A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization

Dit artikel presenteert een SISA-gebaseerd framework voor machine unlearning dat de invloed van vergiftigde trainingsdata op de diagnose van inter-turn kortsluitfouten in transformatoren effectief verwijdert door alleen de aangetaste data-shards opnieuw te trainen, wat aanzienlijk minder tijd kost dan volledige hertraining terwijl de diagnose-accuraatheid behouden blijft.

De kern

Stel je voor dat je een zeer slimme, digitale dokter hebt die powertransformatoren (de enorme "hartkloppers" van ons elektriciteitsnet) in de gaten houdt. Deze dokter, een kunstmatige intelligentie, leert door naar duizenden foto's van stroomgolven te kijken. Als hij een patroon ziet dat op een kortsluiting lijkt, schreeuwt hij: "Hier is een probleem!" en vertelt hij precies waar.

Maar wat gebeurt er als deze dokter wordt opgeleid met vervalste foto's?

Het Probleem: De Vergiftigde Les

In de echte wereld kunnen sensoren (de ogen van de dokter) kapot gaan door elektromagnetische storingen, zoals een zware storm of oud materiaal. Deze kapotte sensoren sturen ruis of verkeerde signalen. Als de AI deze "vergiftigde" data gebruikt om te leren, wordt hij verward. Hij denkt dat een normaal signaal een fout is, of hij mist een echte fout.

Normaal gesproken is de oplossing simpel: gooi de verkeerde foto's weg en laat de dokter opnieuw studeren. Maar hier zit de adder onder het gras:

• Het opnieuw leren van zo'n complexe dokter duurt dagen.
• Het kost enorm veel rekenkracht (en dus geld en energie).
• In een elektriciteitsnet wil je geen dagen zonder diagnose; dat is te riskant.

De Oplossing: De "SISA"-methode

De auteurs van dit paper hebben een slimme truc bedacht, genaamd SISA. Laten we dit vergelijken met een groot kookteam in plaats van één enkele chef-kok.

1. De Traditionele Methode (De Eenzame Chef)

Stel je voor dat je één enkele chef-kok hebt die een gigantisch receptboek moet leren. Als er één verkeerd ingrediënt (vergiftigde data) in het boek staat, moet de hele chef het hele boek opnieuw leren, van pagina 1 tot 1000. Dat duurt eeuwen.

2. De SISA-Methode (Het Team van Kleine Koks)

In plaats van één chef, hebben we nu een team van onafhankelijke koks (we noemen ze "shards").

• Het receptboek wordt in stukken gesneden.
• Elke kok krijgt een eigen stapel met een paar pagina's en leert die onafhankelijk van elkaar.
• Aan het einde kijken ze allemaal naar hun eigen stukje en geven ze een advies. De eindbeslissing is het gemiddelde van al hun adviezen.

Wat gebeurt er als er een vergiftigd ingrediënt wordt gevonden?
Stel, kok #3 heeft per ongeluk een rotte aardappel in zijn stapel.

• Bij de traditionele methode: De hele keuken moet sluiten, alles wordt weggegooid, en iedereen moet opnieuw beginnen.
• Bij de SISA-methode: We zeggen gewoon tegen kok #3: "Jij, ga even terug naar pagina 50 en leer dat stukje opnieuw zonder die rotte aardappel." De andere koks (kok #1, #2, #4, etc.) hoeven niets te doen. Ze blijven gewoon hun werk doen.

Wat hebben ze ontdekt?

De onderzoekers hebben dit getest op transformatoren met kortsluitingen.

• Snelheid: Omdat ze alleen één kleine kok hoeven te laten "oefenen" in plaats van het hele team, was het opnieuw leren tot 4 keer sneller.
• Kwaliteit: De diagnose van het team was bijna net zo goed als die van een team dat volledig opnieuw was opgeleid. De "vergiftiging" was volledig verwijderd.
• De Valkuil: Als je het team te klein maakt (te veel koks met te weinig pagina's per persoon), worden ze niet slim genoeg. Ze raken de patronen kwijt. Je moet dus een goed evenwicht vinden.

Conclusie in het Kort

Dit paper laat zien hoe we slimme computers kunnen "ontleren" zonder alles te moeten wissen en opnieuw te bouwen. Het is alsof je een fout in een hoofdstuk van een boek kunt corrigeren zonder het hele boek opnieuw te moeten schrijven. Voor onze energievoorziening betekent dit: snellere reparaties, minder uitval en een veiliger net, zelfs als sensoren soms een foutje maken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper in het Nederlands:

Titel: Een op SISA gebaseerd Machine Unlearning-kader voor de lokalisatie van kortsluitfouten tussen windingen in krachttransformatoren

1. Het Probleem

In data-gedreven toepassingen voor het diagnosticeren van storingen in elektrische apparatuur, zoals transformatoren, zijn machine learning (ML) modellen afhankelijk van hoge kwaliteit sensorgegevens. In de praktijk kunnen deze trainingsdata echter worden verontreinigd door sensorstoringen, veroorzaakt door factoren zoals elektromagnetische interferentie (EMI), componentveroudering of complete sensorfalen.

