mittels maschineller Lernverfahren. Energies 15(2), 582 (2022).

Artikel Google Scholar

Zhang, X., Wang, Y., Dou, Z., Wang, W., Bai, Y. Erkennung von Fehlerstromtypen basierend auf S3VM und kooperativem KNN-Training. J. Power Electron. (2022).

Han, X., Sheng, W., Du, S., Su, J. & Liu, G. Neuartiges Schutzschema für die Fehlerzeiterkennung und Berührungsstromerkennung auf Basis von Fehlerstromschutzschaltern. IET Gener. Transm. Distrib. 11(10), 2478–2488 (2017).

Artikel Google Scholar

LoRa. Abgerufen: Feb. 2021. [Online]. Verfügbar: https://lora.readthedocs.io/en/latest/#: :text=For%\$20uplink%2C%20the%20maximum%20transmission,day%20depending%20on%20the%20channel

Rizzi, M., Ferrari, P., Flammini, A. & Sisinni, E. Evaluation der IoT-LoRaWAN-Lösung für verteilte Messanwendungen. IEEE Trans. Instrum. Meas. 66(12), 3340–3349 (2017).

Artikel Google Scholar

Alam, B., Doja, MN, Alam, M. & Mongia, S. 5-Schichten-Architektur eines Cloud-Datenbankverwaltungssystems. AASRI Procedia 5, 194–199 (2013).

Artikel Google Scholar

Kofler, M. What is MySQL: MySQL (ed. Kofler, M.) 3–19 (Apress, 2001).

Nasir, IM et al. Pearson-korrelationsbasierte Merkmalsauswahl für die Dokumentenklassifizierung mittels ausgewogenem Training. Sensors 20, 6793 (2020).

Artikel ADS PubMed Central Google Scholar

Wand, Z. & Xue, X. Multi-class support vector machines. In Support Vector Machines Applications (Hrsg. Ma, Y. & Guo, G.) 23–48 (Springer, 2014).

Download Referenzen

„Diese Forschung wurde vom MSIT (Ministerium für Wissenschaft und IKT), Korea, im Rahmen des ITRC (Information Technology Research Center)-Förderprogramms (IITP-2022-2018-0-01396) unter der Aufsicht des IITP (Institute for Information & Communications Technology Planning & Evaluation) unterstützt.“

Fakultät für Elektrotechnik, Kookmin-Universität, Seoul, 02707, Südkorea

Md. Morshed Alam, Md. Shahjalal, Md. Habibur Rahman, Himawan Nurcahyanto, Aji Teguh Prihatno und Yeong Min Jang

Fakultät für Elektrotechnik und Elektronik, University of Liberal Arts Bangladesh, Dhaka, 1207, Bangladesch

Md. Shahjalal

Fakultät für Informatik und Ingenieurwesen, Pusan National University, Busan, 46241, Südkorea

Aji Teguh Prihatno

FS Corporation, Daejeon, 34126, Südkorea

Youngjin Kim

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Autor suchen auf: PubMed Google Scholar

Konzeptualisierung, MMA; Methodik, MMA, MS und MHR; Software, MMA und MHR; Ressourcen, HN, ATP und YK; Schreiben – Vorbereitung des Originalentwurfs, MMA, MS und MHR; Überwachung, YMJ; Projektverwaltung, YMJ; Mittelbeschaffung, YMJ. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Yeong Min Jang.

Die Autoren erklären, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt in Bezug auf Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access: Dieser Artikel unterliegt der Creative Commons Attribution 4.0 International Lizenz. Diese erlaubt dessen Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format, sofern Sie den/die ursprünglichen Autor(en) und die Quelle gebührend nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern im Quellenvermerk nichts anderes angegeben ist. Sofern das Material nicht unter der genannten Creative Commons Lizenz steht und die von Ihnen gewünschte Weiterverwendung nicht nach gesetzlichen Bestimmungen erlaubt ist oder die erlaubte Nutzung überschreitet, müssen Sie die Einwilligung des Rechteinhabers einholen. Diese Lizenz finden Sie unter http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Alam, MM, Shahjalal, M., Rahman, MH et al. Ein Energie- und Leckstromüberwachungssystem zur Anomalieerkennung in Elektrogeräten. Sci Rep 12, 18520 (2022). https://doi.org/10.1038/s41598-022-22508-2

Zitat herunterladen

Empfangen: 27. Juni 2022

Akzeptiert: 17. Oktober 2022

Veröffentlicht: 02. November 2022

DOI: https://doi.org/10.1038/s41598-022-22508-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Zur Verfügung gestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Cluster Computing (2024)

Zeitschrift für elektrische Systeme und Informationstechnologie (2023)