Интеграция анализа симметричных компонентов с машинным обучением для прогнозирования ошибок

Предсказание неисправностей в электрических энергетических системах является краеугольным камнем современной надежности сети и непрерывности работы. По мере того, как энергетические сети становятся все более сложными с распределенной генерацией, возобновляемых интеграций и динамической нагрузкой, способность предвидеть и смягчать неисправности, прежде чем они перерастут в широко распространенные отключения, стала критическим инженерным приоритетом. Традиционные методы обнаружения неисправностей уже давно полагаются на анализ симметричных компонентов (SCA), мощный математический инструмент, разработанный Чарльзом Л. Фортескью в 1918 году, который упрощает изучение несбалансированных трехфазных систем. Между тем, быстрое продвижение технологий машинного обучения (ML) открыло новые границы в прогнозной аналитике, позволяя системам учиться на исторических данных и идентифицировать зарождающиеся модели неисправностей. Сближение этих двух областей - анализ симметричных компонентов и машинное обучение - предлагает убедительный путь для значительного повышения точности предсказания неисправностей, скорости и надежности. В этой статье подробно рассматриваются принципы, лежащие в основе SCA и ML, подробно рассматриваются преимущества

Понимание анализа симметричных компонентов

Анализ симметричных компонентов — это метод преобразования, который разлагает несбалансированный набор трёхфазных напряжений или токов на три сбалансированных набора: компоненты положительной, отрицательной и нулевой последовательности. Это разложение бесценно, потому что большинство типов неисправностей на трёхфазной системе создают несбалансированные условия, которые по своей сути трудно анализировать напрямую. Преобразуя несбалансированные величины в сбалансированные (симметричные) группы, инженеры могут применять методы однофазного анализа схем к каждой сети последовательностей, значительно упрощая исследования неисправностей и координацию защиты.

Теоретические основы SCA

Метод основан на теореме Фортескью, которая гласит, что любой набор из трех несбалансированных фазоров может быть выражен как сумма трех симметричных наборов фазоров:

• Компоненты положительной последовательности имеют равную величину, разнесены на 120° друг от друга и вращаются в том же направлении, что и исходная система (против часовой стрелки для вращения АВС).
• Компоненты отрицательной последовательности также имеют равную величину и расстояние 120°, но вращаются в противоположном направлении (по часовой стрелке).Наличие их указывает на несбалансированные условия, например, вызванные неисправностями или несбалансированными нагрузками.
• Компоненты нулевой последовательности имеют равную величину и находятся в фазе (0° разделения), вращаясь вместе. Они появляются, когда токи или напряжения имеют общий обратный путь, как при неисправностях грунта.

Преобразование выполняется с использованием матрицы Fortescue (часто обозначаемой A), позволяющей инженерам извлекать величины последовательности из измеренных величин фазы. Например, разлом линии к земле на фазе A генерирует значительный ток нулевой последовательности, в то время как разлом линии к линии производит только компоненты отрицательной и положительной последовательности. Эта диагностическая специфика делает SCA краеугольным камнем идентификации типа разлома и местоположения в сетях передачи и распределения.

Применение в обнаружении ошибок

Защитные реле и локаторы неисправностей обычно используют симметричные компоненты для определения точной природы возмущения. Сравнивая величины и фазовые углы токов и напряжений последовательностей, инженеры по защите могут классифицировать типы неисправностей с высокой степенью достоверности. Например, высокий ток нулевой последовательности относительно положительной и отрицательной последовательности предполагает заземление; высокая отрицательная последовательность с низкой нулевой последовательностью указывает на разлом линии к линии. Сети последовательностей также позволяют вычислять токи неисправности для различных сценариев, необходимых для установки значений пикапа реле. Однако традиционные методы на основе SCA в значительной степени реактивны - они обнаруживают неисправности после того, как они происходят. Интеграция с машинным обучением сдвигает парадигму от обнаружения к прогнозированию.

