AI and data driven overhead line fault classification for TSO asset management using GIS, weather data, and distance relay measurements
Dieses Papier schlägt ein KI-gestütztes Framework vor, das GIS, Wetterdaten und Distanzrelais-Messungen mit modifizierten Long Short-Term Memory (LSTM) neuronalen Netzen integriert, um Fehler in Freileitungen mit einer Genauigkeit von 83,4 % zu klassifizieren und somit das Asset Management der Übertragungsnetzbetreiber sowie die Zuverlässigkeit des Energiesystems zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Mal, wenn ein Sturm über eine Landschaft fegt, führen die Hochspannungsleitungen, die Strom in unsere Häuser tragen, einen stillen, unsichtbaren Kampf. Diese Leitungen, die über riesige Distanzen zwischen hohen Masten gespannt sind, sind ständig den Elementen ausgesetzt. Wenn das Wetter gewalttätig wird, können die Leitungen ausfallen, was Stromausfälle verursacht, die das tägliche Leben stören und die Systeme, die das Licht am Brennen halten, unter Druck setzen. Für die Organisationen, die für die Wartung dieser Netze verantwortlich sind – bekannt als Übertragungsnetzbetreiber –, besteht die Herausforderung nicht nur darin, einen gebrochenen Draht zu reparieren, nachdem er gerissen ist, sondern zu verstehen, warum er überhaupt gebrochen ist. War es eine plötzliche Windböe, eine Eisschicht oder vielleicht ein Blitzschlag? Den genauen Grund zu kennen, ist entscheidend für die Planung von Reparaturen und die Vermeidung zukünftiger Ausfälle, aber das exakte Ereignis zu lokalisieren, ist oft ein Ratespiel, besonders wenn das Ereignis in einem abgelegenen Gebiet stattfindet, in dem niemand zuschaut.
Ein Team von Forschern der Universität Belgrad hat einen neuen Weg entwickelt, um dieses Rätsel zu lösen, indem sie Computer lehren, die Fingerabdrücke verschiedener wetterbedingter Ausfälle zu erkennen. Sie kombinierten drei verschiedene Arten von Informationen: den präzisen Ort, an dem eine Leitung ausfiel, die Wetterbedingungen an genau diesem Punkt und zu dieser Zeit sowie die elektrischen Signale, die von den Sicherheitsgeräten aufgezeichnet wurden, die die Leitung schützen. Indem sie diese Mischung aus Daten in ein hochentwickeltes Computerprogramm einspeisten, das darauf ausgelegt ist, aus Mustern zu lernen, schufen sie ein System, das in der Lage ist, einen Datensatz eines Stromleitungsausfalls zu betrachten und genau zu erraten, welche Art von Wetterereignis den Ausfall verursacht hat. Dieser Ansatz geht über die bloße Beobachtung hinaus, indem er die Geschichte vergangener Ausfälle nutzt, um ein klareres Bild davon zu zeichnen, wie das Netz auf die Umgebung reagiert.
Die Forscher begannen damit, eine gewaltige Menge an Realdaten aus dem serbischen Stromnetz zu sammeln, das tausende Kilometer an Freileitungen über vielfältige Landschaften hinweg umfasst. Sie sammelten Aufzeichnungen von über 7.500 spezifischen Ereignissen, die über einen Zeitraum von zehn Jahren auftraten. Für jedes Ereignis mussten sie die mühsame Arbeit leisten, die Verbindung zwischen den verschiedenen Datenbanken herzustellen. Zuerst nahmen sie die elektrischen Messwerte der Sicherheitsgeräte, die ihnen sagten, wie weit die Störung auf der Leitung vorlag, und übersetzten diese Zahlen in exakte geografische Koordinaten, wie Breitengrad und Längengrad. Sobald sie genau wussten, wo das Problem auftrat, griffen sie in historische Wetterarchive zurück, um die Bedingungen an diesem spezifischen Ort in den Stunden vor dem Ausfall abzurufen. Sie untersuchten Faktoren wie Lufttemperatur, Windgeschwindigkeit, die Intensität des Regens und die Feuchtigkeitsmenge in den Wolken.
