La previsione dell'articolo di default nei sistemi di alimentazione elettrica è un punto di riferimento per l'affidabilità e la continuità operativa della rete. Poiché le reti di alimentazione crescono più complesse con la generazione distribuita, l'integrazione rinnovabile e il carico dinamico, la capacità di anticipare e mitigare i difetti prima di escalare in outages molto diffusi, è diventata una priorità di ingegneria critica.

Comprendere l'analisi dei componenti simmetrici

L'analisi simmetrica dei componenti è una tecnica di trasformazione che decompone un insieme sbilanciato di tensioni trifase o correnti in tre set bilanciati: la sequenza positiva, la sequenza negativa e i componenti di sequenza zero. Questa decomposizione è inestimabile perché la maggior parte dei tipi di guasto su un sistema trifase creano condizioni sbilanciate che sono intrinsecamente difficili da analizzare direttamente.

Fondamenti teorici di SCA

Il metodo poggia sul teorema di Fortescue, che afferma che qualsiasi insieme di tre fasori non bilanciati può essere espresso come somma di tre set simmetrici di phasors:

  • I componenti di sequenza positiva[[[] hanno una magnitudine uguale, sono distanziati a 120° e ruotano nella stessa direzione del sistema originale (contro orario per rotazione ABC).
  • I componenti di sequenza negativa[[[] hanno anche una magnitudine uguale e una distanza di 120°, ma ruotano nella direzione opposta (in senso orario). La loro presenza indica condizioni sbilanciate, come quelle causate da guasti o carichi sbilanciati.
  • I componenti di sequenza dello stato[[[] hanno una magnitudine uguale e sono in fase (0° separazione), ruotando insieme.

La trasformazione viene eseguita utilizzando la matrice Fortescue (spesso denotata [A]), consentendo agli ingegneri di estrarre quantità di sequenza da quantità di fase misurate. Ad esempio, un guasto linea-terra sulla fase A genera una significativa corrente di zero-sequenza, mentre un difetto linea-linea produce solo componenti negativi- e positivi-sequenza.

Applicazione nella rilevazione di guasti

I relè protettivi e i locatori di guasto impiegano regolarmente componenti simmetrici per determinare la natura esatta di un disturbo. Confrontando le magnitudine e gli angoli di fase delle correnti e delle tensioni di sequenza, gli ingegneri della protezione possono classificare i tipi di guasto con alta fiducia.

Imparare a Predizione di Predefinizione di Predefinizione di Predefinizione di Presa

A differenza dei metodi basati su regole che richiedono definizioni esplicite delle soglie, i modelli ML possono scoprire complesse relazioni non lineari tra numerosi parametri, forme di tensione e di onda attuali, contenuti armonici, temperatura, profili di carico, fattori ambientali, che precedono eventi di guasto, questa capacità è particolarmente preziosa per i difetti incipienti che si evolvono lentamente, come gli scarichi parziali nei trasformatori convenzionali.

Algoritmi chiave per l'apprendimento delle macchine per i guasti del sistema di potenza

Una varietà di algoritmi ML sono stati applicati alla predizione dei guasti nei sistemi di potenza, ciascuno con i punti di forza e limitazioni:

  • Alberi di precisione e foreste casuali:[ Questi metodi di ensemble sono interpretabili e robusti da sovrafitting. Possono gestire sia caratteristiche classificali che numeriche e sono stati utilizzati per classificare i tipi di guasto in base alle caratteristiche dei componenti di sequenza.
  • Support Vector Machines (SVM):[] I SVM sono efficaci per spazi di funzionalità ad alta dimensione e piccole dimensioni del campione. Sono stati impiegati per distinguere tra condizioni normali e pre-fault utilizzando i rapporti dei componenti di sequenza.
  • Reti neurali artificiali (ANNs) e Deep Learning:[] Architetture profonde, comprese reti neurali convoluzionali (CNNs) e reti a breve termine (LSTM), eccellere a catturare dipendenze temporali nei dati della serie temporale.
  • Metodi di amplificazione geniale (XGBost, LightGBM): Questi modelli spesso raggiungono prestazioni all'avanguardia sui dati tabulari e sono stati applicati per prevedere le probabilità di verificarsi di guasto utilizzando 15–30 caratteristiche ingegnerizzate da componenti simmetrici.