Машинное обучение в прогнозировании ошибок

Машинное обучение обеспечивает основанный на данных подход к прогнозированию неисправностей путем изучения моделей из исторических и системных данных в режиме реального времени. В отличие от основанных на правилах методов, которые требуют явных пороговых определений, модели ML могут обнаруживать сложные нелинейные отношения между многочисленными параметрами - напряжением и текущими формами волн, гармоническим содержанием, температурой, профилями нагрузки, факторами окружающей среды - которые предшествуют событиям неисправности. Эта способность особенно ценна для начинающихся неисправностей, которые развиваются медленно, такие как частичные разряды в трансформаторах или отслеживание на изоляторах, которые могут не быть захвачены обычными порогами.

Ключевые алгоритмы машинного обучения для ошибок в энергосистеме

Для прогнозирования неисправностей в энергосистемах были применены различные алгоритмы ML, каждый из которых имеет сильные и ограниченные возможности:

• Дерево решений и случайные леса: Эти методы ансамбля интерпретируемы и устойчивы к переоборудованию. Они могут обрабатывать как категориальные, так и числовые признаки и использовались для классификации типов неисправностей на основе особенностей компонентов последовательностей.
• Поддерживающие векторные машины (SVM): SVM эффективны для многомерных пространств с функциями и небольших размеров выборки. Они были использованы для различения нормальных и пред-неисправных условий с использованием соотношений компонентов последовательностей.
• Искусственные нейронные сети (ANN) и глубокое обучение: Глубокие архитектуры, включая сверточные нейронные сети (CNN) и сети с длинной кратковременной памятью (LSTM), преуспевают в захвате временных зависимостей в данных временных рядов. Они все чаще используются для прогнозирования неисправностей за несколько часов до этого с использованием данных PMU.
• Методы повышения градиента (XGBoost, LightGBM): Эти модели часто достигают самых современных характеристик на табличных данных и были применены для прогнозирования вероятностей возникновения неисправностей с использованием 15-30 инженерных функций из симметричных компонентов.

Трубопровод обучения и проверки

Типичный трубопровод прогнозирования неисправностей на основе ML включает в себя несколько этапов:

1. Сбор данных: Исторические записи из систем надзорного контроля и сбора данных (SCADA), блоков измерения фазоров (PMU), защитных реле и цифровых регистраторов неисправностей предоставляют помеченные примеры нормальной работы, условий до отказа и фактических неисправностей.
2. Инженерные характеристики: Алгебраические комбинации симметричных компонентов, такие как соотношения компонентов последовательностей, различия фазовых углов и кумулятивные суммы, также могут быть получены особенности временной области (например, скользящая средняя, дисперсия).
3. Модульное обучение и валидация: Данные разбиваются на обучающие, валидирующие и тестовые наборы.Настройка гиперпараметров выполняется с использованием перекрестной валидации, а отслеживаются показатели производительности, такие как точность, отзыв, F1-баллы и ROC-AUC.
4. Развертывание и мониторинг: Обученная модель интегрирована в систему мониторинга в реальном времени, где она принимает потоковые данные и выводит оценки вероятности неисправностей.

Для углубленного обзора приложений ML в защите энергосистемы читатели могут обратиться к всестороннему обзору R. L. R. Silva et al. (2020) в IEEE Access .

Интеграция анализа симметричных компонентов с машинным обучением

Интеграция SCA и ML использует математическую строгость разложения последовательностей для создания высокоинформативных функций для моделей ML. Вместо того, чтобы подавать сырые трехфазные образцы напряжения и тока непосредственно в нейронную сеть, что потребует массивных наборов данных и может заслонить физические сигнатуры ошибок, этап SCA сначала превращает данные в компактный набор величин последовательностей, которые непосредственно связаны с поведением ошибок.

