Elektrik güç sistemlerindeki yanlış tahmin, modern ağ güvenilirliği ve operasyonel süreklilik temelleridir. Güç ağları, dağıtılmış nesil, yenilenebilir entegrasyon ve dinamik yükleme ile daha karmaşık hale gelir, yaygın olarak kesintiye uğramadan önce hataları tahmin etme ve hafifletebilme yeteneği kritik bir mühendislik önceliği haline gelmiştir. Geleneksel hata algılama yöntemleri, tahmin edilen analizlere dayanan sistemlere dayanan, 1918 yılında Charles L. Fortescue tarafından geliştirilen güçlü bir matematiksel araç - bu üç fazlı sistemlere ilişkin incelemeyi basitleştirir.

Symmetrical components Analizini Anlamak

Symmetrical bileşenler analizi, her bir dizi için tek fazlı olmayan bir sistem için en uygun üç fazlı gerilim veya mevcutların üç dengeli setlerine dönüştürülmesidir: pozitif-sequence, negatif-sequence, ve sıfır-sequences bileşenleri. Bu dekompozisyon, çoğu hata türü doğrudan analiz etmek zor olan üç fazlı bir sistem üzerinde.

SCA'nın Teorik Temelleri

Yöntem Fortescue'nin teoremi üzerinde geri dönüyor, ki herhangi bir üç dengesiz fasor seti üç simetrik fasor setleri olarak ifade edilebilir:

  • [FONT=0)Positive-sequence components[Dönetici:0)[Dönetici:0)Positive-sequence components[Dönetici: 0,8|Dönetici:0) Normal dengeli bir operasyon olarak aynı yönde hareket ederler.
  • [FONT=0]Negative-sequence components[DÜDÜT:1) Aynı büyüklükte ve 120° liktrefilliğe sahiptir, ancak tam tersi yönde döner (saat olarak). Onların varlığı, hata veya dengesiz yüklere sebep olan koşullara işaret eder.
  • [FONT=0]Zero-sequence components[DÜT:1] eşit büyüklüktedir ve birlikte fazda (180 ayrılığı), bir araya dönerler ve gerilimler ortak bir geri dönüş yolu olduğunda, zemin hataları olarak görünürler.

Bu dönüşüm, Fortescue matrix (örneğin, bir çizginin geçerliliğini gösterirken), mühendislerin ölçüm ve dağıtım ağlarında sıralama ve yer değiştirmesi için sıra dışı bir hata yapmasına olanak sağlar.

Hata Tespitinde Uygulama

Koruyucu röleler ve hata taşıyıcıları, olumlu ve olumsuz-sequences ile ilgili kesin bir hatanın tespit edilmesi için rutin olarak simetrik bileşenler kullanmaktadır.Sekizleme noktaları ve gerilimlerin boyutlarını karşılaştırarak, koruma mühendisleri hata türlerini yüksek güven ile sınıflandırmaya olanak sağlar. Örneğin, mevcut hataların hesaplanması için önemli olan yüksek bir sıfır değer ve negatif-değerlik hatasına sahiptir; ancak geleneksel SCA-tavücut yöntemlerden sonra düşük sıfır-linen algılama noktalarına karşı yapılan hatalardan dolayı büyük ölçüde reaktif bir hatadır.

Makine Öğrenmesi Hata Prediction

Makine öğrenimi, tarihsel ve gerçek zamanlı sistem verilerinden örnekler öğrenmek tarafından tahmin edilen bir veriye dayalı bir yaklaşım getiriyor. Açık eşleme tanımları gerektiren kurallardan farklı olarak, ML modelleri, birçok parametre arasında karmaşık olmayan ilişkileri keşfedebilir - gerilim ve mevcut dalgaformları, harmonik içerik, sıcaklık, yük profilleri, çevresel faktörler - bu önceki hata olayları.Bu tür hatalar özellikle yavaş yavaş yavaş yavaş yavaş yavaş yavaşlayan yanlış algılayıcılar, transformatörlerde kısmi deşarjlar veya takip gibi, geleneksel eşlemeler tarafından ele alınamaz.

