Dynamic threshold hybrid supervised multiscale convolutional autoencoder via distance metric learning for distribution system fault diagnosis
تقترح هذه الورقة إطار عمل هجين لتشخيص الأعطال في أنظمة التوزيع يدمج بين مشفر تلقائي تلافيفي متعدد المقاييس ذي عتبة ديناميكية وبين خوارزمية أقرب جار K المعززة بمسافة ماهالانوبيس واستراتيجية عتبة درجة الطاقة الديناميكية للتغلب على تحديات تداخل الميزات وتحديد مواقع أعطال العقد المتجاورة بدقة في بيئات الضجيج المعقدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 شبكات الطاقة بمثابة الجهاز الدوري غير المرئي للحياة الحديثة، حيث تنقل الكهرباء من محطات توليد الطاقة الضخمة إلى المنازل والشركات التي تعتمد عليها. في الماضي، كانت هذه الشبكات بسيطة، عبارة عن خطوط شعاعية يتدفق فيها التيار في اتجاه واحد. أما اليوم، فقد تحولت إلى شبكات معقدة، لا سيما في شبكات التوزيع التي تخدم المجتمعات المحلية. وتزخر هذه الشبكات الحديثة بمصادر الطاقة المتجددة مثل الألواح الشمسية وتوربينات الرياح، مما يضيف درجة عالية من عدم اليقين. فعندما يحدث خلل ما — مثل ماس كهربائي أو انقطاع في الخط — فإنه يرسل تموجات كهربائية تنتقل عبر الشبكة. ويكمن التحدي الذي يواجه المهندسين في تحديد مكان بداية المشكلة بدقة. ففي الشبكة الكثيفة، يمكن أن تبدو البصمات الكهربائية لخلل في موقع ما مطابقة تقريبًا لخلل في موقع مجاور، مما يخلق تداخلًا مربكًا يجعل من الصعب التمييز بينهما. وإذا لم يتمكن النظام من التمييز بين هذه الأحداث المتشابهة، فقد يرسل فرق الإصلاح إلى المكان الخاطئ أو يفشل في عزل الخطر، مما يؤدي إلى انقطاعات أوسع في التيار الكهربائي.
ولحل هذه المشكلة، لجأ الباحثون إلى التعلم العميق، وهو نوع من الذكاء الحاسوبي الذي يتعلم التعرف على الأنماط من خلال دراسة كميات هائلة من البيانات بدلاً من اتباع قواعد جامدة ومكتوبة مسبقًا. والهدف هو تعليم الكمبيوتر كيفية النظر إلى بيانات الجهد والتيار المتدفقة من الشبكة وتحديد الموقع الدقيق لخلل ما بشكل فوري، حتى عندما تكون الإشارة مشوشة أو عندما يحدث الخلل في نقطة تبدو مشابهة جدًا لجارتها. وقد طور فريق من الباحثين من عدة جامعات في الصين طريقة جديدة لمعالجة هذه المشكلة المحددة المتمثلة في الإشارات المتداخلة والمربكة. لقد أنشأوا نظامًا يعمل كخبير مدرب تدريبًا عاليًا، لا يستطيع فقط رصد الخلل، بل يعرف أيضًا متى تكون البيانات غير واضحة بما يكفي لاتخاذ تخمين، مما يمنع النظام من ارتكاب خطأ خطير.
يكمن جوهر حلهم في عملية مكونة من ثلاثة أجزاء مصممة للتعامل مع الضوضاء والارتباك في شبكة طاقة واقعية. أولاً، بنوا نموذجًا رقميًا يعمل كمستخرج للميزات العميقة. تخيل هذا النموذج كمجموعة من المرشحات (الفلاتر) التي يمكنها النظر إلى البيانات الكهربائية من خلال عدسات مختلفة في آن واحد؛ فبعض العدسات تركز على التغيرات السريعة والمفاجئة في الجهد، بينما تركز أخرى على الاتجاهات الأبطر والمتطورة بمرور الوقت. ومن خلال الجمع بين هذه الرؤى المختلفة، يمكن للنموذج استخراج التفاصيل الأكثر أهمية للخلل، وتجريد البيانات من التشويش والخلفية الساكنة التي عادة ما تخفي الحقيقة. وقد تم تدريب هذا النموذج باستخدام نهج من خطوتين: أولاً، تعلم الشكل العام للبيانات بمفرده، ثم تم صقله بأمثلة محددة للأعطال ليتعلم بالضبط ما الذي يجب البحث عنه. يساعد هذا التدريب الهجين النظام على تجاهل الفوضى الخلفية والتركيز على البصمة الفريدة لمشكلة في عقدة معينة.
