Обнаружение неисправностей с помощью ИИ в энергетических системах: технический обзор

Электросеть является критически важным инфраструктурным активом, и ее бесперебойная работа имеет важное значение для современного общества. Неисправности, начиная от переходных шорт от линии к земле до постоянных отказов оборудования, представляют значительные угрозы стабильности, безопасности и надежности сети. Традиционные методы обнаружения неисправностей, часто основанные на пороговых реле и ручном анализе, все более неадекватны для сложности и масштаба современных энергетических систем. Искусственный интеллект (ИИ) предлагает мощную альтернативу, позволяющую в режиме реального времени, адаптивное и высокоточное обнаружение и диагностика неисправностей. Эта статья обеспечивает всестороннее изучение того, как методы ИИ применяются к управлению неисправностями в энергетических системах, охватывающих конвейеры данных, выбор алгоритмов, эксплуатационные преимущества и проблемы, которые остаются.

Почему обнаружение ошибок имеет значение

Неисправности в энергосистеме могут каскадировать в широко распространенные отключения, если не устранить их быстро. Одно короткое замыкание на линии электропередачи может привести к сбоям близлежащих генераторов, что приведет к нестабильности частоты и сбросу нагрузки. Финансовое воздействие незапланированных отключений электроэнергии является серьезным: по оценкам Института исследований электроэнергетики (EPRI), перебои в электроснабжении обходятся экономике США более чем в 150 миллиардов долларов в год. Помимо экономики, неисправности повреждают дорогостоящее оборудование, такое как трансформаторы, выключатели и кабели, сокращают срок службы активов и увеличивают затраты на техническое обслуживание. Раннее и точное обнаружение неисправностей сводит к минимуму эти последствия, позволяя быстро изолировать неисправный участок и быстро восстанавливать обслуживание. Традиционные схемы защиты полагаются на сверхточные, дистанционные и дифференциальные реле, которые эффективны при серьезных неисправностях, но часто пропускают зарождающиеся, высокоимпедансные или развивающиеся неисправности. Системы, управляемые ИИ, заполняют этот пробел,

Традиционное обнаружение ошибок: сильные и ограниченные стороны

Обычные системы защиты используют детерминированные правила: если ток превышает заданный порог за заданное время, выдается сигнал о проезде. Расстояние реле измеряет импеданс для оценки местоположения неисправности. Эти методы просты, быстры и хорошо понятны. Однако они борются с:

  • Неисправности высокого давления (например, ветвь дерева, касающаяся линии), которые вызывают изменения низкого тока.
  • Перемежающиеся ошибки , которые не сохраняются достаточно долго, чтобы вызвать пороги.
  • Развивающиеся неисправности, которые меняют характеристики с течением времени.
  • Сложность сети , когда возобновляемые источники, распределенная генерация и двунаправленные потоки энергии искажают обычные сигнатуры неисправностей.

Методы ИИ преодолевают эти ограничения, изучая сложные нелинейные отношения из данных, не требуя явных математических моделей сетки.

AI Workflow для управления ошибками

Приобретение данных и предварительная обработка

Обнаружение неисправностей на основе ИИ начинается с данных высокого разрешения от блоков измерения фазоров (PMU), цифровых регистраторов неисправностей, интеллектуальных счетчиков и систем надзорного контроля и сбора данных (SCADA). Ключевые сигналы включают трехфазные напряжения и токи, частоту и гармонический контент. Данные отбираются со скоростью от 30 образцов в секунду (SCADA) до нескольких кГц (PMU). Предпроцессорные этапы включают:

  • Обнажение: Применение фильтров (например, вейвлет-преобразования) для удаления шума измерения без размытия переходных признаков.
  • Нормализация: Масштабирование сигналов до нуля средней и разности единиц для обеспечения согласованности в различных условиях эксплуатации.
  • Синхронизация времени: Выравнивание данных из нескольких источников с использованием временных меток GPS — критически важно для местоположения неисправности.
  • Экстракция характеристик: Получение индикаторов более высокого уровня, таких как значения RMS, фазовые углы, симметричные компоненты (положительная, отрицательная, нулевая последовательность) и коэффициенты вейвлетов.

Модели ИИ в обнаружении ошибок

Успешно применены несколько архитектур машинного обучения и глубокого обучения:

  • Искусственные нейронные сети (ANN): Сети, обучающиеся на исторических данных о неисправностях для классификации нормальных и неисправных состояний. Часто используется для распознавания образов в напряжениях и формах тока.
  • Поддерживают векторные машины (SVM): Эффективны для двоичной классификации (без ошибок) даже при ограниченных данных обучения. Они хорошо работают, когда количество функций велико по сравнению с образцами.
  • Дерево решений и случайные леса: Предоставьте интерпретируемые правила (например, «если напряжение нулевой последовательности превышает X, то тип ошибки Y»). Случайные леса повышают точность путем агрегирования нескольких деревьев.
  • Связочные нейронные сети (CNN): Применяются непосредственно к необработанным сигналам временных рядов или изображениям с временной частотой (спектрограммы). CNN захватывают локальные шаблоны и трансляционную инвариантность, что делает их устойчивыми к изменениям местоположения неисправностей и импеданса.
  • Рекуррентные нейронные сети (RNN) и долговременная кратковременная память (LSTM): Предназначены для последовательных данных. LSTM запоминают долгосрочные зависимости, полезные для обнаружения возникающих неисправностей или предисключительных условий.
  • Автокодировщики: Автокодировщики: Приучены к восстановлению нормальных рабочих моделей. Высокая ошибка реконструкции указывает на аномалию — идеальное решение для обнаружения неуправляемых ошибок, когда помеченные данные о неисправностях скудны.

