Dynamic threshold hybrid supervised multiscale convolutional autoencoder via distance metric learning for distribution system fault diagnosis

Stromnetze sind das unsichtbare Kreislaufsystem des modernen Lebens, das Elektrizität von riesigen Kraftwerken zu den Haushalten und Unternehmen liefert, die von ihnen abhängig sind. In der Vergangenheit waren diese Netzwerke einfache, radiale Leitungen, bei denen der Strom in eine Richtung floss. Heute jedoch sind sie zu komplexen Geflechten geworden, insbesondere in den Verteilungsnetzen, die lokale Gemeinschaften versorgen. Diese modernen Netze sind gefüllt mit erneuerbaren Energiequellen wie Solarmodulen und Windturbinen, die eine hohe Unvorhersehbarkeit einführen. Wenn ein Fehler auftritt – ein Kurzschluss oder ein Bruch in der Leitung –, sendet dies elektrische Wellen aus, die sich durch das Netzwerk bewegen. Die Herausforderung für Ingenieure besteht darin, genau zu bestimmen, wo das Problem seinen Ursprung hat. In einem dichten Netzwerk können die elektrischen Signaturen eines Fehlers an einem Ort fast identisch mit denen eines Fehlers an einem benachbarten Ort sein, was eine verwirrende Überlappung erzeugt, die es schwierig macht, sie voneinander zu unterscheiden. Wenn das System nicht in der Lage ist, zwischen diesen ähnlichen Ereignissen zu unterscheiden, schickt es Reparaturteams an den falschen Ort oder versäumt es, die Gefahr zu isolieren, was zu weitreichenden Blackouts führen kann.

Um dies zu lösen, haben Forscher auf Deep Learning zurückgegriffen, eine Art von künstlicher Intelligenz, die lernt, Muster zu erkennen, indem sie riesige Mengen an Daten studiert, anstatt starren, vorprogrammierten Regeln zu folgen. Das Ziel ist es, einem Computer beizubringen, die Spannungs- und Stromdaten, die aus dem Netz einströmen, zu betrachten und sofort den spezifischen Ort eines Fehlers zu identifizieren, selbst wenn das Signal unordentlich ist oder der Fehler an einer Stelle auftritt, die einem benachbarten Ort sehr ähnlich sieht. Ein Team von Forschern aus mehreren Universitäten in China hat eine neue Methode entwickelt, um dieses spezifische Problem verwirrender, überlappender Signale anzugehen. Sie entwickelten ein System, das wie ein hochqualifizierter Experte agiert, der nicht nur den Fehler erkennen kann, sondern auch weiß, wann die Daten zu unklar sind, um eine Vermutung anzustellen, wodurch verhindert wird, dass das System einen gefährlichen Fehler begeht.

Der Kern ihrer Lösung ist ein dreiteiliger Prozess, der darauf ausgelegt ist, das Rauschen und die Verwirrung eines realen Stromnetzes zu bewältigen. Zuerst bauten sie ein digitales Modell, das als tiefer Merkmalsextraktor (Deep Feature Extractor) fungiert. Stellen Sie sich dieses Modell als einen Satz von Filtern vor, die die elektrischen Daten gleichzeitig durch verschiedene Linsen betrachten können. Einige Linsen konzentrieren sich auf sehr schnelle, plötzliche Änderungen der Spannung, während andere auf langsamere, sich entwickelnde Trends über die Zeit schauen. Durch die Kombination dieser verschiedenen Ansichten kann das Modell die wichtigsten Details eines Fehlers herausarbeiten und das Hintergrundrauschen und die statischen Störungen entfernt, die die Wahrheit normalerweise verbergen. Dieses Modell wurde mit einem zweistufigen Ansatz trainiert: Zuerst lernte es die allgemeine Form der Daten eigenständig, und dann wurde es mit spezifischen Beispielen von Fehlern feinjustiert, um genau zu lernen, wonach es suchen muss. Dieses hybride Training hilft dem System, das Hintergrundrauschen zu ignorieren und sich auf die einzigartige Signatur eines Problems an einem bestimmten Knoten zu konzentrieren.

