שילוב ניתוח מרכיבים סימטריים עם למידה מכונת לחזות שגיאות

חיזוי חיזוי במערכות חשמל הוא אבן הפינה של אמינות הרשת המודרנית והמשכיות התפעולית.כאשר רשתות החשמל צומחות מורכבות יותר עם הדור מבוזר, שילוב מתחדש, וטעינה דינמי, היכולת לצפות ולצמצם את הפגמים לפני שהן הופכות לתחזיות נרחבות הפכה לעדיפות הנדסית קריטית של שיטות זיהוי מסורתיות של מערכות זיהוי לקויות למידה חזקות (SCA), כלי מתמטי חזק שפותח על ידי צ'ארלס לפורטו ב-1918, אשר פותחו על ידי שיטות מחקר חדש של מערכות למידה.

הבנת ניתוח סיממטרי

ניתוח מרכיבים סיממטריים הוא טכניקת טרנספורמציה המרתיעה קבוצה לא מאוזנת של שלושה מתחים או זרמים לשלוש קבוצות מאוזנות: השוויון החיובי, חוסר השוויון שלילי, ורכיבי אפס-השוויון. זה אינו יקר ערך כי רוב סוגי האשמה על מערכת תלת-אפוזית יוצרים תנאים לא מאוזנים שקשה לנתח ישירות על ידי המרתם של מהנדסים פגומים (מסוגים) לשיטות הגנה חד-סימטריות (מסוגיות) לכל אחת, או מאוזנות, יכולות ליישם באופן משמעותי, כלומר, כלומר, שיטות הגנה חד-סימטריות, כל אחת, או מאוזנות, כלומר, שיטות הגנה חד-סימטריות) שיטות הגנה חד-סימטריות, הן יכולות לפשטות, הן יכולות לפשטות, הן יכולות לפשטות, הן יכולות לפשטות, הן יכולות ליישם שיטות הגנה חד-סימטריות, כל אחת, כלומר, הן שיטות הגנה חד-סימטריות, כל אחת, הן יכולות ליישם באופן משמעותי, הן יכולות לפשטות, כל אחת, הן יכולות לפשטות, הן שיטות אבטחה חד-סימטריות, הן שיטות אבטחה חד-סימטריות, הן בלתי-סימטריות, הן יכולות לפשטות, הן יכולות לפשטות, הן יכולות ליישם באופן משמעותי, הן שיטות

יסודות תיאורטיים של SCA

השיטה נחה על משפט פורטסקו, הקובע כי כל קבוצה של שלושה phas לא מאוזנת ניתן לבטא כסכום של שלוש קבוצות סימטריות של phasors:

(FLT:0) מרכיבים של שקיפות 1 (FLT:1) יש גודל שווה, הם ממונעים 120 מעלות בנפרד, ומסתובבים באותו כיוון כמו המערכת המקורית (חשבון עבור סיבוב ABC).
(ב) ל-[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]
(ב) ל-[[1924]], [[1924]]]], יש גודל שווה והם בשלב (0° הפרדה), הם מופיעים יחד כאשר לזרם או למתחים יש נתיב החזרה משותף, כמו בפגמים קרקעיים.

השינוי מבוצע באמצעות ממטריקס פורטסקו (לעיתים קרובות deoted (FLT:0) ), המאפשר למהנדסים להפיק כמויות רצף מכמויות שלב נמדדות.לדוגמה, פגם קו-קרקע בשלב A יוצר זרם אפס-שוויון משמעותי, בעוד שקו-על-ליין מייצר רק רכיבים שליליים וחיוביים.

יישום ב Fault Detection

ממסרים מוגנים ונקודות זיהוי של זרמים ומתחים, מהנדסי הגנה יכולים לקבוע את האופי המדויק של הפרעה.על ידי השוואת גודל וזווית של שלבים וצורות של זרמים ומתחים, מהנדסי הגנה יכולים לסווג סוגים של תקלות עם ביטחון גבוה. לדוגמה, גילוי גבוה אפס גבוה הנוכחי יחסית להגדרות חיוביות ושליליות של הדבקה מצביע על פגם; שיעור שלילי גבוה עם אפס-יתר נמוך למקרים של תקלות, גם על ידי חישובים חיוניים.

