تصميم نموذج ذكي للكشف المبكر عن الأعطال في الشبكات الكهربائية باستخدام تقنيات التعلم العميق
د. أحمد ناجي حسين
الجامعة التكنولوجية / قسم الهندسة الكهربائية / العراق
Design of an Intelligent Model for Early Fault Detection In Electrical Networks Using Deep Learning Techniques
Dr. Ahmad N. HusseinUniversity of Technology, Department of Electrical Engineering, Iraq
Platform.innovation.ai@gmail.com
تاريخ استلام البحث:١٧ -٧- ٢٠٢٥
تاريخ نشر البحث:٦-٨-٢٠٢٥
الملخص:
يهدف هذا البحث إلى تطوير نموذج ذكي يعتمد على تقنيات التعلم العميق للكشف المبكر عن الأعطال في الشبكات الكهربائية، بما يساهم في تحسين موثوقية النظام الكهربائي وتقليل فترات التوقف غير المخطط لها. تم استخدام شبكات التعلم العميق (Deep Learning)، لا سيما الشبكات العصبية التلافيفية (CNN) والشبكات المتكررة (RNN)، لتحليل بيانات التشغيل الفعلية مثل التيار والجهد وتردد الإشارات في الزمن الحقيقي. وتم تدريب النموذج باستخدام مجموعات بيانات محاكاة وعينات حقيقية تم الحصول عليها من أنظمة طاقة فعلية. أظهرت النتائج أن النموذج المقترح قادر على اكتشاف الأعطال بشكل دقيق بنسبة تجاوزت 95%، كما يمكنه تصنيف نوع العطل وموقعه الزمني بدقة عالية. يشير البحث إلى أهمية استخدام الذكاء الاصطناعي في تعزيز كفاءة واستدامة منظومات الطاقة، ويدعو إلى توسيع نطاق تبني هذه الحلول في البنى التحتية للطاقة في الدول النامية.
الكلمات المفتاحية : الأعطال الكهربائية، التعلم العميق، الشبكات العصبية، الكشف المبكر، الشبكات الذكية، الصيانة التنبؤية
.Abstract:
This research aims to develop an intelligent model based on deep learning techniques for the early detection of faults in electrical power networks, contributing to enhanced system reliability and reduced unplanned outages. The proposed model employs advanced deep learning architectures, including Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN), to analyze real-time operational data such as current, voltage, and frequency signals. The model was trained on both simulated datasets and real-world data collected from active power systems. The results demonstrate that the proposed approach achieves a fault detection accuracy exceeding 95%, with high precision in classifying fault types and identifying their temporal occurrence. The study underscores the vital role of artificial intelligence in improving the efficiency and sustainability of energy systems and recommends broader adoption of such technologies in the infrastructure of developing Countries.
keywords: Electrical Faults, Deep Learning, Neural Networks, Early Detection, Smart Grids, Predictive Maintenance.