Sobald das Modell die Daten bereinigt und diese klaren Merkmale extrahiert hat, übernimmt der zweite Teil des Systems, um eine Entscheidung zu treffen. Anstatt einfach zu messen, wie nah zwei Datenpunkte in einer geraden Linie beieinander liegen, was irreführend sein kann, wenn die Daten komplex sind, verwendet dieses System eine anspruchsvollere Art der Distanzmessung. Es berücksichtigt, wie die verschiedenen Teile der Daten zueinander in Beziehung stehen, ganz ähnlich wie ein Kartograf, der weiß, dass eine Meile nach Norden nicht dasselbe ist wie eine Meile nach Osten, wenn das Gelände uneben ist. Dies ermöglicht es dem System, ähnliche Fehler genauer zu gruppieren und sie von anderen abzugrenzen, selbst wenn sie sehr enge Nachbarn im Netzwerk sind.

Der dritte und vielleicht wichtigste Teil des Systems ist ein Sicherheitsventil, das dazu dient, mit Unsicherheit umzugehen. In der realen Welt werden elektrische Signale oft durch zufällige Interferenzen verzerrt, wie etwa harmonische Geräusche oder Vibrationen, die ein klares Signal wie ein Chaos aussehen lassen können. Wenn ein Standard-System ein unordentliches Signal sieht, könnte es versuchen, eine Klassifizierung zu erzwingen, was potenziell dazu führt, dass eine harmlose Schwankung als schwerwiegender Fehler identifiziert wird oder eine echte Gefahr übersehen wird. Die neue Methode führt einen dynamischen Schwellenwert ein, der als Vertrauensprüfung fungiert. Wenn das System berechnet, dass ein Signal zu weit von jedem bekannten Muster entfernt ist, erzwingt es keine Klassifizierung. Stattdessen kennzeichnet es das Ereignis als unsicher und überlässt es den menschlichen Bedienern zur Überprüfung. Dieser konservative Ansatz stellt sicher, dass das System niemals selbstbewusst einen Fehler deklariert, wenn es sich in Wirklichkeit nur um Rauschen handelt, wodurch das Risiko von Fehlalarmen effektiv reduziert wird.

Die Forscher testeten ihre Methode mit einer Standard-Simulation eines Verteilungsnetzes, bekannt als das IEEE 34-Knoten-System, das eine reale Einspeiseleitung mit langen, schwach belasteten Leitungen und verschiedenen elektrischen Komponenten nachbildet. Sie konzentrierten sich auf die schwierigsten Szenarien: Fehler, die an benachbarten Knoten auftreten, bei denen die elektrischen Signaturen nahezu identisch sind. In diesen Tests erreichte ihr System eine durchschnittliche Diagnosegenauigkeit von 99,2 % und übertraf damit signifikant andere Deep-Learning-Modelle, die auf einfacheren Strukturen oder Standard-Messverfahren basierten. Als sie verschiedene Arten von Rauschen in die Simulation einführten – wie etwa Gaußsches Rauschen, das zufälliges statisches Rauschen ist, und harmonisches Rauschen, das eine rhythmische Interferenz darstellt –, behielt ihre Methode ihre hohe Genauigkeit bei, während die Leistung anderer Modelle sank.

Das vielleicht aussagekräftigste Ergebnis kam aus dem Test des Sicherheitsventil-Mechanismus. Als die Forscher den dynamischen Schwellenwert aktivierten, um unsichere Stichproben zu kennzeichnen, verbesserte sich die Gesamteffizienz des Systems tatsächlich. Indem sie sich weigerten, bei den verwirrendsten Datenpunkten eine Entscheidung zu treffen, vermied das System die Fehler, die ihre Durchschnittsleistung hätten nach unten ziehen können. In Simulationen mit starkem Rauschen erreichte das System mit dieser Sicherheitsfunktion eine durchschnittliche Genauigkeit von 98,53 %, verglichen mit 98,12 % ohne sie. Dies zeigt, dass zu wissen, wann man keine Entscheidung trifft, genauso wichtig ist wie zu wissen, wie man entscheidet. Die Studie bestätigt, dass durch die Kombination einer multiskaligen Sicht auf die Daten, einer intelligenteren Art der Ähnlichkeitsmessung und eines vorsichtigen Umgangs mit Unsicherheit möglich ist, ein Werkzeug zur Fehlerdiagnose zu schaffen, das sowohl hochpräzise als auch zuverlässig genug für die komplexe, verrauschte Umgebung eines modernen Stromnetzes ist.