Machine Learning in Fault Prediction

למידת מכונה מביאה גישה מבוססת נתונים לחיזוי לקוי של דפוסי למידה מהנתונים של מערכת היסטורית ומציאותית.בניגוד לשיטות המבוססות על הכלל הדורשות הגדרות סף מפורשות, מודלים של ML יכולים לגלות יחסים מורכבים שאינם ליניאריים בין פרמטרים רבים - מתחוללים ועיוותים נוכחיים, תוכן הרמוני, טמפרטורה, עומס, פרופילים, גורמים סביבתיים - כי אירועים אלה הם בעלי ערך מיוחד עבור תקלות בלתי מוגבלות אשר מתפתחת לאט, כגון מעוקבים או לא קונבנציונאליים, אשר עלולים, אשר עלולים, אשר אינם ניתנים למעקב אחר עקבות, או מתואמים, או לא קונבנציונאליים, או לא קונבנציונאליים, אשר עלולים, אשר עלולים, אשר עלולים, או מתוקף, או מתוקף, או מתוקף, אשר עלולים, אשר עלולים, או מתוקף, או מתוקף, או מתוקף, או מתוקף, אשר עלולים, שינויים קונבנציונאליים, אשר עלולים, אשר עלולים להיות מתוקף, אשר עלולים על ידי מעקבים, או מתוקף, אשר עלולים, או מתוקף, או מתוקף, אשר עלולים להיות מכשולים לא תקפים, אשר עלולים להיות, אשר עלולים להיות, אשר עלולים להיות מוחלפים, אשר עלולים להיות מכשולים לא

מפתח Machine Learning Algorithms for Power System Faults

מגוון של אלגוריתמים של ML כבר הוחלו על חיזוי תקלות במערכות חשמל, כל אחד עם כוחות ומגבלות:

(FLT:0) עץי ענישה וזרמים אקראיים: אנדרל 1 (Ever Forests: ⁇ ) שיטות האנסמבל הללו הן ניתנות לפירוש והן חזקות יותר כדי להתאים יתר על המידה.
(FLT:0) מכונות Vector (SVMori): FLT ( 1:1 SVMs) יעילים עבור חללים בעלי תכונות גבוהות וגודלי מדגם קטנים.הם הועסקו כדי להבחין בין תנאים רגילים וקדם-קויים באמצעות יחס רכיב רצף.
רשתות ניאל מלאכותיות (ANNs) ו- Deep Learning:FLT:1 ארכיטקטורות מעמיקות, כולל רשתות עצביות אבולוציוניות (CNN) וזיכרון לטווח קצר ארוך (LSTM), מצטיינים בלכידת תלות זמנית בנתונים של זמן.
(FLT:0) שיטות Boosting Boosting (XGBoost, LightGBM): ibFLT:1 מודלים אלה לעתים קרובות להשיג ביצועים המדינה-of-the-art על נתונים לשוניים, והם כבר מיושם כדי לחזות את הסיכויים להתרחשות באמצעות 15-30 תכונות מונדסים ממרכיבים סימטריים.

המונחים: Training and אימות Pipeline

צינור חיזוי תקלות מבוסס ML כולל מספר שלבים:

אוסף הנתונים:0 (איור 1) רשומות היסטוריות ממערכות בקרה פיקוח ורכישת נתונים (SCADA), יחידות מדידה phasor (PMUs), ממסרי הגנה, ורשומות תקלות דיגיטליות מספקות דוגמאות מתוזמנות של פעולה רגילה, תנאי טרום קוף, ופגמים אמיתיים.
(FLT:0) הנדסה אפית: 1FLT:1 שילובים אלגבריים של רכיבים סימטריים - כגון יחסי רכיב רצף, הבדלים שלב וסכומים מצטברים - מופקים.
(FLT:0)Model Training and אימות:FLT:1 Data מחולק לאימון, אימות ומבחן ערכות. Hyperparameter כוונון מבוצע באמצעות ריצוף צלב, ומדדי ביצועים כגון דיוק, זיכרון, F1-score ו-ROC-AUC הם במעקב.
(FLT:0) ניהול ובקרה: FLT:1 המודל המאומנים משולב במערכת ניטור בזמן אמת שבה הוא מפיץ נתונים ופלטים של תוצאות הסתברות שגויות.

עבור סקירה מעמיקה של יישומי ML בהגנה על מערכת החשמל, הקוראים יכולים להתייחס לסקר המקיף של ה-FLT:0.R. L. R. סילבה et al. (2020) ב- IEEEFLT:1.

ניתוח של Components סימפמטרי עם Machine Learning

השילוב של SCA ו- ML מנף את השקיקה המתמטית של רצף decomposition כדי ליצור תכונות אינפורמטיביות מאוד עבור מודלים ML. במקום להאכיל מתח תלת-phase גלם ודגימות נוכחיות ישירות לרשת עצבית - אשר ידרוש נתונים מסיביים ועשויות לטשטש חתימות פיזיות - שלב SCA הראשון הופך את הנתונים לרצף קומפקטי של כמויות רלוונטיות ישירות להתנהגות לקויה.