Power System Hatas için Anahtar Makine Öğrenme Algoritmaları

Çeşitli ML algoritmaları güç sistemlerindeki hata tahminine uygulanır, her biri güçlü ve kısıtlamalara sahiptir:

  • [FONT:0)Decision Trees ve Random Forests:) Bu ensemble yöntemleri, her iki kategori ve sayısal özellikleri ele alabilir ve dizi bileşen özelliklerine dayanan hataları sınıflandırmak için kullanılabilir.
  • [FONT:0)Depre Vector Machines (SVM): ), SVM'ler yüksek boyutlu özellik alanları ve küçük örnek boyutlarda etkilidir. Normal ve ön-fault koşulları arasında normal ve ön-fault oranları arasındaki ayrımı ayırt etmek için kullanılmıştır.
  • [FONT:0) Artificial Neural Networks (ANNs) ve Deep Learning:), Konvolutional sinir ağları (CNNs) ve uzun kısa süreli bellek (LSTM) ağları, zaman serisi verileri ele almak için giderek daha fazla kullanılır. PMU verilerini kullanarak önceden tahmin etmek için daha fazla kullanılır.
  • [FONT:0)Gradient Boosting Methods (XGBoost, LightGBM):), Bu modeller genellikle tabu veriler üzerinde devlet-of-art performans elde eder ve 15-30 mühendisileştirilmiş özellikleri simetrik bileşenlerden tahmin etmek için uygulanır.

Eğitim ve Geçerlilik Boru Hattı

Tipik bir ML tabanlı hata tahmini boru hattı birkaç aşama içerir:

  1. [FONT:0)Data collection:[Dönetici:[Dönetici:0) Yerel kayıtları denetçi kontrol ve veri satın alma (SCADA) sistemler, fasor ölçüm birimleri (PMU) , koruyucu röleler ve dijital hata kayıtları normal işlem, ön-fault koşulları ve gerçek hataların etiketli örnekler sunar.
  2. [FONT=0)Ana Sayfa Mühendisliği: [Dönetici: [Dönetici:0)) simetrik bileşenlerin Algebraic kombinasyonları – sıralı bileşen oranı, faz açısı farklılıkları ve kümülatif toplamlar gibi - zaman alan özellikleri (örneğin, hareketli ortalama, değişken) de olabilir.
  3. [FONT:0] Model eğitimi ve geçerlilik: [Döntme:[Dönetici:0)[Dönlendirme ve doğrulama:0)) Test edilen veriler, eğitim, geçerlilik ve test setleri ile bölünmüştür. Hyperparametre ayarlanma, trans-validasyon ve performans ölçümleri gibi ölçümler yapılır, F1-mark ve ROC-AUC izlenir.
  4. [FONT:0)İşletme ve izleme:[Dönetici:0)Eğitimli model, veri akışı ve çıktıların hata olasılığı puanlarının bulunduğu gerçek zamanlı bir izleme sistemine entegre edilebilir. Sürekli öğrenme, şebeke koşullarını değiştirmek için uygulanabilir.

Güç sisteminde ML uygulamaları hakkında ayrıntılı bir inceleme için, okuyucular ESFLT tarafından kapsamlı bir ankete başvurabilirler:0).R. L. R. Silva et al. (2020) IEEE Access).

Symmetrical components Analysis with Machine Learning

SCA ve ML entegrasyonu, ilk olarak üç fazlı gerilim ve mevcut örnekleri doğrudan bir sinir ağına beslemekten ziyade, büyük veri setlerini ve fiziksel hataların yanlış imzalarını hafifletebilir - SCA aşaması ilk olarak verileri doğrudan hata davranışıyla ilgili olan miktarlar kümesine dönüştürür.

Symmetrical components kullanarak özel ekstraksiyon

Özel ekstraksiyon işlemi genellikle aşağıdaki adımları içerir:

  1. Üç fazlı gerilimi (Va, Vb, Vc) ve mevcut (Ia, Ib, Ic) verileri uygun bir oranda (örneğin, Bluetooth Hz sistemleri için döngüsü için 64 örnek).
  2. Fortescue dönüşümünü pozitif-sequence (V1, I1), negatif-sequence (V2, I2) ve sıfır-sequence (V0, I0) her zaman pencere için fasorlar hesaplamaya uygulayın.
  3. Bir dizi mühendisin özelliklerini taşıyan tür: I2/I1, V0/V1, I0/I1; sıra bileşenleri arasındaki faz açısı farklılıkları; ve negatif ve sıfır-sequence miktarlar. Bu özellikler fiziksel olarak yorumlanabilir ve hatayla ilişkilidir.
  4. Seçmeli olarak, bilgisayar istatistik özellikleri (mean, standart sapma, skewness) önceden ayarlanmış eğilimleri yakalamak için sıra dışı pencereler üzerinde.

