AI and data driven overhead line fault classification for TSO asset management using GIS, weather data, and distance relay measurements
本文提出了一种人工智能驱动的框架，该框架将地理信息系统（GIS）、气象数据以及距离继电测量与改进的长短期记忆（LSTM）神经网络相结合，以 83.4% 的准确率对架空线路故障进行分类，从而增强输电系统运营商的资产管理水平和能源系统的可靠性。
原始论文采用 CC BY 4.0 许可（https://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
每当风暴席卷大地，承载着向我们家园输送电力的输电线路便会陷入一场无声且隐形的战斗。这些线路在跨越广袤距离的高大铁塔之间连接，时刻暴露在自然元素之中。当天气变得剧烈时，线路可能会发生故障，导致停电，从而扰乱日常生活并使维持电力供应的系统承受压力。对于负责维护这些电网的组织（即输电系统运营商）而言，挑战不仅在于线路断裂后如何修复，更在于理解其断裂的初衷。是因为突如其来的阵风、一层积冰，还是可能的一道闪电？了解具体的诱因对于规划维修和防止未来停电至关重要，但要精准定位故障的确切原因往往是一场猜测游戏，尤其是在没有人在场观察的偏远地区发生此类事件时。
贝尔格莱德大学的一个研究小组开发了一种新方法来破解这个谜题，通过教计算机识别不同天气相关故障的“指纹”。他们结合了三种截然不同的信息类型：线路故障发生的精确位置、该地点及该时刻的天气状况，以及由保护线路的安全装置记录下的电信号。通过将这些混合数据输入到一个旨在学习模式的复杂计算机程序中，他们创建了一个能够查看线路故障记录并准确推测导致该类天气事件类型的系统。这种方法超越了简单的观察，利用过去故障的历史记录来构建一幅更清晰的电网与环境反应关系的图景。
研究人员首先从塞尔维亚电网中收集了大量的真实世界数据，该电网的架空线路跨越了多种地形，长达数千公里。他们收集了十年间发生的超过7,500起特定事件的记录。对于每起事件，他们都必须完成将不同数据库相互关联的艰巨工作。首先，他们提取了安全装置的电气读数（这些读数告知了问题发生在线路下游的何处），并将这些数字转化为精确的地理坐标，如经度和纬度。一旦确定了问题发生的准确位置，他们便回溯到历史天气档案中，调取该特定地点在故障发生前数小时内的天气状况。他们考察了空气温度、风速、降雨强度以及云层中的水分含量等因素。
在掌握了这份丰富的资料集后，团队训练了一种被称为“神经网络”的人工智能。你可以将这种网络想象成一个通过实例学习的数字大脑，就像一个通过学习闪卡来学习的学生。计算机被展示了数千起过去的事故，每起事故都标注了发生故障前的天气条件以及最终发生的故障类型。目标是让计算机学习特定天气因素组合与由此产生的故障之间的微妙联系。例如，系统学到了某种冻雨与风的组合往往会导致导线结冰，而气压骤降结合高湿度则可能预示着可能引发火花的雷暴正在逼近。研究人员测试了组织这些信息的不同方式，尝试各种天气变量的组合以及对相似故障类型的分组，以观察计算机是否能学习得更快或更准确。
结果显示，计算机能够成功识别约83%案例中的故障原因。这是一项显著的成就，因为这意味着该系统可以在无需人类专家立即现场检查的情况下，正确诊断出大多数天气诱发的故障。研究发现，当计算机被允许观察故障发生前的一段时间窗口，而非仅仅是一个单一的天气快照时，其预测最为准确。这使得系统能够观察环境的变化情况，例如风速的突然激增或降雨的持续累积，而这些变化往往是导致故障的真正触发因素。研究人员还发现，试图同时预测每一种可能的故障类型会增加任务难度，因此他们发现将相似的事件进行分组有助于提高计算机的表现。
然而，这项研究也揭示了这种方法的局限性。当研究人员尝试从训练数据中移除最常见的事件类型，以迫使计算机仅专注于那些罕见且困难的案例时，系统的性能显著下降。这表明计算机依赖于看到广泛多样的示例（包括那些常规性的示例）来建立理解罕见事件的坚实基础。此外，准确率并非完美；在某些情况下，计算机仍难以区分看起来相似的事件（例如强降雨与雾），或者在数据本身不明确时也会出现问题。研究人员指出，原始数据记录或分类中的错误可能会干扰系统，导致其产生误差。
尽管存在这些挑战，这项工作仍为管理电网提供了一个强大的新工具。通过自动执行故障分类过程，输电运营商可以快速筛选数千起过往事件，以寻找那些可能被忽视的模式。这可以帮助他们决定在哪里加固铁塔、哪些线路需要更频繁的检查，或者如何更好地应对特定的天气威胁。该系统运行速度足以实现实时处理，这意味着它最终可以用于在故障发生瞬间提醒运营商，在维修人员出发前就提示可能的诱因。虽然这项技术并非消除所有停电现象的“魔杖”，但它为理解天气与维持现代世界运转的导线之间复杂的相互关系提供了一条清晰的、基于数据的路径。该研究证实，通过将精确的位置数据与详细的天气历史相结合，我们可以教会机器去洞察电火花背后的风暴，将混乱的事件转化为可理解的模式。
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。