הפקה: Using Symmetrical Components

תהליך החילוץ של התכונה בדרך כלל כרוך בצעדים הבאים:

ספירת מתח שלוש-phase (Va, Vb, Vc) והנתונים הנוכחיים (Ia, Ib, Ic) בקצב מתאים (למשל, 64 דגימות לכל מחזור עבור 50 / 60 הרץ מערכות).
החלת השינוי בפורטסקו כדי ליישר את השוויון החיובי (V1, I1), חוסר השוויון שלילי (V2, I2) ואפס-השוויון (V0, I0) מפזים לכל חלון זמן.
מניעת סט של תכונות מונדסיות: יחסים כגון I2 / I1, V0 / V1, I0/I1; הבדלים שלב בין רכיבי רצף; וגודלים של כמויות שליליות ואפס-שוואות.
באופן אופציונלי, תכונות סטטיסטיות מחשוב (mean, סטייה סטנדרטית, skewness) על החלונות של כמויות רצף כדי ללכוד מגמות לפני שרוול.

אדריכלות מודל לאינטגרציה

אדריכלות שילוב נפוצה כוללת צינור שני שלבים: מודול החילוץ תכונה (SCA מבוסס) האכלה לתוך מאמת ML או מודל רגרסיה.מודל ML יכול להיות:

(ב) ויקרא י"א: "ה', כ"כ, אם יכשלו בנקודת זמן מסוימת (למשל, 10 דקות, שעה).
(ב) ,0) מאמת רב-כיתה (FLT:103) כדי לחזות את התרחשותם ואת סוג האשמה המתחוללת (למשל, LG, LLG, 3-phase).
(ב) [ה]התאוששות [ה] [ה]], על מנת להעריך את הזמן שנותר עד תחילת הכשל, ובכך אפשרו פעולות קודמות של מפעיל.

מחקר שנערך על ידי EF:0G. J. B. deאוליירה et al. (2022) במחקר Power Systems ResearchFLT:1 הראה כי רשת LSTM שהוכשרה על תכונות שליליות ואפס-שפיות הנוכחית השיגה שיפור של 15% בחיזוי זמן מוביל בהשוואה לשימוש בזרםי גלם בלבד.

מקרה מחקר: חיזוי קו-to-Ground Faults in Distribution Networks

נחשב ל- 25 kVorderer עם תקלות קרקעיות גבוהות (תריש נפוץ, קשה לדיסק) מסורתי SCA נאבק לבד עם זרמי אשמה חלשים.על ידי אימון הרכב של מערכי יער אקראיים על תכונות SCA-דריביות - במיוחד היחס I0/I1 והזווית בין V0 ל- V1 - המודל היה מסוגל לחזות ב-pientsatesatesatesate מוקדם יותר מ- 120 שניות.

היתרונות של האינטגרציה

שילוב של ניתוח רכיבים סימטריים עם למידת מכונה מספק יתרונות הניתנים לכימות על פני כל גישה בשימוש לבד:

(FLT:0) דיוק והפחתה של אזעקה: ⁇ FLT ( 1:1) הפרשיות הפיזית של תכונות רצף פועל כדכא חזק לפני, סינון רעש ודפוסים לא רלוונטיים.זה מקטין את הסבירות של מודלים של ML מחלחלים לתומים מעוררים.בכמה מחקרים, גישות משולבות השיגו F1scores >0.95 עבור סיווג שגוי.
(FLT:0) גילוי מוקדם יותר של תקלות בלתי צפויות: FLT:1 על ידי ניטור מגמות בכמויות שליליות ואפס-השוויון לאורך זמן, מודלים של ML יכולים לזהות ימים לפני שהאשמה מתפתחת באופן מלא.
(FLT:0) יכולת ניטור בזמן אמת: FLT:1 , SCA מיצוי תכונה יעילה חישובית - לעתים קרובות דורש פחות מ-1,000 פעולות צף נקודה למדגם - המאפשר שילוב לתוך מיקרובקרים ומכשירי קצה. למידת מכונות ניתן לבצע ב- מילימטריים, המאפשר תחזיות של תקלות תת-מחזור.
(FLT:0) הוצאות תפעוליות: FLT:1 מניעת תקלות באמצעות חיזוי מוקדם מקטין תיקונים יקרים חירום, מקטין את מערכת הענישה בזמן הפחתת זמן, ומרחיב את חיי הנכסים.
(FLT:0) ,Adaptability לשנות את תנאי המערכת: דגמי ML 1 , ניתן לפטור אותם מחדש כמידע חדש הופך זמין, ומאפשר להם להסתגל לרשת להתנצלות או לדפוסי עומס ללא הפעלת מחדש ידנית של הגדרות הגנה.