Bütünleşme için Model Mimari

Ortak bir entegrasyon mimarisi iki aşamalı bir boru hattı içeriyor: bir özellik çıkarma modülü (SCA tabanlı) bir ML sınıflandırıcı veya regresyon modeline beslenmek. ML modeli olabilir:

  • [0] İkili sınıflandırıcılık[[[Dönetici:0) Belirli bir zaman ufukta bir hatanın gerçekleşeceğini tahmin etmek için (örneğin, 10 dakika, 1 saat).
  • [FONT=0] Çok sınıflandırıcı bir sınıflandırıcı [Dönetici: 1) Her iki olayın ve bir hata türünü tahmin etmek için (örneğin, LG, LL, LLG, üç-fay)
  • [0]Regresyon modeli[Dönetici:0) Hata başlangıçına kadar kalan süreyi tahmin etmek için, öncelikli operatör eylemlerine izin vermek.

Son araştırma:0)G. J. B. de Oliveira et al. (2022) Elektrik Güç Sistemleri Araştırmasında [Döntgen: 1), negatif ve sıfır eşitsizlikte eğitim gören bir LSTM ağının, yalnızca ham fazları kullanarak hata tahmininde %15 artış elde ettiğini göstermiştir.

Vaka Çalışması: Dağıtım Ağlarında Line-to-Ground Hatalarını Tahmin Etmek

25 kV dağıtım yemi yüksek yetersiz zemin hataları ile (ortalama, zor-en-det senaryo) olarak kabul edilir.Bu tür bir hata akımları ile sadece zayıf bir şekilde hareket eden bir hatayla mücadele eder.SCA-derived özellikleri ile ilgili olarak, V0/I1 ve V1 arasındaki açı farkı, 2022'de teslim eder.

Bütünleşme Faydaları

Makine öğrenimi ile simetrik bileşenler analizi, tek başına kullanılan yaklaşım üzerinde doğrulanabilir avantajlar sağlar:

  • [FONT:0)Enhanced doğruluk ve yanlış alarmları azaltın: Hata tipi sınıflandırma için fiziksel yorumlanabilirlik, gürültü ve sorumsuz modeller. Bu, ML modellerinin yanlış anlama olasılığını azaltır.
  • [FONT:0]Earlier, kesik hataların tespiti:[Dönemli hataların tespiti:[Döntgen:0) Zaman içinde negatif ve sıfır eşitsizliklerdeki eğilimleri izlemekle, ML modelleri tam olarak gelişmeden önce anormallikleri tespit edebilir.Bu özellikle de varlıklar için faydalı olacaktır.
  • [FONT=0) Gerçek zamanlı izleme yeteneği: [Dönetici:[Dönetici:0)[Dön izleme kapasitesi:[Dönetici:0)[Dönemli) SCA özelliği ekstraksiyonu hesaplamak için verimlidir - örnek başına 1000'den fazla yüzen işlem gerektirir - mikro kontrol ve kenar cihazlarına entegrasyon. Makine öğrenimi, perference alt döngüsü tahminleri ile uygulanabilir.
  • [FONT:0) Operasyonel maliyetler: [Dönemli tahmin sistemleri, pahalı acil onarımları en aza indirmek için hataları önlemek, sistem kesinti zaman cezalarını azaltır ve varlık ömrünü genişletir. İlk yıl içinde 3:1'i aşan tahmin sistemleri raporu ROI'yi genişletir.
  • [FONT:0) Sistem koşullarını değiştirmek için kullanılabilirlik:) ML modelleri yeni veriler olarak yeniden eğitilebilir, ızgara topolojilere veya koruma ayarları olmadan yükleme modellerine uyum sağlar.

