Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/77190
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | วาทิต เบญจพลกุล | - |
| dc.contributor.author | วิษณุ พรหมรัตน์ | - |
| dc.contributor.other | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ | - |
| dc.date.accessioned | 2021-09-22T23:32:43Z | - |
| dc.date.available | 2021-09-22T23:32:43Z | - |
| dc.date.issued | 2563 | - |
| dc.identifier.uri | http://cuir.car.chula.ac.th/handle/123456789/77190 | - |
| dc.description | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2563 | - |
| dc.description.abstract | วิทยานิพนธ์นี้นำเสนอกระบวนการจำแนกสาเหตุความผิดพร่องที่เกิดในระบบจำหน่ายของการไฟฟ้าส่วนภูมิภาค (กฟภ.) ได้แก่ กลุ่มของสัตว์ ต้นไม้ และอุปกรณ์ชำรุด โดยใช้ข้อมูลจากการวิเคราะห์รูปคลื่นแรงดันและกระแสที่บันทึกได้จากรีเลย์ที่สถานีไฟฟ้า เพื่อหาค่าแรงดันตกชั่วขณะ อัตราการเปลี่ยนแปลงของกระแสและแรงดัน ค่าสูงสุดของกระแสและแรงดันนิวทรัล ความผิดพร่องแบบชั่วคราวหรือถาวร ชนิดของความผิดพร่อง และความผิดพร่องที่มีการแปรเปลี่ยนประเภท จากนั้นให้การเรียนรู้ของเครื่อง เปรียบเทียบกับวิธีโครงข่ายประสาทเทียม จำแนกสาเหตุของความผิดพร่องเพื่อลดระยะเวลาในการตรวจสอบเคลียร์ไลน์ระบบจำหน่ายเมื่อเกิดเหตุผิดพร่องและใช้ในการวางแผนการจัดการงานแก้ไฟฟ้าขัดข้อง ทดสอบความแม่นยำของอัลกอริทึมโดยการทดสอบจริงกับระบบจำหน่ายของ กฟภ. ในพื้นที่ภาคใต้ตอนกลางของประเทศไทย ผลการทดสอบกระบวนการที่นำเสนอแสดงว่า การเรียนรู้ของเครื่องสามารถจำแนกได้มีความถูกต้องมากกว่าโครงข่ายประสาทเทียมที่ข้อมูลฝึกฝน จำนวน 200 เหตุการณ์ โดยสามารถจำแนกว่าเหตุผิดพร่องอยู่ในกลุ่มใดที่ 72.72% และสามารถระบุถึงสาเหตุความผิดพร่อง ด้วยความแม่นยำที่ 81.21% ถึง 88.89% | - |
| dc.description.abstractalternative | This Thesis presents a process for classifying the cause of faults occurring in the Provincial Electricity Authority (PEA) distribution systems, consisting of a group of animals, tree contact, and equipment failure. By using data from the analysis of current and voltage waveforms obtained from relay installed at the substation to find the voltage dip, rate of change of current and voltage, neutral current and voltage, temporary or permanent fault, fault type, evolving fault, fed data to machine learning (ML) compared to the artificial neural network (ANN) to classify the cause of faults in order to reduce the duration to patrol the line of the distribution system after the fault occurs and to use in the management planning for resolving electrical interruption. Accuracy testing of the algorithm by real testing was performed with the recorded data from the distribution system of PEA in the central southern area of Thailand. The test result of the proposed process shows that the ML can classify more accuracy than the ANN with 200 training data, the group of fault events is correctly classified with the ML accuracy of 72.72%, the proposed method can provide the accuracy of identifying fault cause with 81.21% - 88.89% accuracy. | - |
| dc.language.iso | th | - |
| dc.publisher | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.relation.uri | http://doi.org/10.58837/CHULA.THE.2020.1109 | - |
| dc.rights | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.subject.classification | Engineering | - |
| dc.title | การจำแนกสาเหตุความผิดพร่องในระบบจำหน่าย 33 kV ของ การไฟฟ้าส่วนภูมิภาค โดยใช้การเรียนรู้ของเครื่อง | - |
| dc.title.alternative | Fault cause classification on 33 KV distribution system of the provincial electricity authority using machine learning | - |
| dc.type | Thesis | - |
| dc.degree.name | วิศวกรรมศาสตรมหาบัณฑิต | - |
| dc.degree.level | ปริญญาโท | - |
| dc.degree.discipline | วิศวกรรมไฟฟ้า | - |
| dc.degree.grantor | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.identifier.DOI | 10.58837/CHULA.THE.2020.1109 | - |
| Appears in Collections: | Eng - Theses | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 6170406421.pdf | 5.87 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.