بمجرد أن يقوم النموذج بتنقية البيانات واستخراج هذه الميزات الواضحة، يتولى الجزء الثاني من النظام عملية اتخاذ القرار. وبدلاً من مجرد قياس مدى قرب نقطتين من بعضهما في خط مستقيم، وهو أمر قد يكون مضللاً عندما تكون البيانات معقدة، يستخدم هذا النظام طريقة أكثر تطورًا لقياس المسافة. فهو يأخذ في الاعتبار كيفية ارتباط الأجزاء المختلفة من البيانات ببعضها البعض، تمامًا مثل رسام الخرائط الذي يعرف أن الميل شمالاً ليس هو نفسه الميل شرقًا عندما تكون التضاريس غير مستوية. وهذا يسمما النظام على تجميع الأعطال المتشابهة معًا بدقة أكبر وفصلها عن غيرها، حتى عندما تكون جيرانًا قريبين جدًا في الشبكة.
أما الجزء الثالث، وربما الأكثر أهمية، فهو صمام الأمان المصمم للتعامل مع عدم اليقين. في العالم الحقيقي، غالبًا ما تتعرض الإشارات الكهربائية للتشويه بسبب التداخل العشوائي، مثل الضوضاء التوافقية أو الاهتزازات، مما قد يجعل الإشارة الواضحة تبدو كأنها فوضى. وإذا رأى نظام قياسي إشارة فوضوية، فقد يفرض تخمينًا، مما قد يؤدي إلى تحديد خاطئ لتذبذب غير ضار على أنه خلل كبير أو تفويت خطر حقيقي. تقدم الطريقة الجديدة عتبة ديناميكية تعمل كفحص للثقة؛ فإذا حسب النظام أن الإشارة بعيدة جدًا عن أي نمط معروف، فإنه لا يفرض تصنيفًا، بل يصنف الحدث كحالة "غير مؤكدة" ويتركه للمشغلين البشريين للمراجعة. يضمن هذا النهج التحفظي أن النظام لا يعلن أبدًا وبثقة عن وجود خلل بينما هو في الواقع مجرد ضوضاء، مما يقلل بشكل فعال من خطر الإنذارات الكاذبة.
اختبر الباحثون طريقتهم باستخدام محاكاة قياسية لشبكة توزيع تُعرف باسم نظام IEEE المكون من 34 عقدة، والذي يحاكي خط تغذية في العالم الحقيقي بأسلاك طويلة وخفيفة الحمل ومكونات كهربائية متنوعة. وقد ركزوا على أصعب السيناريوهات: الأعطال التي تحدث في العقد المتجاورة، حيث تكون البصمات الكهربائية متطابقة تقريبًا. وفي هذه الاختبارات، حقق نظامهم متوسط دقة تشخيص بلغ 99.2%، متفوقًا بشكل كبير على نماذج التعلم العميق الأخرى التي اعتمدت على هياكل أبسط أو تقنيات قياس قياسية. وعندما أدخلوا أنواعًا مختلفة من الضوضاء إلى المحاكاة — مثل ضوضاء غاوس (Gaussian noise)، وهي ستاتيكية عشوائية، والضوضاء التوافقية، وهي تداخل إيقاعي — حافظت طريقتهم على دقتها العالية، بينما شهدت النماذج الأخرى انخفاضًا في أدائها.
ولعل النتيجة الأكثر دلالة جاءت من اختبار آلية صمام الأمان. فعندما قام الباحثون بتفعيل العتبة الديناميكية لتحديد العينات غير المؤكدة، تحسنت دقة النظام الإجمالية بالفعل. فمن خلال رفض التخمين في أكثر نقاط البيانات إرباكًا، تجنب النظام الأخطاء التي كانت ستخفض متوسط أدائه. وفي عمليات المحاكاة ذات الضوضاء العالية، وصلت دقة النظام المزود بميزة الأمان هذه إلى 98.53%، مقارنة بـ 98.12% بدونها. وهذا يثبت أن معرفة متى لا يجب اتخاذ قرار لا تقل أهمية عن معرفة كيفية اتخاذ القرار. وتؤكد الدراسة أنه من خلال الجمع بين رؤية متعددة المقاييس للبيانات، وطريقة أذكى لقياس التشابه، ونهج حذر تجاه عدم اليقين، يمكن إنشاء أداة لتشخيص الأعطال تكون دقيقة للغاية وموثوقة بما يكفي لبيئة شبكة الطاقة الحديثة المعقدة والمشوشة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.