La linea di formazione e di convalida

Un tipico pipeline di previsione di guasti basato su ML comporta diverse fasi:

  1. Raccolta dati:[[]] Registrazioni storiche dei sistemi di controllo e acquisizione dati (SCADA), unità di misura del phasor (PMU), relè protettivi e registratori di guasti digitali forniscono esempi etichettati di normale funzionamento, condizioni pre-fault e guasti effettivi.
  2. Ingegneria della temperatura:[] Vengono estratte combinazioni algebriche di componenti simmetriche, come i rapporti dei componenti di sequenza, le differenze di angolo di fase e le somme cumulative.
  3. La formazione e la validazione della versione:[ I dati sono suddivisi in gruppi di formazione, validazione e test. La regolazione dell'iperparametro viene eseguita utilizzando metriche di valutazione incrociata e di prestazioni come precisione, richiamo, F1-score e ROC-AUC sono monitorati.
  4. Diploma e monitoraggio:[ Il modello formato è integrato in un sistema di monitoraggio in tempo reale dove ingerisce i dati in streaming e i risultati delle probabilità di guasto. L'apprendimento continuo può essere implementato per adattarsi alle condizioni di griglia in evoluzione.

Per una revisione approfondita delle applicazioni ML nella protezione del sistema di potenza, i lettori possono fare riferimento all'indagine completa R. L. R. Silva et al. (2020) in Accesso IEEE.

Integrazione di analisi dei componenti simmetrici con l'apprendimento automatico

L'integrazione di SCA e ML sfrutta il rigore matematico della decomposizione di sequenza per creare caratteristiche altamente informatiche per i modelli ML. Piuttosto che alimentare i campioni di tensione trifase grezzi e di corrente direttamente in una rete neurale, che richiederebbe set di dati di massa e potrebbe oscurare le firme di errore fisico, la fase SCA trasforma i dati in un insieme compatto di quantità di sequenze che sono direttamente rilevanti per il comportamento di guasto.

Estrazione caratteristica utilizzando componenti simmetriche

Il processo di estrazione della caratteristica comporta in genere i seguenti passaggi:

  1. Sampling di tensione trifase (Va, Vb, Vc) e corrente (Ia, Ib, Ic) dati ad una velocità appropriata (ad esempio, 64 campioni per ciclo per sistemi 50/60 Hz).
  2. Applicando la trasformazione di Fortescue per calcolare la sequenza positiva (V1, I1), la sequenza negativa (V2, I2) e i phasors zero-sequence (V0, I0) per ogni finestra temporale.
  3. Derivando una serie di caratteristiche ingegnerizzate: rapporti quali I2/I1, V0/V1, I0/I1; differenze di angolo di fase tra componenti di sequenza; e magnitudine di quantità negative e zero-sequenza; queste caratteristiche sono fisicamente interpretabili e altamente correlate all'iniziazione del guasto.
  4. Opzionalmente, le caratteristiche statistiche di calcolo (mea, deviazione standard, skewness) su finestre scorrevoli di quantità di sequenza per catturare le tendenze pre-fault.

Model Architettura per l'integrazione

Un'architettura comune di integrazione comprende un condotto a due stadi: un modulo di estrazione a funzione (sbasato SCA) che si alimenta in un modello di classificazione ML o di regressione.

  • Un classificatore binario[[]] per prevedere se un difetto si verifica entro un orizzonte temporale specifico (ad esempio, 10 minuti, 1 ora).
  • Un classificatore multiclasse[[[]] per prevedere sia l'insorgenza che il tipo di guasto imminente (ad esempio, LG, LL, LLG, trifase).
  • Un modello di regressione[[]] per stimare il tempo rimanente fino all'inizio del guasto, consentendo le azioni dell'operatore prioritarie.

La recente ricerca di G. J. B. de Oliveira et al. (2022) in Electric Power Systems Research[] ha dimostrato che una rete LSTM addestrata alle caratteristiche di corrente negativa e zero-sequenza ha raggiunto un miglioramento del 15% del tempo di piombo di previsione dei guasti rispetto all'utilizzo di correnti di fase raw da solo.

Case study: Predivisione dei guasti linea-to-rotonda nelle reti di distribuzione

Considerare un alimentatore di distribuzione da 25 kV con difetti di terra ad alta impedenza (uno scenario comune, difficile da rilevare). La sola SCA tradizionale lotta con correnti di guasto deboli.

