AI and data driven overhead line fault classification for TSO asset management using GIS, weather data, and distance relay measurements
Dit artikel stelt een door AI gedreven framework voor dat GIS, weergegevens en afstandsrelaismetingen integreert met aangepaste Long Short-Term Memory (LSTM) neurale netwerken om fouten in bovengrondse lijnen te classificeren met een nauwkeurigheid van 83,4%, waardoor het beheer van activa door de Transmission System Operator en de betrouwbaarheid van het energiesysteem worden verbeterd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke keer dat een storm over een landschap raast, voeren de hoogspanningslijnen die elektriciteit naar onze huizen vervoeren een stille, onzichtbare strijd. Deze lijnen, gespannen tussen hoge torens over enorme afstanden, zijn constant blootgesteld aan de elementen. Wanneer het weer omslaat naar geweldig weer, kunnen de lijnen falen, wat zwart uitvalt veroorzaakt die het dagelijks leven verstoort en de systemen die het licht aanhouden onder druk zet. Voor de organisaties die verantwoordelijk zijn voor het onderhoud van deze netwerken, bekend als transmissiesysteembeheerders, is de uitdaging niet alleen het repareren van een gebroken draad nadat deze is gescheurd, maar begrijpen waarom hij in de eerste plaats brak. Was het een plotselinge windvlaag, een laag ijs, of misschien een blikseminslag? Weten wat de specifieke oorzaak was, is cruciaal voor het plannen van reparaties en het voorkomen van toekomstige uitval, maar het aanwijzen van de exacte reden voor een defect is vaak een gokspel, vooral wanneer het evenement plaatsvindt in een afgelegen gebied waar niemand kijkt.
Een team van onderzoekers van de Universiteit van Belgrado heeft een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen door computers te leren de vingerafdrukken van verschillende weelgerelateerde defecten te herkennen. Ze combineerden drie verschillende soorten informatie: de exacte locatie waar een lijn faalde, de weersomstandigheden op die exacte plek en tijd, en de elektrische signalen die zijn geregistreerd door de beveiligingsapparatuur die de lijn beschermt. Door deze mix van gegevens in een geavanceerd computerprogramma te voeren dat is ontworpen om te leren van patronen, creëerden ze een systeem dat een verslag van een defect aan een stroomlijn kan bekijken en nauwkeurig kan raden welk type weerevenement de oorzaak was. Deze aanpak gaat verder dan eenvoudige observatie, door gebruik te maken van de geschiedenis van eerdere defecten om een duidelijker beeld te vormen van hoe het net reageert op de omgeving.
De onderzoekers begonnen met het verzamelen van een enorme hoeveelheid real-world data van het Servische elektriciteitsnet, dat duizenden kilometers aan bovengrondse lijnen over diverse landschappen omvat. Ze verzamelden gegevens van meer dan 7.500 specifieke gebeurtenissen die plaatsvonden over een periode van tien jaar. Voor elk evenement moesten ze het zware werk verrichten om de verbanden te leggen tussen verschillende databases. Eerst namen ze de elektrische metingen van de beveiligingsapparatuur, die hen vertelden hoe ver beneden de lijn een probleem optrad, en vertaalden deze getallen naar exacte geografische coördinaten, zoals breedtegraad en lengtegraad. Zodra ze wisten waar precies de problemen ontstonden, grepen ze terug naar historische weerarchieven om de omstandigheden op die specifieke locatie op te halen tijdens de uren voorafgaand aan het defect. Ze keken naar factoren zoals luchttemperatuur, windsnelheid, hoe hard het regende en de hoeveelheid vocht in de wolken.
