A Hybrid Two-Stage Machine Learning Pipeline for Fault Detection and Classification in Power Transmission Systems
تقترح هذه الورقة مساراً هجيناً لتعلم الآلة يتكون من مرحلتين يفصل بين اكتشاف الشذوذ وتصنيف الأعطال باستخدام استراتيجية دمج "غابة العزل-أو" (Isolation Forest-OR-fusion) وهندسة ميزات التسلسل الصفري، محققةً دقة تتجاوز 95% في اكتشاف وتصنيف أعطال النقل في مجموعات البيانات غير المتوازنة مع التفوق على المعايير الاتحادية الحالية دون الحاجة إلى بنية تحتية لوحدات معالجة الرسومات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد الشبكة الكهربائية بمثابة الجهاز العصبي غير المرئي للمجتمع الحديث، حيث تنقل الطاقة من المولدات البعيدة إلى المنازل والمصانع التي تعتمد عليها. وتعتمد هذه الشبكة الواسعة على خطوط نقل ذات جهد عالٍ لنقل الكهرباء بكفاءة عبر مسافات طويلة. ومع ذلك، فإن هذه الخطوط معرضة للخطر؛ فعند حدوث خلل ما — ناتج عن ضربة صاعقة، أو سلك مقطوع، أو فشل في المعدات — يمكن لتدفق الطاقة الناتج أن يتسبب في تلف الآلات باهظة الثمن أو يؤدي إلى انقطاع التيار الكهربائي على نطاق واسع. ولمنع حدوث ذلك، تستخدم الشبكة أنظمة حماية تعمل مثل قواطع الدائرة التلقائية، المصممة لرصد المشكلة وقطع التيار في جزء من الثانية. ولعقود من الزمن، اعتمدت هذه الأنظمة على قواعد ثابتة: إذا ارتفع التيار فوق رقم معين، يتم فصل المفتاح. ولكن مع ازدياد تعقيد الشبكة، وتدفق الطاقة في اتجاهات جديدة ومن مصادر متنوعة، تفشل تلك القواعد البسيطة أحيانًا؛ إذ تجد صعوبة في التمييز بين الخلل الخطير والتقلب الطبيعي، وإن كان غير المعتاد، في النظام، مما يترك فجوات حرجة في السلامة.
وقد لجأ الباحثون إلى التعلم الآلي لسد هذه الفجوات، آملين في تعليم الحواسيب كيفية التعرف على البصمات الدقيقة لخط تالف. ومع ذلك، كشفت دراسة جديدة أن مجرد تسليم الحاسوب قائمة ضخمة من البيانات وطلب البحث عن النقاط السيئة ليس كافيًا. فالمشكلة مزدوجة: أولاً، البيانات منحازة بشدة، حيث يظهر التشغيل الطبيعي ملايين المرات أكثر من حدوث خلل، مما يجعل الحاسوب يتجاهل الأحداث النادرة التي من المفترض أن يجدها. ثانياً، بعض أنواع الأعطال المحددة تشبه التشغيل الطبيعي لدرجة أنه لا يمكن لنموذج حاسوبي واحد التمييز بينهما. ولحل هذه المشكلة، طور فريق من المهندسين وعلماء الكمبيوتر نهجًا يتكون من خطوتين يفصل بين مهمة "ملاحظة وجود خطأ ما" ومهمة "تحديد ماهية الخطأ بالضبط".
اختبر الباحثون طريقتهم على شبكتين مختلفتين من شبكات الطاقة المحاكية. كانت الأولى نظامًا كبيرًا ومعقدًا يحتوي على سبع نقاط قياس وما يقرب من 580,000 عينة بيانات، بينما كانت الثانية نظامًا أصغر بنقطة واحدة يحتوي على حوالي 12,000 عينة. وفي الشبكة الكبيرة، وجدوا أن نموذجًا حاسوبيًا قياسيًا يحاول القيام بكل شيء في وقت واحد فشل فشلاً ذريعًا في رصد نوع محدد من المشاكل يسمى "خلل الخط" (line fault)، والذي يحدث عندما يتضرر خط النقل نفسه. في هذا السيناريو، لم يرصد النموذج القياسي سوى حوالي 31 بالمائة فقط من هذه الأعطال. وأدرك الباحثون أن الحاسوب كان مرتبكًا لأن الإشارات الكهربائية الناتجة عن خلل الخط كانت متطابقة تقريبًا مع إشارات الشبكة السليمة.