Извлечение функций с использованием симметричных компонентов

Процесс извлечения признаков обычно включает в себя следующие этапы:

1. Выборка данных трехфазного напряжения (Va, Vb, Vc) и тока (Ia, Ib, Ic) с соответствующей скоростью (например, 64 образца за цикл для систем 50/60 Гц).
2. Применение преобразования Fortescue для вычисления фазоров положительной последовательности (V1, I1), отрицательной последовательности (V2, I2) и нулевой последовательности (V0, I0) для каждого временного окна.
3. Получение набора инженерных признаков: соотношения, такие как I2/I1, V0/V1, I0/I1; различия фазового угла между компонентами последовательности; и величины величин отрицательной и нулевой последовательности. Эти признаки физически интерпретируемы и сильно коррелируют с началом неисправности.
4. Необязательно вычислять статистические признаки (среднее, стандартное отклонение, искажение) по раздвижным окнам величин последовательности для захвата тенденций до ошибки.

Модельная архитектура для интеграции

Общая архитектура интеграции включает двухступенчатый конвейер: модуль извлечения признаков (на основе SCA), подаваемый в классификатор ML или регрессионную модель.

• Бинарный классификатор для прогнозирования того, произойдет ли неисправность в пределах определенного временного горизонта (например, 10 минут, 1 час).
• Многоклассовый классификатор для прогнозирования как возникновения, так и типа надвигающейся неисправности (например, LG, LL, LLG, трехфазный).
• Регрессионная модель для оценки времени, оставшегося до момента возникновения неисправности, что позволяет осуществлять приоритетные действия оператора.

Недавние исследования G. J. B. de Oliveira et al. (2022) в Electric Power Systems Research показали, что сеть LSTM, обученная функциям тока с отрицательной и нулевой последовательностями, достигла 15% улучшения времени прогнозирования ошибок по сравнению с использованием только токов сырой фазы.

Тематическое исследование: прогнозирование линейных ошибок в распределительных сетях

Рассмотрим фидер распределения 25 кВ с высоким импедансом наземных неисправностей (общий, трудно обнаруживаемый сценарий). Традиционный SCA борется со слабыми токами неисправностей. Обучая ансамбль случайных лесных классификаторов на SCA-производных функциях - в частности, соотношении I0/I1 и разнице углов между V0 и V1 - модель смогла предсказать зарождающиеся неисправности со средним временем наведения 120 секунд и ложноположительным коэффициентом ниже 2% (см. S. M. A. K. Azad et al., IEEE Transactions on Power Delivery, 2022 ). Это раннее предупреждение дает операторам время для перенастройки сети или принятия превентивных мер.

Преимущества интеграции

Сочетание анализа симметричных компонентов с машинным обучением дает количественные преимущества по сравнению с любым из подходов, используемых в одиночку:

• Повышение точности и снижение ложных тревог: Физическая интерпретируемость признаков последовательности действует как сильное априорное, отфильтровывая шум и нерелевантные закономерности. Это снижает вероятность того, что модели ML запоминают ложные корреляции. В нескольких контрольных исследованиях интегрированные подходы достигли F1-баллов >0,95 для классификации типов неисправностей.
• Раннее обнаружение зарождающихся неисправностей: Путем мониторинга тенденций в количествах отрицательной и нулевой последовательности с течением времени модели ML могут обнаруживать аномалии за несколько дней до полного развития неисправности. Это особенно полезно для активов, склонных к медленному ухудшению, таких как подземные кабели и втулки трансформатора.
• Возможность мониторинга в режиме реального времени: Экстракция функций SCA является вычислительно эффективной — часто требует менее 1000 операций с плавающей запятой на образец — что позволяет интегрироваться в микроконтроллеры и периферийные устройства. Вывод машинного обучения может быть выполнен за миллисекунды, что позволяет прогнозировать неисправности подцикла.
• Сокращение эксплуатационных расходов: Предотвращение неисправностей посредством раннего прогнозирования минимизирует дорогостоящие аварийные ремонты, снижает штрафы за простои системы и продлевает срок службы активов.
• Приспособляемость к изменяющимся условиям системы: Модели ML могут быть переобучены по мере поступления новых данных, что позволяет им адаптироваться к топологиям сетки или моделям нагрузки без ручной реинжиниринга настроек защиты.