• Uitdaging: Het is vaak moeilijk om deze verontreinigde data ("poisoned data") te onderscheiden van normale signaalvariaties tijdens de voorverwerking.
• Gevolg: Als een model met deze data wordt getraind, degradeert de prestatie.
• Huidige oplossing en beperking: De meest voor de hand liggende oplossing is het verwijderen van de beschadigde data en het model volledig opnieuw trainen. Dit proces is echter computatief intensief en tijdrovend, wat onpraktisch is voor real-time monitoringssystemen.

2. Methodologie: Het SISA-kader

Het paper stelt een Machine Unlearning (MU) framework voor op basis van de SISA-methode (Sharded, Isolated, Sliced, and Aggregated) om de invloed van verontreinigde data efficiënt te verwijderen zonder het hele model opnieuw te hoeven trainen.

• Architectuur:
  • Sharding: Het trainingsdataset wordt verdeeld in meerdere onafhankelijke "shards" (delen).
  • Slicing: Elke shard wordt verder onderverdeeld in opeenvolgende "slices".
  • Isolatie: Voor elke shard wordt een apart submodel getraind. De voorspellingen van alle submodellen worden geaggregeerd (samengevoegd) om de uiteindelijke uitkomst te bepalen.
  • Aggregatie: De auteurs gebruiken een strategie voor het middelen van softmax-probabiliteiten om de uiteindelijke diagnose te maken.
• Unlearning-proces:
  • Wanneer verontreinigde data wordt gedetecteerd (bijvoorbeeld door EMI in stroomtransformatoren), wordt alleen de specifieke shard die deze data bevat opnieuw getraind, beginnend vanaf het punt waar de data werd geïntroduceerd.
  • De andere shards blijven intact, wat de rekentijd drastisch verkort.
• Model: Als basis ML-model wordt LSTM (Long Short-Term Memory) gebruikt, geschikt voor het analyseren van tijdsreeksen van stroomsignalen om inter-turn short-circuit faults (ITSCF) te lokaliseren.

3. Belangrijkste Bijdragen

1. Ontwikkeling van een SISA-MU Framework: Een nieuw kader specifiek voor de lokalisatie van kortsluitfouten tussen windingen in transformatoren, gebruikmakend van een softmax-probabiliteitsmiddeling.
2. Gestructureerde Dataset: Creatie van een gesimuleerde ITSCF-dataset met 48 verschillende storingcondities (op hoog- en laagspanningszijde, drie fasen), waarbij EMI-geïnduceerde sensorstoringen zijn toegevoegd om "vergiftigde" data te simuleren.
3. Validatie van Efficiëntie en Nauwkeurigheid: Demonstratie dat SISA-unlearning de diagnostische nauwkeurigheid herstelt tot een niveau dat bijna gelijk is aan volledige hertraining, maar met een aanzienlijk lagere rekentijd.

4. Experimentele Resultaten

De experimenten werden uitgevoerd met een 1,5 MW windturbine-model in MATLAB/Simulink en getest op een werkstation met een RTX 4090.

• Nauwkeurigheid:
  • Zonder hertraining (met vergiftigde data) daalde de nauwkeurigheid (bijv. van ~99% naar ~97% of lager, afhankelijk van het aantal shards).
  • Na SISA-unlearning herstelde de nauwkeurigheid zich tot 99,05% (bij 2 shards) en 97,46% (bij 1 shard, wat eigenlijk volledige hertraining is).
  • Er werd vastgesteld dat een te groot aantal shards (bijv. 4) de nauwkeurigheid kan verlagen (tot ~84%) vanwege een gebrek aan diversiteit in de trainingsdata per shard.
• Rekentijd (Efficiëntie):
  • Volledige hertraining nam ongeveer 497,8 seconden.
  • SISA-unlearning met 2 shards verkleinde de tijd tot 221,8 seconden (2,01x sneller).
  • SISA-unlearning met 4 shards verkleinde de tijd tot 112,2 seconden (3,97x sneller).
• Foutanalyse: Verwarring treedt vooral op tussen de drie fasen aan de laagspanningszijde (LA, LB, LC) vanwege de sterke gelijkenis in hun stroomsignalen.

5. Betekenis en Conclusie

Dit paper toont aan dat het SISA-kader een praktische en computerefficiënte oplossing biedt voor het beheer van data-integriteit in kritieke energiesystemen.

• Significantie: Het stelt beheerders in staat om de impact van sensorstoringen snel te elimineren zonder de kostbare en tijdrovende procedure van volledige modelhertraining.
• Toepassing: Het is bijzonder relevant voor real-time condition monitoring van transformatoren, waar snelle reactie op degradatie van datakwaliteit essentieel is voor de betrouwbaarheid van het net.
• Toekomst: Hoewel het huidige werk zich richt op ITSCF, kan deze aanpak worden uitgebreid naar andere data-gedreven condition monitoring systemen.

Kortom, het paper bewijst dat het opdelingsprincipe van SISA een evenwicht biedt tussen hoge diagnostische nauwkeurigheid en aanzienlijke besparingen in rekentijd bij het verwijderen van schadelijke trainingsdata.