Met deze rijke dataset in handen trainden het team een type kunstmatige intelligentie bekend als een neuraal netwerk. Je kunt dit netwerk zien als een digitale hersenpan die leert door voorbeeld, net zoals een student die met flashcards studeert. De computer werd getoond duizenden eerdere incidenten, elk voorzien van een label met de weersomstandigheden die voorafgingen aan het incident en het type fout dat uiteindelijk optrad. Het doel was dat de computer de subtiele verbanden zou leren tussen een specifieke combinatie van weersfactoren en het resulterende defect. Bijvoorbeeld, het systeem leerde dat een bepaalde mix van ijzel en wind vaak leidt tot ijsvorming op de draden, terwijl een snelle daling van de luchtdruk gecombineerd met een hoge luchtvochtigheid kan wijzen op een naderende onweersbui die een vonk kan veroorzaken. De onderzoekers testten verschillende manieren om deze informatie te organiseren, waarbij ze diverse combinaties van weer variabelen probeerden en vergelijkbare typen defecten groepeerden om te zien of de computer sneller of nauwkeuriger kon leren.
De resultaten toonden aan dat de computer erin slaagde de oorzaak van een defect in ongeveer 83 procent van de gevallen te identificeren. Dit is een aanzienlijke prestatie, aangezien het betekent dat het systeem de meerderheid van de door het weer veroorzaakte problemen correct kan diagnosticeren zonder dat er direct een menselijke expert de locatie hoeft te inspecteren. De studie vond dat de meest nauwkeurige voorspellingen voortkwamen wanneer de computer de mogelijkheid kreeg om naar een tijdsvenster te kijken dat voorafging aan het defect, in plaats van slechts naar een enkel snapshot van het weer. Dit stelde het systeem in staat om te zien hoe de omstandigheden veranderden, zoals een plotselinge piek in de windsnelheid of een gestage ophoping van regen, wat vaak de werkelijke triggers voor een breuk zijn. De onderzoekers ontdekten ook dat het proberen te voorspellen van elk mogelijk type defect tegelijkertijd de taak moeilijker maakte, dus ontdekten ze dat het groeperen van soortgelijke gebeurtenissen hielp om de computer beter te laten presteren.
Echter, de studie onthulde ook de beperkingen van deze aanpak. Wanneer de onderzoekers probeerden het meest voorkomende type gebeurtenis uit de trainingsdata te verwijderen om de computer te dwingen zich alleen op de zeldzame en moeilijke gevallen te concentreren, daalde de prestatie van het systeem aanzienlijk. Dit suggereert dat de computer vertrouwt op het zien van een breed scala aan voorbeelden, inclusief de routinematige, om een solide basis te leggen voor het begrijpen van de zeldzame. Bovendien was de nauwkeurigheid niet perfect; er waren nog steeds gevallen waarin de computer moeite had om vergelijkbare gebeurtenissen te onderscheiden, zoals zware regen en mist, of waar de data zelf onduidelijk was. De onderzoekers merkten op dat fouten in de manier waarop de oorspronkelijke gegevens werden opgenomen of gecategoriseerd het systeem konden verwarren, wat leidde tot fouten.
Ondanks deze uitdagingen biedt het werk een krachtig nieuw instrument voor het beheer van het elektriciteitsnet. Door het proces van het classificeren van defecten te automatiseren, kunnen transmissiebeheerders snel door duizenden eerdere incidenten zoeken om patronen te vinden die anders misschien onopgemerkt zouden blijven. Dit kan hen helpen beslissen waar ze torens moeten versterken, welke lijnen vaker inspectie nodig hebben, of hoe ze zich beter kunnen voorbereiden op specifieke weersbedreigingen. Het systeem is snel genoeg om in real-time te draaien, wat betekent dat het uiteindelijk gebruikt kan worden om operators te waarschuwen op het moment dat een defect optreedt, waarbij de waarschijnlijke oorzaak wordt gesuggereerd voordat een reparatieteam de werkplaats zelfs maar heeft verlaten. De technologie is geen toverstaf die alle stroomuitval zal elimineren, maar het biedt een duidelijk, op data gebaseerd pad naar begrip van de complexe relatie tussen het weer en de draden die onze moderne wereld draaiende houden. De studie bevestigt dat door nauwkeurige locatiegegevens te combineren met gedetailleerde weersgeschiedenis, we machines kunnen leren om de storm achter de vonk te zien, waardoor chaotische gebeurtenissen worden omgezet in begrijpelijke patronen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.