Mit diesem reichhaltigen Datensatz trainierte das Team eine Art von künstlicher Intelligenz, die als neuronales Netzwerk bekannt ist. Man kann sich dieses Netzwerk als ein digitales Gehirn vorstellen, das durch Beispiele lernt, ganz ähnlich wie ein Schüler, der mit Karteikarten lernt. Dem Computer wurden tausende vergangene Vorfälle gezeigt, von denen jeder mit den Wetterbedingungen, die dem Ausfall vorausgingen, und der Art des schließlich eintretenden Fehlers beschriftet war. Das Ziel war es, dass der Computer die subtilen Verbindungen zwischen einer bestimmten Kombination von Wetterfaktoren und dem daraus resultierenden Fehler lernt. Das System lernte beispielsweise, dass eine bestimmte Mischung aus gefrierendem Regen und Wind oft zu Eisbildung auf den Drähten führt, während ein schneller Abfall des Luftdrucks in Kombination mit hoher Luftfeuchtigkeit auf ein herannahendes Gewitter hindeuten könnte, das einen Funkenschlag verursachen kann. Die Forscher testeten verschiedene Möglichkeiten, diese Informationen zu organisieren, probierten verschiedene Kombinationen von Wettervariablen aus und gruppierten ähnliche Arten von Ausfällen, um zu sehen, ob der Computer schneller oder genauer lernen konnte.
Die Ergebnisse zeigten, dass der Computer in etwa 83 Prozent der Fälle die Ursache eines Ausfalls erfolgreich identifizieren konnte. Dies ist eine bedeutende Errungenschaft, da es bedeutet, dass das System die Mehrheit der wetterbedingten Probleme korrekt diagnostizieren kann, ohne dass sofort ein menschlicher Experte die Stelle inspizieren muss. Die Studie ergab, dass die genauesten Vorhersagen erzielt wurden, wenn der Computer ein Zeitfenster betrachtete, das dem Ausfall vorausging, anstatt nur eine einzelne Momentaufnahme des Wetters zu nutzen. Dies ermöglichte es dem System, zu sehen, wie sich die Bedingungen veränderten, wie etwa ein plötzlicher Anstieg der Windgeschwindigkeit oder eine stetige Zunahme des Regens, was oft die wahren Auslöser für einen Zusammenbruch sind. Die Forscher entdeckten auch, dass der Versuch, jeden einzelnen möglichen Typ von Fehler gleichzeitig vorherzusagen, die Aufgabe erschwerte, und fanden heraus, dass die Gruppierung ähnlicher Ereignisse dem Computer half, besser zu funktionieren.
Dennoch zeigte die Studie auch die Grenzen dieses Ansatzes auf. Als die Forscher versuchten, die häufigste Art von Ereignis aus den Trainingsdaten zu entfernen, um den Computer zu zwingen, sich nur auf die seltenen und schwierigen Fälle zu konzentrieren, sank die Leistung des Systems erheblich. Dies deutet darauf hin, dass der Computer darauf angewiesen ist, eine breite Palette von Beispielen zu sehen, einschließlich der routinemäßigen, um ein solides Fundament für das Verständnis der seltenen Fälle aufzubauen. Darüber hinaus war die Genauigkeit nicht perfekt; es gab immer noch Fälle, in denen der Computer Schwierigkeiten hatte, zwischen ähnlich aussehenden Ereignissen zu unterscheiden, wie etwa starkem Regen und Nebel, oder in denen die Daten selbst unklar waren. Die Forscher merkten an, dass Fehler in der Art und Weise, wie die Originaldaten aufgezeichnet oder kategorisiert wurden, das System verwirren konnten, was zu Fehlern führte.
Trotz dieser Herausforderungen bietet die Arbeit ein leistungsfähiges neues Werkzeug für die Verwaltung des Stromnetzes. Durch die Automatisierung des Prozesses der Klassifizierung von Fehlern können Übertragungsnetzbetreiber tausende vergangener Vorfälle schnell durchforsten, um Muster zu finden, die sonst unbemerkt bleiben könnten. Dies könnte ihnen helfen zu entscheiden, wo sie Masten verstärken müssen, welche Leitungen häufiger inspiziert werden müssen oder wie sie sich besser auf spezifische Wetterbedrohungen vorbereiten können. Das System ist schnell genug, um in Echtzeit zu laufen, was bedeutet, dass es schließlich eingesetzt werden könnte, um Betreiber in dem Moment zu alarmieren, in dem ein Fehler auftritt, indem es die wahrscheinliche Ursache vorschlägt, noch bevor ein Reparaturtrupp die Station verlässt. Während die Technologie kein Zauberstab ist, der alle Stromausfälle eliminieren wird, bietet sie einen klaren, datengestützten Weg zum Verständnis der komplexen Beziehung zwischen dem Wetter und den Drähten, die unsere moderne Welt am Laufen halten. Die Studie bestätigt, dass wir durch die Kombination von präzisen Standortdaten mit detaillierter Wetterhistorie Maschinen beibringen können, den Sturm hinter dem Funken zu sehen und so chaotische Ereignisse in verständliche Muster zu verwandeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.