Проблемы и существующие ограничения

Несмотря на свои обещания, интеграция SCA и ML сталкивается с рядом практических проблем, которые необходимо решить для широкого внедрения в промышленности:

• Качество данных и маркировка: Модели ML требуют высококачественных маркированных данных, которые включают достаточное количество событий сбоя. Однако сбои — редкие события в хорошо обслуживаемых системах, приводящие к серьезному дисбалансу классов. Синтетические процессы генерации и передачи данных сбоев являются активными областями исследований, но еще не созрели.
• Модельная интерпретируемость:] Хотя функции SCA физически интерпретируемы, сами модели ML часто остаются черными ящиками. В критической инфраструктуре операторы и регуляторы требуют объяснимых прогнозов. Такие методы, как SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations) могут помочь, но они добавляют вычислительные накладные расходы.
• Вычислительные ограничения на краю: Развертывание сложных моделей глубокого обучения на ресурсо-сдержанных устройствах, таких как интеллектуальные электронные устройства (IED), остается сложной задачей. Сжатие модели, обрезка и квантование необходимы для удовлетворения требований задержки в реальном времени.
• Обобщение в разных сетях: Модель, обученная на данных одной подстанции, может плохо работать на другой из-за различий в методах заземления, характеристиках нагрузки и импедансах неисправности. Создание надежных, переносимых моделей является ключевой целью исследования.
• Уязвимости кибербезопасности: Системы прогнозирования на основе ML вводят новые поверхности атак. Противоположные примеры могут потенциально вызывать ложные прогнозы, приводящие к ненужным операциям или неспособности обнаружить фактические ошибки.

Будущие направления

Заглядывая вперед, можно увидеть несколько новых тенденций, которые будут формировать следующее поколение интегрированных систем прогнозирования неисправностей SCA-ML:

• Цифровые близнецы и ML, информированные по физике: Объединив SCA в реальном времени с цифровым двойником энергосети, модели могут включать физические ограничения и данные моделирования. Для более точного прогнозирования до ошибки исследуются нейронные сети, информированные по физике (PINN), которые встраивают уравнения Максвелла в функцию потерь.
• Сотрудничество в области облачных вычислений: Легкие экстракторы SCA-функций на периферийных устройствах будут выполнять первоначальное обнаружение аномалий, в то время как облачные модели глубокого обучения обрабатывают сложное распознавание многоразовых шаблонов. Эта гибридная архитектура уравновешивает скорость и точность.
• Объясняемый ИИ (XAI) для энергетических систем: Исследования сосредоточены на разработке моделей, которые не только предсказывают ошибки, но и выводят наиболее влиятельные функции последовательности (например, «прогнозируемая ошибка из-за повышения коэффициента I0 / IP и уменьшения угла V0»).
• Передача обучения по утилитам: Модели предварительной подготовки на больших общедоступных наборах данных (например, из EPRI или IEEE Open Access) и их точная настройка на локальные данные утилиты могут значительно снизить нагрузку на сбор данных и ускорить развертывание.
• Интеграция с системами мониторинга в широких областях (WAMS): Методы SCA-ML расширяются для прогнозирования каскадных неисправностей и нестабильности напряжения путем анализа данных PMU из нескольких шин, используя модели распространения напряжения с нулевой и отрицательной последовательностями.

В заключение, слияние анализа симметричных компонентов с машинным обучением представляет собой сдвиг парадигмы в прогнозировании неисправностей энергосистемы - переход от реактивной защиты к упреждающей профилактике. Используя математическую элегантность разложения Fortescue наряду с возможностями адаптивного обучения современных ML, инженеры могут достичь беспрецедентного прогнозирования в здоровье электрических сетей. В то время как проблемы, связанные с данными, интерпретацией и развертыванием, остаются, продолжающиеся исследования и созревание технологий в будущем, где операторы сетей могут предвидеть и нейтрализовать неисправности, прежде чем они когда-либо нанесут вред системе.