Vantaggi dell'integrazione

Combinando l'analisi dei componenti simmetrici con l'apprendimento automatico, i vantaggi quantificabili rispetto a un approccio utilizzato da solo:

  • Precisione avanzata e falsi allarmi ridotti:[] L'interpretazione fisica delle caratteristiche di sequenza agisce come un forte precedente, filtrando il rumore e i modelli irrilevanti. Questo riduce la probabilità di modelli ML memorizzando le correlazioni spurie. In diversi studi di benchmark, gli approcci integrati hanno raggiunto F1-scores >0.95 per la classificazione del tipo di difetto.
  • Rilevamento più elevato di difetti incipienti:[ Monitorando le tendenze in quantità negative e zero-sequenza nel tempo, i modelli ML possono rilevare anomalie giorni prima che si sviluppi completamente un guasto.
  • Capacità di monitoraggio a tempo reale:[ L'estrazione della funzione SCA è computazionalmente efficiente – spesso richiede meno di 1.000 operazioni a punto variabile per campione – consentendo l'integrazione in microcontrollori e dispositivi a bordo. L'inferenza di apprendimento automatico può essere eseguita in millisecondi, consentendo previsioni di guasto del sotto-ciclo.
  • Costi operativi ridotti:[] Prevenire i guasti attraverso la previsione precoce minimizza le riparazioni di emergenza costose, riduce le penalità di fermo del sistema e prolunga la vita delle risorse.
  • Adattibilità alle condizioni di sistema in evoluzione:[ I modelli ML possono essere riqualificati come nuovi dati diventano disponibili, permettendo loro di adattarsi alle topologie della griglia o ai modelli di carico senza ri-ingegneria manuale delle impostazioni di protezione.

Sfide e limitazioni attuali

Nonostante la sua promessa, l'integrazione di SCA e ML affronta diverse sfide pratiche che devono essere affrontate per un'adozione industriale diffusa:

  • Qualità dei dati e etichettatura:[[] I modelli ML richiedono dati etichettati di alta qualità che includono un numero sufficiente di eventi di errore. Tuttavia, i difetti sono eventi rari in sistemi ben conservati, portando a uno squilibrio di classe grave. La generazione di dati di guasto sintetico e l'apprendimento dei trasferimenti sono aree di ricerca attive ma non ancora mature.
  • L'interpretabilità della moda:[ Mentre le caratteristiche SCA sono fisicamente interpretabili, i modelli ML spesso rimangono scatole nere. In infrastrutture critiche, gli operatori e i regolatori richiedono previsioni spiegabili. Tecniche come SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-agnostic Explanations) possono aiutare, ma aggiungono overhead computazionale.
  • I vincoli computazionali al bordo:[]] Diplodere modelli di deep learning complessi su dispositivi con restrizioni alle risorse, come dispositivi elettronici intelligenti (IEDs) rimane impegnativo.
  • Generalizzazione su diverse reti:[] Un modello formato su una sottostazione può eseguire in modo negativo su un altro a causa delle variazioni dei metodi di messa a terra, delle caratteristiche di carico e delle impedenze di guasto.
  • I vulnerabilità della sicurezza del laser:[ I sistemi di previsione basati su ML introducono nuove superfici di attacco.

Le direzioni future

Guardando avanti, diverse tendenze emergenti modellano la prossima generazione di sistemi integrati di predizione dei guasti SCA‐ML:

  • Gemelli digitali e ML in forma fisica: Combinando SCA in tempo reale con un gemello digitale della rete di potenza, i modelli possono incorporare vincoli fisici e dati di simulazione.
  • Collaborazione cloud-cloud:[[] Gli estrattori di funzionalità SCA leggeri sui dispositivi di bordo eseguiranno il rilevamento iniziale dell'anomalia, mentre i modelli di apprendimento profondo basati su cloud gestiscono il riconoscimento di pattern multi-fault complesso.
  • IA spiegabile (XAI) per i sistemi di alimentazione:[ La ricerca si concentra sullo sviluppo di modelli che non solo prevedono errori ma anche emettono le caratteristiche di sequenza più influenti (ad esempio, “fault predited a causa dell’aumento del rapporto I0/IP e dell’angolo V0 in diminuzione”).
  • Trasferire l'apprendimento attraverso le utility:[[]] Modelli di pre-formazione su grandi set di dati pubblici (ad esempio, da EPRI o repository IEEE Open Access) e la loro ottimizzazione sui dati locali di utilità potrebbe ridurre drasticamente l'onere della raccolta dati e accelerare l'implementazione.
  • Integrazione con sistemi di monitoraggio a larga area (WAMS):[ I metodi SCA‐ML sono stati estesi per prevedere errori di fuga e instabilità della tensione analizzando i dati PMU da più bus, utilizzando modelli di propagazione della tensione a zero- e a negativo-sequenza.

In conclusione, la fusione di analisi simmetrica dei componenti con l’apprendimento automatico rappresenta un cambiamento di paradigma nella previsione dei guasti del sistema di potenza, passando dalla protezione reattiva alla prevenzione proattiva. I tecnici possono raggiungere una previsione senza precedenti nella salute delle reti elettriche, mentre le sfide legate ai dati, all’interpretazione e alla distribuzione rimangono, la ricerca e la maturazione della tecnologia in corso puntano verso un futuro.