אתגרים והגבלות נוכחיות

למרות הבטחתו, שילוב של SCA ו-ML עומד בפני כמה אתגרים מעשיים שיש לטפל בהם לאימוץ תעשייתי נרחב:

(FLT:0Data Quality and labeling: FLT:1 ,מודלים של ML דורשים נתונים באיכות גבוהה הכוללים מספר מספיק של אירועים פגומים.עם זאת, תקלות הן אירועים נדירים במערכות שמורות היטב, המוביל לחוסר איזון מעמדי חמור.Synthetic Data Generation ולמידה הם תחומי מחקר פעילים אך עדיין לא מבוגרים.
(FLT:0)Model Affairability: FLT:1 בעוד תכונות SCA ניתנות לפירוש פיזי, מודלים ML עצמם לעתים קרובות נשארים ארגזים שחורים.בתשתית ביקורתית, מפעילים ורגולטורים דורשים תחזיות אפשריות.טכניקות כגון SHAP (SHapley Addit Addive exPlanations) ו-LIME (הסברים הבין-אגנוסטיים אחרים) יכולים לעזור, אך הם מוסיפים חישובים חישוביים.
(FLT:0) אילוצים חישוביים בקצה:03FLT:1 ,הפצה של מודלים למידה מעמיקים מורכבים על מכשירים מאומצים משאבים כמו מכשירים אלקטרוניים אינטליגנטיים (EDs) נותרה מאתגרת.מודל דחיסה, ריצוף, ו הקוונטים נדרשים לעמוד בדרישות של שקיפות בזמן אמת.
(FLT:0) הכללה ברשתות שונות: FLT:1 A Model המאומן על נתונים של תת-התתת אחת עשויה להופיע בצורה גרועה על רקע וריאציות בשיטות קרקעיות, תכונות עומס ומכשולים פגומים.בני מודלים חזקים, ניתנים להעברה היא יעד מחקר מרכזי.
(FLT:0) פרצות של אבטחת מידע: מיפוי 1: למערכות חיזוי מבוססות ML מציגות משטחים חדשים של התקפות.דוגמאות עו"ד עלולות לגרום לתחזיות שווא, מה שמוביל לפעולות מיותרות או כשל לזהות תקלות בפועל.

כיוונים עתידיים

במבט קדימה, כמה מגמות מתעוררות יעצבו את הדור הבא של מערכות חיזוי פגמים משולבות של SCA-ML:

(FLT:0) תאומים ונתוני הפיזיקה המיודעים על ידי פיזיקה:FLT 1 על ידי שילוב של SCA בזמן אמת עם תאום דיגיטלי של רשת החשמל, מודלים יכולים לשלב מגבלות פיזיות והנתונים סימולציה.רשתות עצביות מיודעות בפיסיקה (PINNs) אשר הטמיעו את המשוואות של מקסוול לתוך תפקוד האובדן נחקרים עבור חיזוי מדויק יותר.
שיתוף פעולה בין עננים: FLT:1 Lightweight SCA כולל תמציתים על מכשירים קצה יבצע גילוי ראשוני של אנומליות, בעוד מודלים למידה עמוקה מבוססי ענן להתמודד עם זיהוי דפוס מורכב רב-פעמי אדריכלות היברידית זו מאזן מהירות דיוק.
(FLT:0) AI (XAI) עבור מערכות חשמל:FLT (מחקר 1:1 מתמקד בפיתוח מודלים שלא רק לחזות תקלות אלא גם לייצר את התכונות הרצף המשפיעות ביותר (למשל, "כישלון צפוי בשל עלייה יחס I0/IP וירידה בזווית V0").
(FLT:0) למידה על פני כלי רכב: FLT:1 מודלים קדם-הכשרת נתונים ציבוריים גדולים (למשל, מ-EPRI או IEEE Access Repositories) וכוונון עדין על נתונים של תועלת מקומית יכול להפחית באופן דרמטי את נטל איסוף הנתונים ולהאיץ את פריסה.
(FLT:0) אינטגרציה עם מערכות ניטור רחבות-שטח (WAMS):Fevolver 1 (שיטות SCA-ML) מורחבות לחיזוי תקלות ויציבות מתח על ידי ניתוח נתונים של PMU מאוטובוסים מרובים, באמצעות אפס-וריד שלילי של מתח מתח דפוסים.

לסיכום, ההיתוך של ניתוח רכיבים סימטריים עם למידת מכונה מייצג שינוי פרדיגמה בחיזוי מערכת החשמל - הרחק מהגנה תגובתית למניעה פרואקטיבית.על ידי רתום האלגנטיות המתמטית של הפירוק של פורטסקו לצד יכולות הלמידה ההסתגלות של ML מודרני, מהנדסים יכולים להשיג פיקוח חסר תקדים לתוך בריאות רשתות חשמל, בעוד אתגרים הקשורים לנתונים, לפרש, לפרריסה, להישאר מחקר מתמשך ופגיעה בעתיד, לנטרולציה, ולת בעיות לקראת מפעילי נקודה בעתיד.