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

Elektriciteitsnetten zijn het onzichtbare bloedsomloopsysteem van het moderne leven, die elektriciteit leveren van enorme centrales naar de huizen en bedrijven die daarvan afhankelijk zijn. In het verleden waren deze netwerken eenvoudige, radiale lijnen waar elektriciteit in één richting stroomde. Tegenwoordig zijn ze echter complexe webben geworden, vooral in de distributienetwerken die lokale gemeenschappen bedienen. Deze moderne netten zijn gevuld met hernieuwbare energiebronnen zoals zonnepanelen en windturbines, die een hoge mate van onvoorspelbaarheid introduceren. Wanneer een defect optreedt—een kortsluiting of een breuk in de lijn—stuurt dit elektrische rimpelingen uit die door het netwerk reizen. De uitdaging voor ingenieurs is om precies te bepalen waar het probleem is ontstaan. In een dicht netwerk kunnen de elektrische handtekeningen van een defect op de ene locatie bijna identiek lijken aan een defect op een naburige locatie, wat een verwarrende overlap creëert die het moeilijk maakt om ze van elkaar te onderscheiden. Als het systeem niet in staat is om deze soortgelijke gebeurtenissen te onderscheiden, kan het reparatieteams naar de verkeerde plek sturen of het gevaar niet isoleren, wat leidt tot bredere blackouts.

Om dit op te lossen, hebben onderzoekers zich tot deep learning gewend, een vorm van computervariabiliteit die leert patronen te herkennen door enorme hoeveelheden gegevens te bestuderen in plaats van rigide, vooraf geschreven regels te volgen. Het doel is om een computer te leren naar de spanning- en stroomgegevens te kijken die vanuit het net stroomen en direct de specifieke locatie van een defect te identificeren, zelfs wanneer het signaal rommelig is of het defect plaatsvindt op een plek die erg lijkt op die van een buur. Een team van onderzoekers van verschillende universiteiten in China heeft een nieuwe methode ontwikkeld om dit specifieke probleem van verwarrende, overlappende signalen aan te pakken. Ze creëerden een systeem dat werkt als een hoogopgeleide expert die niet alleen het defect kan opsporen, maar ook weet wanneer de gegevens te onduidelijk zijn om een gok te wagen, waardoor het systeem een gevaarlijke fout voorkomt.

De kern van hun oplossing is een drieledig proces dat is ontworpen om de ruis en verwarring van een echt elektriciteitsnet aan te pakken. Eerst bouwden ze een digitaal model dat fungeert als een diepe feature extractor. Stel je dit model voor als een set filters die naar de elektrische gegevens tegelijkertijd door verschillende lenzen kan bekijken. Sommige lenzen richten zich op zeer snelle, plotselinge veranderingen in de spanning, terwijl andere kijken naar langzamere, evoluerende trends over de tijd. Door deze verschillende perspectieven te combineren, kan het model de belangrijkste details van een defect eruit halen, waarbij de achtergrondstatische ruis en ruis die de waarheid meestal verbergen, wordt weggefilterd. Dit model werd getraind met een tweestapsbenadering: eerst leerde het zelfstandig de algemene vorm van de gegevens, en daarna werd het verfijnd met specifieke voorbeelden van defecten om precies te leren waar het naar moet zoeken. Deze hybride training helpt het systeem om de achtergrondclutter te negeren en zich te concentreren op de unieke handtekening van een probleem bij een specifieke node.

Zodra het model de gegevens heeft opgeschoond en deze duidelijke kenmerken heeft geëxtraheerd, neemt het tweede deel van het systeem het over om een beslissing te nemen. In plaats van simpelweg te meten hoe dicht twee gegevenspunten bij elkaar liggen in een rechte lijn, wat misleidend kan zijn wanneer de gegevens complex zijn, gebruikt dit systeem een meer geavanceerde manier om afstand te meten. Het houdt rekening met hoe de verschillende delen van de gegevens met elkaar verband houden, vergelijkbaar met een cartograaf die weet dat een mijl naar het noorden niet hetzelfde is als een mijl naar het oosten wanneer het terrein ongelijkmatig is. Dit stelt het systeem in staat om soortgelijke defecten nauwkeuriger te groeperen en ze van anderen te scheiden, zelfs wanneer ze zeer nabije buren in het netwerk zijn.

Het derde, en misschien wel meest cruciale deel van het systeem, is een veiligheidsventiel dat is ontworpen om met onzekerheid om te gaan. In de echte wereld worden elektrische signalen vaak vervormd door willekeurige interferentie, zoals harmonische ruis of trillingen, wat een duidelijk signaal in een rommeltje kan veranderen. Als een standaard systeem een rommelig signaal ziet, kan het een gok forceren, waarbij het een onschadelijke fluctuatie mogelijk aanziet voor een groot defect of een echt gevaar mist. De nieuwe methode introduceert een dynamische drempelwaarde die fungeert als een vertrouwenscontrole. Als het systeem berekent dat een signaal te ver verwijderd is van elk bekend patroon, dwingt het geen classificatie af. In plaats daarvan markeert het de gebeurtenis als onzeker en laat het deze over aan menselijke operators voor beoordeling. Deze conservatieve aanpak zorgt ervoor dat het systeem nooit vol vertrouwen een defect verklaart wanneer het eigenlijk gewoon ruis is, wat het risico op valse alarmen effectief vermindert.

De onderzoekers testten hun methode met behulp van een standaard simulatie van een distributienetwerk, bekend als het IEEE 34-node systeem, dat een echt voedingslijn nabootst met lange, licht belaste draden en diverse elektrische componenten. Ze richtten zich op de moeilijkste scenario's: defecten die optreden bij aangrenzende nodes, waar de elektrische handtekeningen bijna identiek zijn. In deze tests bereikte hun systeem een gemiddelde diagnostische nauwkeurigheid van 99,2%, waarmee het andere deep learning-modellen die vertrouwden op eenvoudigere structuren of standaard meettechnieken aanzienlijk overtrof. Toen zij verschillende soorten ruis introduceerden in de simulatie—zoals Gaussische ruis, wat willekeurige statische ruis is, en harmonische ruis, wat een ritmische interferentie is—behield hun methode de hoge nauwkeurigheid, terwijl de prestaties van andere modellen daalden.

Misschien wel het meest veelzeggende resultaat kwam voort uit het testen van het veiligheidsventielmechanisme. Wanneer de onderzoekers de dynamische drempelwaarde inschakelden om onzekere monsters te markeren, verbeterde de algehele nauwkeurigheid van het systeem feitelijk. Door te weigeren een gok te wagen op de meest verwarrende gegevenspunten, vermeed het systeem de fouten die de gemiddelde prestaties naar beneden zouden halen. In simulaties met zware ruis bereikte het systeem met deze veiligheidsfunctie een gemiddelde nauwkeurigheid van 98,53%, vergeleken met 98,12% zonder deze functie. Dit demonstreert dat weten wanneer je niet moet beslissen even belangrijk is als weten hoe je moet beslissen. De studie bevestigt dat door een combinatie van een meerschaal view van de gegevens, een slimmere manier van gelijkenis meten en een voorzichtige aanpak van onzekerheid, het mogelijk is om een hulpmiddel voor defectdiagnose te creëren dat zowel zeer nauwkeurig als betrouwbaar genoeg is voor de complexe, lawaaierige omgeving van een modern elektriciteitsnet.