ولإصلاح ذلك، قاموا ببناء مسار عمل يتكون من مرحلتين متميزتين. تعمل المرحلة الأولى كشبكة واسعة، مصممة لالتقاط أي شيء يبدو غير عادي ولو قليلاً. وقد استخدموا تقنية تسمى "غابة العزل" (Isolation Forest)، والتي تتعلم شكل "الطبيعي" من خلال دراسة البيانات السليسة فقط. فإذا انحرفت قراءة جديدة عن هذا النمط، يقوم النظام بوضع علامة عليها. ومع ذلك، أدرك الباحثون أن هذه الشبكة ستفقد أعطال الخط لأنها تبدو طبيعية للغاية. لذا، أضافوا كاشفًا متخصصًا ثانيًا لا يعمل إلا لأنواع الأعطال المحددة التي تغفل عنها الشبكة الأولى. تم تدريب هذا الكاشف المتخصص على التعرف على النمط الدقيق لخلل الخط. ويعمل الكاشفان معًا: فإذا رفع أي منهما إنذارًا، ينتقل النظام إلى المرحلة الثانية.
المرحلة الثانية هي حيث يحدد النظام النوع المحدد للمشكلة. فبمجرد تحديد عينة على أنها خلل، يقوم نموذج حاسوبي مختلف بفرز الاحتمالات لتحديد ما إذا كان ناتجًا عن ضربة صاعقة، أو سلك مقطوع، أو اتصال أرضي. والأهم من ذلك، أن الباحثين أضافوا نوعًا محددًا من الحسابات الرياضية إلى البيانات قبل تغذيتها للحاسوب. فقد قاموا بحساب ما يعرف بـ "مكونات التسلسل الصفري" (zero-sequence components)، والتي تقيس عدم التوازن في التيار الكهربائي الذي يتدفق إلى الأرض. يعتمد هذا الحساب على مبدأ أساسي في الكهرباء ينص على أن التيارات في نظام سليم ومتوازن يجب أن يكون مجموعها صفرًا. وعندما يتضمن الخلل اتصالًا بالأرض، ينكسر هذا التوازن. ومن خلال تضمين هذا الحساب المحدد، استطاع الحاسوب أخيرًا التمييز بين الخلل الذي يلمس الأرض والخلل الذي لا يلمسها، وهي مهمة لم يستطع القيام بها سابقًا.
كانت النتائج مذهلة. ففي الشبكة الكبيرة، نجح نظام المرحلتين الجديد في تحسين اكتشاف أعطال الخط من 31 بالمائة إلى ما يقرب من 96 بالمائة. وفي الشبكة الأصغر، حقق النظام دقة إجمالية بلغت 97.25 بالمائة، حيث حدد الأعطال والتشغيل الطبيعي بدقة. وكان هذا الأداء أفضل من نظام سابق أكثر تعقيدًا يتطلب أجهزة رسومية باهظة الثمن وشبكة موزعة من الحواسيب للتشغيل. كما عملت الطريقة الجديدة على معالج حاسوب قياسي في غض مرة قدرها 0.05 مللي ثانية لكل عينة، مما جعلها سريعة بما يكفي للاستخدام في العالم الحقيقي دون الحاجة إلى حاسوب خارق.
لعل الاكتشاف الأكثر أهمية جاء من مقارنة الشبكتين المختلفتين. فقد وجد الباحثون أنه بينما كان حساب التسلسل الصفري ضروريًا لحل المشكلة، فإن طريقة سلوك الإشارة لم تكن هي نفسها في كلا النظامين. ففي إحدى الشبكات، أنتج الخلل الأرضي إشارة أكبر من الخلل غير الأرضي، بينما في الأخرى، حدث العكس. وهذا يعني أن قاعدة بسيطة وثابتة — مثل "إذا كانت الإشارة أكبر من X، فهو خلل أرضي" — قد تنجح في نظام واحد ولكنها ستفشل في الآخر. وخلص الباحثون إلى أن الحاسوب يجب أن يتعلم القاعدة المحددة لكل شبكة جديدة يتم تثبيته فيها، بدلًا من الاعتماد على قاعدة عالمية موحدة. ويشير هذا الاكتشاف إلى أن أفضل أنظمة الحماية لن تكون أجهزة جامدة ومبرمجة مسبقًا، بل أدوات قابلة للتكيف تتعلم الشخصية الكهربائية الفريدة للشبكة التي تحميها.
كما سلطت الدراسة الضوء على وجود مقايضة؛ فمن خلال جعل النظام أكثر حساسية لالتقاط كل خلل ممكن، زاد الباحثون من عدد الإنذارات الكاذبة، حيث يحدد النظام مشكلة غير موجودة بالفعل. وفي سياق سلامة الشبكة الكهربائية، تُعد هذه تكلفة مقبولة؛ فمن الأفضل التحقيق في إنذار كاذب بدلاً من تفويت خلل حقيقي قد يتسبب في انقطاع التيار الكهربائي. وأشار الباحثون إلى أن النظام مرن بما يكفي لتعديل هذا التوازن اعتمادًا على احتياجات الشبكة المحددة. وبينما تستند النتائج الحالية إلى بيانات محاكاة، فإن النهج يقدم مسارًا واضحًا للنشر في العالم الحقيقي. وتتمثل الخطوة التالية في اختبار هذه الأساليب على خطوط طاقة فعلية، حيث سيكون الضجيج وعدم القدرة على التنبؤ في العالم الحقيقي هو الاختبار النهائي لموثوقية النظام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.