{rfName}
In

Indexado en

Licencia y uso

Citaciones

30

Altmetrics

Análisis de autorías institucional

Ye-Lin, YAutor (correspondencia)Nieto-Del-Amor, FAutor o CoautorFuster-Roig, VAutor o Coautor

Compartir

Publicaciones
>
Artículo

Inception 1D-convolutional neural network for accurate prediction of electrical insulator leakage current from environmental data during its normal operation using long-term recording

Publicado en:Engineering Applications Of Artificial Intelligence. 119 105799- - 2023-03-01 119(), DOI: 10.1016/j.engappai.2022.105799

Autores: Bueno-Barrachina, Jose-M; Ye-Lin, Yiyao; Nieto-del-Amor, Felix; Fuster-Roig, Vicente

Afiliaciones

Univ Politecn Valencia, Ctr Invest Innovac Bioingn Ci2B, Camino Vera S-N Ed 7F - Autor o Coautor
Univ Politecn Valencia, Inst Tecnol Elect - Autor o Coautor

Resumen

Contamination flashover remains one of the biggest challenges for power grid designers and maintenance engineers. Insulator leakage current contains relevant information about their state so that continuous monitoring is considered the most effective way to prevent contamination flashover. In this work, we attempted to accurately predict insulator leakage current in real time during normal operations based on environmental data using long-term recordings. We first confirmed that the history of environmental data also contained relevant information to predict leakage current by conditional Granger analysis and determined that 20 was the optimal number of previous samples for this purpose. We then compared the performance of typical regression models and convolutional neural network (CNN), when using both current and the last 21 samples as input features. We confirmed that the model with the last 21 samples might perform significantly better. Input features pre-processing by cascaded inception architecture was fundamental to capture the complex dynamic interaction between environmental data and leakage current and significantly improved the model performance. CNN based on inception architecture performed much better, achieving an average R2 of 0.94 +/- 0.03. The proposed model could be used to predict leakage current in both porcelain insulators with or without coatings and silicone composite insulators. Our results pave the way for creating an on-line pre-warning system adapted to individual installations, can anticipate the negative consequences of weather and/or pollution deposits and is useful for designing a strategic high-voltage electrical insulator preventive maintenance plan for preventing contamination flashover and thus increase power grid reliability and resilience.

Palabras clave

Conditional granger causalityContamination flashoverConvolutionConvolutional neural networkConvolutional neural networksDegradationElectrical insulatorsEnvironmental dataFlashoverFlashover voltageForecastingGranger causalityIdentificationImpactInception architectureInsulator contaminationInsulator leakage current predictionInsulator leakage currentsLeakage currentsMechanismNetwork architecturePreventive maintenanceRecognitionRegression analysisSiliconesSirStructural damage detectionSupport vector regressionSupport vector regressions

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Engineering Applications Of Artificial Intelligence debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2023, se encontraba en la posición 5/181, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Engineering, Multidisciplinary. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 2.27. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 14 Nov 2024)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 1.58 (fuente consultada: FECYT Feb 2024)
  • Field Citation Ratio (FCR) de la fuente Dimensions: 10.2 (fuente consultada: Dimensions Jun 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-06-29, el siguiente número de citas:

  • WoS: 14
  • Scopus: 16

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-06-29:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 38 (PlumX).

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (Bueno-Barrachina, JM) y Último Autor (Fuster Roig, Vicente Luis).

el autor responsable de establecer las labores de correspondencia ha sido Ye Lin, Yiyao.