Meydanlar ve Güncel Sınırlar

Sözcülüğe rağmen, SCA ve ML entegrasyonu, yaygın endüstriyel kabul için ele alınması gereken birkaç pratik zorlukla karşı karşıyadır:

  • [FONT:0]Data Quality kalitesi ve etiketleme:[Dönetici:[Dönetici:0)Data quality and labeling:[Dönetici:0)[Döneticileri, yeterli sayıda hata olayı içeren yüksek kaliteli etiketli verileri gerektirir. Ancak, hataların iyi bakımlı sistemlerde nadir olaylardır, ciddi sınıf dengesizliğine yol açar.
  • [FONT=0) Model yorumlanabilirlik:[Döneticileri fiziksel olarak yorumlanabilirken, ML modelleri kendilerini genellikle siyah kutular olarak kalır. kritik altyapıda, operatörler ve düzenleyiciler SHAP (apley Katkıları) ve LIME (Local Interpretable Model-agnostic Açıklamalar) gibi teknikler yardımcı olabilir, ancak hesaplamalı üst düzeyleri ekleyebilirler.
  • [FONT:0)C ⁇ kısıtlamaları kenarda: Akıllı elektronik cihazlar gibi karmaşık derin öğrenme modelleri (IEDs) zor kalır. Model sıkıştırma, pruning ve niceleştirme gerçek zamanlı geç saatlere kadar ihtiyaç vardır.
  • [[Dönetici ağlarında genelleştirme:[Dönetici:0) Bir alt istasyonda eğitilmiş bir model, zemin yöntemlerindeki varyasyonlar nedeniyle kötü performans gösterebilir ve yük özellikleri ve hata engeli engellenebilir modeller önemli bir araştırma hedefidir.
  • [FONT:0]Cybersecurity kırılganlıkları:[Dönemli tahmin sistemleri yeni saldırı yüzeylerini tanıtabilir. Adversarial örnekleri potansiyel olarak gerçek hataları tespit etmek için yanlış tahminlere yol açabilir.

Future Yol Tarifi

Önümüzdeki birkaç ortaya çıkan trend, bir sonraki entegre SCA-ML hata tahmin sistemlerini şekillendirecektir:

  • [FONT:0) Dijital ikizler ve fizik bilgisili ML: ), gerçek zamanlı SCA'yı, güç ağının dijital ikiziyle birleştirerek, modeller fiziksel kısıtlamalar ve simülasyon verileri dahil edebilir. Fizik bilgisel ağlar (PINNs) Maxwell'in denklemlerini daha doğru bir ön tahmin için araştırıyor.
  • [FONT=0)Edge-cloud işbirliği: Hafif SCA özelliği kenar cihazları üzerinde bulunan alıcılar ilk anomaly algılamayı gerçekleştirirken, bulut tabanlı derin öğrenme modelleri karmaşık multi-fault model tanımayı sürdürürken, bu karma mimarlık dengeleri ve doğruluk.
  • [FONT=0)Explainable AI (XAI) for power systems:[FONTT:1) Araştırma, yalnızca hataları tahmin etmeyen modeller üzerinde yoğunlaşıyor ancak aynı zamanda en etkili dizi özelliklerini de ortaya koyuyor (örneğin, “Pault, yükselme oranı ve V0 açısına göre tahmin etti).
  • [FONT:0)Teferler arası öğrenme: [Döneticiler üzerinde ön lisans modelleri (örneğin, EPRI veya IEEE Open Access repositories) ve onları yerel fayda verileri üzerinde iyi bir şekilde azaltabilir ve dağıtım maliyetlerini dramatik bir şekilde azaltabilir.
  • [FONT:0) Geniş izleme sistemleri ile ilgili olarak (WAMS): ), SCA-ML yöntemleri, hataları ve gerilim istikrarsızlığını birden fazla otobüsten analiz ederek tahmin etmek için genişletilir, sıfır ve negatif eşdeğerlik gerilim yayılımı modelleri kullanarak.

Sonuç olarak, makine öğrenimi ile simetrik bileşenlerin analizi, güç sisteminde hata tahmininde bir paradigma değişikliği temsil eder - proaktif önlemeye reaktif korumadan uzaklaşır. Fortescue'nin modern ML'nin uyumsuz öğrenme yeteneklerinin yanı sıra, mühendisler, sistemin sağlığına zarar verebilirler.