FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System

Il paper propone FaultXformer, un modello basato su Transformer Encoder che utilizza dati di corrente da PMU per classificare e localizzare con elevata precisione (oltre il 98%) i guasti nelle reti di distribuzione attiva integrate con risorse energetiche distribuite, superando significativamente le prestazioni di architetture tradizionali come CNN, RNN e LSTM.

L'essenziale

Immagina che la nostra rete elettrica sia come un'enorme città con strade, incroci e traffico. In questa città, l'elettricità è il traffico che deve fluire costantemente per alimentare le case e le aziende.

Oggi, però, questa città sta cambiando: non abbiamo più solo grandi centrali elettriche lontane, ma anche tante piccole "centrali" locali, come i pannelli solari sui tetti o le turbine eoliche nei campi (chiamati DER nella scienza). Questo rende il traffico elettrico molto più dinamico e imprevedibile.

Il problema? Quando succede un incidente (un guasto, come un cortocircuito), è difficile capire dove è successo e che tipo di incidente è, specialmente con tutto questo nuovo traffico variabile. Se non lo si trova subito, la città va in blackout.

Ecco dove entra in gioco il FaultXformer, il "super detective" descritto in questo articolo.

1. Il Detective con gli Occhi Magici (I PMU)

Prima di tutto, il sistema usa dei sensori speciali chiamati PMU (Unità di Misurazione dei Fasori).

• L'analogia: Immagina di avere delle telecamere di sicurezza ultra-veloci posizionate in 4 punti strategici della città. Queste telecamere non guardano solo se c'è un'auto ferma, ma misurano la velocità e la direzione di ogni singola auto (corrente elettrica) 386 volte in un decimo di secondo.
• Questi dati sono come un flusso continuo di informazioni che raccontano la storia di cosa sta succedendo nella rete.

2. Il Cervello Super Intelligente (FaultXformer)

Il cuore del sistema è un'intelligenza artificiale chiamata FaultXformer. È basata su una tecnologia chiamata "Transformer" (la stessa usata per i moderni assistenti vocali o traduttori).

• Come funziona: Immagina che il Transformer sia un detective che legge una storia.
  • I metodi vecchi (come le CNN o le RNN) erano come detective che leggevano la storia parola per parola, concentrandosi solo sulla frase precedente. Se la storia era lunga e complessa, si perdevano i dettagli importanti all'inizio.
  • FaultXformer, invece, è come un detective che legge tutta la storia in un colpo solo e capisce subito come le parole distanti tra loro sono collegate. Grazie a un meccanismo chiamato "attenzione", sa esattamente quali momenti del flusso elettrico sono importanti per capire il guasto.

3. La Missione a Due Fasi

Il sistema lavora in due passaggi, come un investigatore che prima identifica il crimine e poi trova il colpevole:

• Fase 1: Capire il "Cosa" (Classificazione del Guasto)
  Il detective analizza i dati e dice: "È un cortocircuito tra due fili? È un filo che tocca terra? O è tutto normale?". Riesce a distinguere 8 tipi diversi di incidenti con una precisione quasi perfetta.
• Fase 2: Capire il "Dove" (Localizzazione)
  Una volta capito il tipo di guasto, il detective punta il dito e dice: "È successo esattamente all'incrocio numero 17, a 4.500 metri dalla centrale". Riesce a individuare 20 posizioni diverse nella rete.

4. Perché è così speciale?

Il paper ci dice che questo sistema è un vero miracolo per tre motivi:

1. È un campione di precisione: Ha raggiunto un'accuratezza del 98-99%. È come se un medico diagnosticasse una malattia sbagliando solo una volta su cento. Ha battuto tutti i "vecchi investigatori" (le reti neurali tradizionali) con un margine enorme.
2. È resistente al caos: Anche se i dati sono "sporchi" (c'è rumore, come se le telecamere avessero un po' di nebbia o interferenze) o se ci sono tantissime energie rinnovabili collegate (il traffico diventa folle), il sistema non va in tilt. Continua a funzionare perfettamente.
3. È veloce: Riesce a fare queste analisi in meno di un secondo (circa 17 millisecondi su un computer potente), il che è abbastanza veloce per spegnere il guasto prima che causi danni gravi.

In sintesi

FaultXformer è come un nuovo tipo di guardia giurata per la nostra rete elettrica. Invece di guardare solo un pezzo della strada, guarda l'intera città, capisce immediatamente se c'è un incidente, di che tipo è e dove si trova, anche se la città è piena di nuove fonti di energia e di "rumore".

Grazie a questo sistema, le nostre luci rimarranno accese più a lungo, i blackout saranno più rari e il sistema elettrico sarà più sicuro e intelligente, pronto per il futuro delle energie rinnovabili.

Sommario tecnico

1. Problema e Contesto

La crescente integrazione di risorse energetiche distribuite (DER), come il fotovoltaico e l'eolico, nelle reti di distribuzione elettrica attiva (EDS) ha introdotto una maggiore variabilità e complessità nelle operazioni della rete. Questo scenario rende difficile la rilevazione e la localizzazione accurata dei guasti, che sono critici per garantire l'affidabilità, la sicurezza e la continuità del servizio.
I metodi tradizionali per la localizzazione dei guasti (basati sull'impedenza o sulle onde viaggianti) presentano limiti significativi in presenza di DER: richiedono calcoli iterativi complessi, sincronizzazione precisa, alte frequenze di campionamento e spesso falliscono a causa della non linearità e della variabilità introdotte dalle fonti rinnovabili. Inoltre, molti approcci basati sull'apprendimento automatico esistenti (come CNN o RNN) faticano a catturare le dipendenze temporali a lungo raggio e le relazioni spaziali globali necessarie per analizzare i dati dinamici delle reti moderne.