Классификация и локализация ошибок

После обнаружения неисправности система должна определить свой тип (например, однострочная, двухстрочная, двухстрочная, трехфазная) и его местоположение. Модели ИИ могут быть обучены выводить метки типа неисправности и расчетное расстояние (в километрах или проценте длины линии). Для локализации появляются модели регрессии или специализированные архитектуры, такие как графовые нейронные сети (GNN), которые включают топологию сети. Точная локализация ускоряет отправку ремонтной бригады и уменьшает продолжительность сбоя.

Преимущества управления ошибками на основе ИИ

  • Скорость в реальном времени: Современные модели ИИ, особенно легкие нейронные сети, развернутые на периферийных устройствах, могут обнаруживать и классифицировать неисправности в течение нескольких миллисекунд — сопоставимые или быстрее, чем обычные реле.
  • Адаптация: Системы ИИ автоматически переобучаются по мере поступления новых данных, адаптируясь к изменениям в миксе генерации, шаблонах загрузки и топологии сети (например, после реконфигурации).
  • Чувствительность к возникающим неисправностям: ИИ может идентифицировать условия, которые предшествуют отказу, такие как частичный разряд в кабелях или ухудшение изоляции в трансформаторах, что позволяет прогнозировать техническое обслуживание.
  • Многомерный анализ: ИИ коррелирует сигналы от нескольких датчиков по всей сетке, обнаруживая неисправности, невидимые для одноточечных измерений.
  • Сниженные ложные тревоги: Изучая нормальную изменчивость системы, ИИ может отличить подлинные неисправности от переключения переходных процессов, изменений нагрузки или ошибок измерения, уменьшая ненужные поездки.
  • Эффективность затрат: Предотвращение сбоев, уменьшение повреждений оборудования и оптимизированные графики технического обслуживания приводят к значительной экономии.

Реальные приложения и тематические исследования

Несколько коммунальных предприятий и исследовательских проектов продемонстрировали обнаружение неисправностей на основе ИИ на практике. Например, финансируемые программой ARPA-E проекты Министерства энергетики США с использованием машинного обучения на данных PMU для обнаружения и обнаружения неисправностей в системах мониторинга широкого района. Заметная реализация китайской утилиты использовала гибридную модель CNN-LSTM для анализа десятков тысяч записей о неисправностях, достигая точности классификации 98,5% и уменьшая ошибку определения местоположения неисправностей до менее 5% длины линии. В распределительных сетях такие утилиты, как Enel, развернули ИИ на данных смарт-метров для выявления неисправностей высокого давления, которые пропускают традиционные реле, снижая риски лесных пожаров в сухих условиях. Эти успехи подчеркивают зрелость ИИ для оперативного использования.

Проблемы, которые необходимо преодолеть

Несмотря на многообещающие результаты, внедрение ИИ в управление ошибками сталкивается с несколькими препятствиями:

  • Качество и доступность данных: Высокое качество помеченных данных об ошибках ограничено. Нормальные рабочие данные многочисленны, но ошибки редки. Для решения этой проблемы изучаются синтетические генерации и передачи данных.
  • Модельная интерпретируемость: Модели глубокого обучения часто являются черными ящиками.Утилиты и регуляторы требуют объяснимых решений, особенно когда необходимо доверять защитному реле. Объясняемые методы ИИ (XAI), такие как SHAP и LIME, набирают обороты.
  • Кибербезопасность: Сами системы ИИ могут быть атакованы с помощью состязательных входов. Обеспечение надежности против злонамеренных манипуляций с данными имеет решающее значение для надежности сети.
  • Интеграция с устаревшим оборудованием: Многие подстанции по-прежнему используют электромеханические или твердотельные реле. Модернизация с контроллерами с поддержкой ИИ требует тщательного планирования и инвестиций.
  • Проверка и сертификация: Системы защиты сети должны пройти тщательное тестирование на соответствие стандартам (например, IEEE C37.118, IEC 61850). Модели ИИ должны быть проверены в широком диапазоне сценариев перед развертыванием.

Будущие направления

Следующая эволюция ИИ в управлении ошибками, вероятно, будет включать:

  • Федерированное обучение: Модели обучения в нескольких утилитах без обмена исходными данными, сохраняя конфиденциальность при одновременном улучшении обобщения модели.
  • Краевые вычисления: Развертывание легких моделей непосредственно на интеллектуальных электронных устройствах (IED) и реле для снижения задержки связи и потребностей в полосе пропускания.
  • Цифровые двойники: Создание цифровых копий всей сети в реальном времени для моделирования сценариев неисправностей и обучения моделей ИИ в безопасной среде.
  • Графические нейронные сети: Использование топологии сети для улучшения обнаружения и местоположения неисправностей, особенно в сетях с высоким проникновением возобновляемых источников энергии.
  • Интеграция с возобновляемой энергией:] Поскольку ресурсы на основе инвертора становятся доминирующими, модели ИИ должны адаптироваться к новым характеристикам неисправности (например, низкому току неисправности от солнечных инверторов).

ИИ не является заменой традиционной защиты, а мощным усилением. Объединив скорость и надежность обычных реле с интеллектом машинного обучения, энергосистемы могут достичь беспрецедентных уровней устойчивости. Проводимые исследования и пилотные проекты указывают на будущее, где неисправности не просто обнаруживаются и устраняются, но предвидятся и предотвращаются.

Для дальнейшего чтения см. отчет EPRI об ИИ для модернизации сетей , опрос IEEE по глубокому обучению для диагностики неисправностей энергосистемы и U.S. DOE AI для инициативы Grid .