A Hybrid Two-Stage Machine Learning Pipeline for Fault Detection and Classification in Power Transmission Systems
本文提出了一种结合孤立森林-或融合策略（Isolation Forest-OR-fusion strategy）与零序特征工程的混合两阶段机器学习流水线，通过将异常检测与故障分类解耦，在不依赖 GPU 基础设施的情况下，在不平衡数据集上实现了超过 95% 的输电故障检测与分类准确率，并超越了现有的联邦学习基准。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电网是现代社会的无形神经系统，将电力从遥远的发电厂输送到依赖它的家庭和工厂。这个庞大的网络依靠高压输电线路将电力高效地输送到长距离之外。然而，这些线路是脆弱的。当故障发生时——由雷击、断线或设备故障引起——由此产生的能量激增可能会损坏昂贵的机械，或引发大规模停电。为了防止这种情况，电网使用了保护系统，其作用类似于自动断路器，旨在瞬间识别问题并切断电源。几十年来，这些系统一直依赖于固定规则：如果电流超过某个数值，就跳闸。但随着电网变得更加复杂，电力在新的方向流动并来自多样化的来源，这些简单的规则有时会失效。它们难以区分危险的故障与系统正常的、尽管异常的波动，从而留下了关键的安全漏洞。
研究人员转向机器学习来填补这些空白，希望教会计算机识别失效线路的细微特征。然而，一项新研究表明，仅仅把大量数据交给计算机并让它寻找异常点是不够的。问题有两个方面：首先，数据严重失衡，正常运行出现的情况比故障多出数百万倍，导致计算机忽略了它本应寻找的稀有事件。其次，某些特定类型的故障看起来与正常运行非常相似，以至于单个计算机模型无法将它们区分开来。为了解决这个问题，一组工程师和计算机科学家开发了一种两步走的方法，将“注意到有问题”的任务与“弄清楚究竟出了什么问题”的任务分离开来。
研究人员在两个不同的模拟电力网络上测试了他们的方法。第一个是一个拥有七个测量点和近 58 亿个数据样本的大型复杂系统；第二个是一个拥有约 1.2 万个样本的小型单点系统。在大型网络中，他们发现一个试图同时处理所有任务的标准计算机模型在识别一种被称为“线路故障”（即输电线路本身受损）的特定问题时表现极差。在这种情况下，标准模型仅能捕捉到大约 31% 的此类故障。研究人员意识到，计算机之所以感到困惑，是因为线路故障产生的电信号与健康电网的信号几乎完全相同。
为了修复这一问题，他们构建了一个包含两个不同阶段的流水线。第一阶段充当一个广谱网，旨在捕捉任何看起来哪怕只有一点异常的东西。他们使用了一种称为“孤立森林”（Isolation Forest）的技术，该技术通过只研究健康数据来学习什么是“正常”。如果新的读数偏离了这种模式，系统就会发出警报。然而，研究人员知道这个网会漏掉线路故障，因为它们看起来非常正常。因此，他们添加了第二个专门的检测器，该检测器仅针对第一层网漏掉的特定类型故障启动。这个专门的检测器经过训练，能够识别线路故障的确切模式。这两个检测器协同工作：如果其中任何一个发出警报，系统就会进入第二阶段。
第二阶段是系统识别具体问题类型的地方。一旦样本被标记为故障，另一个计算机模型就会对各种可能性进行分类，以确定是雷击、断线还是接地连接。至关重要的是，研究人员在将数据输入计算机之前，添加了一种特定的数学计算。他们计算了所谓的“零序分量”（zero-sequence components），这是一种衡量流向地面的电流不平衡程度的指标。这项计算基于电力的基本原理，即在健康且平衡的系统中，电流之和应为零。当涉及接地的故障发生时，这种平衡会被打破。通过引入这项特定的计算，计算机终于能够区分接地故障和非接地故障，而这在以前是无法做到的。
结果令人瞩目。在大型网络中，这种新的两阶段系统将线路故障的检测率从 31% 提高到了接近 96%。在小型网络上，该系统实现了 97.25% 的整体准确率，能够正确识别故障和正常运行。这种性能优于之前一种更复杂的系统，后者需要昂贵的图形硬件和分布式计算机网络才能运行。新方法在标准计算机处理器上运行，每个样本仅需 0.05 毫秒，这使其足以在现实世界中使用，而无需超级计算机。
或许最重要的发现来自于对两种不同网络的比较。研究人员发现，虽然零序计算对于解决问题至关重要，但信号的行为在两个系统中并不相同。在一个网络中，接地故障产生的信号比非接地故障大；而在另一个网络中，情况正好相反。这意味着一个简单的固定规则——例如“如果信号大于 X，则它是接地故障”——会在一个系统上奏效，但在另一个系统上却会失败。研究人员得出结论，计算机必须为它所安装的每一个新电网学习特定的规则，而不是依赖于通用的规则。这一发现表明，最好的保护系统不会是僵化、预设程序的设备，而是能够学习其所保护电网独特“电气个性”的适应性工具。
研究还强调了一种权衡。通过提高系统的灵敏度以捕捉所有可能的故障，研究人员增加了“误报”的数量，即系统标记了并不存在的问题。在电力电网安全领域，这是一个可以接受的代价。调查一次误报远比漏掉一个可能导致停电的真实故障要好。研究人员指出，该系统具有足够的灵活性，可以根据特定电网的需求来调整这种平衡。虽然目前的结果是基于模拟数据的，但该方法为现实世界的部署提供了一条清晰的路径。下一步将是在实际输电线上测试这些方法，届时现实世界的噪声和不可预测性将是对该系统可靠性的终极考验。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。