2. Metodologia Proposta: FaultXformer

Il paper propone FaultXformer, un'architettura basata su Transformer Encoder progettata per l'analisi automatica dei guasti utilizzando dati di corrente in tempo reale provenienti da unità di misura dei fasori (PMU).

• Dati di Input: Il modello utilizza le misurazioni sincronizzate di magnitudine e fase della corrente di sequenza positiva ($I_1$) ottenute da quattro PMU posizionati strategicamente nella rete di prova IEEE a 13 nodi. Vengono considerati scenari con diverse penetrazioni di DER (fino all'80%) e livelli di rumore gaussiano (1-3%).
• Architettura a Due Stadi:
  1. Estrazione delle Caratteristiche (Stage 1): Un codificatore Transformer elabora i dati temporali grezzi per estrarre informazioni temporali e spaziali ricche. Vengono utilizzati codifici posizionali per mantenere la struttura temporale della serie storica.
  2. Classificazione e Localizzazione (Stage 2): Le caratteristiche estratte vengono inviate a due modelli Transformer Encoder indipendenti e ottimizzati separatamente:
     • Uno per la Classificazione del Tipo di Guasto (8 categorie: guasti monofase, bifase, trifase a terra, e assenza di guasto).
     • Uno per l'Identificazione della Posizione del Guasto (20 possibili nodi nella rete).
• Preprocessing: I dati subiscono una normalizzazione Z-score per stabilizzare l'ottimizzazione del modello. I dati di ciascun PMU vengono elaborati in modo indipendente per ridurre la complessità e il rischio di overfitting, pur mantenendo una visione completa della rete.
• Meccanismo di Attenzione: L'uso del meccanismo Multi-Head Self-Attention permette al modello di focalizzarsi su diverse parti della sequenza temporale simultaneamente, catturando le dipendenze globali e le dinamiche transitorie dei guasti che i modelli convoluzionali (CNN) potrebbero perdere.

3. Contributi Chiave

1. Architettura Transformer Specifica per il Dominio: Adattamento e validazione di un framework basato su Transformer Encoder per la rilevazione di guasti in reti di distribuzione con PMU, un'area precedentemente poco esplorata rispetto ad altre applicazioni di reti elettriche.
2. Design Decoupled (Disaccoppiato): L'uso di due modelli ottimizzati separatamente per la classificazione del tipo di guasto e per la localizzazione migliora l'accuratezza permettendo a ciascun modello di concentrarsi sulle caratteristiche più rilevanti per il suo compito specifico.
3. Robustezza e Validazione Rigorosa:
   • Utilizzo di una validazione incrociata stratificata a 10 fold per garantire un equilibrio tra le classi e una stima imparziale della generalizzazione.
   • Analisi della sensibilità al rumore (1-3% di rumore gaussiano) e alla variazione della penetrazione delle DER (0-80%), dimostrando che il modello mantiene prestazioni elevate in condizioni operative realistiche e incerte.
4. Interpretabilità: L'uso della visualizzazione dei pesi di attenzione dimostra che il modello si concentra fisicamente sui momenti di inizio del guasto (transitori), fornendo trasparenza rispetto ai modelli "black-box".

4. Risultati Sperimentali

Il modello è stato testato su un dataset simulato della rete IEEE 13-node con 20 posizioni di guasto diverse e vari scenari di DER.

• Prestazioni di Classificazione: FaultXformer ha raggiunto un'accuratezza media del 98,76% nella classificazione del tipo di guasto.
• Prestazioni di Localizzazione: Ha raggiunto un'accuratezza media del 98,92% nell'identificazione della posizione del guasto.
• Confronto con Modelli Baseline: FaultXformer ha superato significativamente le architetture deep learning convenzionali:
  • Rispetto alle CNN: +1,70% in classificazione e +10,82% in localizzazione.
  • Rispetto alle RNN: +34,95% in classificazione e +40,89% in localizzazione.
  • Rispetto alle LSTM: +2,04% in classificazione e +6,27% in localizzazione.
• Robustezza al Rumore: Anche con un rumore gaussiano del 3%, l'accuratezza è rimasta superiore al 95% per la localizzazione e al 98% per la classificazione.
• Efficienza Computazionale: Il tempo di inferenza è di circa 0,54 ms per campione su GPU e 2,38 ms su CPU, soddisfacendo i requisiti di latenza dello standard IEEE C37.118.1 per applicazioni di protezione in tempo reale (20-100 ms).

5. Significato e Impatto

Il lavoro di FaultXformer rappresenta un avanzamento significativo nella protezione delle reti elettriche attive. Dimostra che i modelli basati su Transformer possono gestire efficacemente la complessità introdotta dalle DER, superando i limiti dei metodi tradizionali e delle architetture deep learning precedenti (come CNN e RNN) nella cattura delle dipendenze temporali a lungo raggio.
La capacità di operare con alta precisione in presenza di rumore e variabilità operativa rende questo approccio promettente per l'implementazione reale nelle smart grid, contribuendo a ridurre i tempi di interruzione, aumentare la vita utile delle apparecchiature e migliorare la resilienza complessiva del sistema di distribuzione dell'energia. Gli autori suggeriscono come lavoro futuro l'integrazione di dati di tensione, fusione multimodale (SCADA + PMU) e l'adattamento a reti di scala più ampia.