Dynamic threshold hybrid supervised multiscale convolutional autoencoder via distance metric learning for distribution system fault diagnosis
本文提出了一种用于配电系统的混合故障诊断框架，该框架集成了一个动态阈值多尺度卷积自编码器、一个马氏距离增强的K最近邻算法以及一种动态能量得分阈值策略，旨在克服特征重叠挑战，并在复杂噪声环境下实现相邻节点故障的准确定位。
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
电网是现代生活的无形循环系统，将电力从庞大的发电厂输送到依赖它们的家庭和企业中。在过去，这些网络是简单的径向线路，电力沿单一方向流动。然而，如今它们已演变成复杂的网络，尤其是在为当地社区提供服务的配电网络中。这些现代电网充满了像太阳能电池板和风力涡轮机这样的可再生能源，这引入了高度的不可预测性。当故障发生时——例如短路或线路断裂——它会产生在网络中传播的电波。工程师面临的挑战是精确定位故障发生的具体位置。在密集网络中，某一位置故障产生的电信号特征可能与相邻位置的故障几乎完全相同，这种令人困惑的重叠使得区分它们变得非常困难。如果系统无法区分这些相似的事件，它可能会将维修人员派往错误的地方，或者无法隔离危险，从而导致更大范围的停电。
为了解决这个问题，研究人员转向了深度学习，这是一种通过研究大量数据而非遵循僵化的预设规则来学习识别模式的计算机智能。目标是教会计算机观察从电网流入的电压和电流数据，并瞬间识别出故障的具体位置，即使信号很杂乱，或者故障发生在看起来与其邻居非常相似的位置。来自中国几所大学的一个研究小组开发了一种新方法来应对这种令人困惑、相互重叠的信号问题。他们创建了一个系统，该系统就像一位训练有素的专家，不仅能发现故障，还能知道何时数据过于模糊而无法做出判断，从而防止系统犯下危险的错误。
其解决方案的核心是一个旨在处理现实世界电网中的噪声和混乱的三部分流程。首先，他们构建了一个充当深度特征提取器的数字模型。可以将这个模型想象成一组过滤器，它可以同时通过不同的“镜头”观察电学数据。有些镜头专注于电压中极快、突然的变化，而另一些镜头则观察随时间演变的缓慢趋势。通过结合这些不同的视角，该模型可以提取出故障最重要的细节，剥离掉通常会掩盖真相的背景静电和噪声。该模型采用了两步法进行训练：首先，它自主学习数据的总体形状；然后，它通过特定的故障案例进行微调，以学习究竟要寻找什么。这种混合训练有助于系统忽略背景杂乱信息，转而关注特定节点问题的独特特征。
一旦模型清理了数据并提取出这些清晰的特征，系统的第二部分就会接管决策过程。该系统并非简单地测量两个数据点之间的直线距离（这在数据复杂时可能会产生误导），而是使用了一种更高级的距离测量方式。它考虑了数据各部分之间的相互关系，就像一位制图师知道在地形不平的山地，向北一英里并不等同于向东一英里一样。这使得系统能够更准确地将相似的故障归为一类，并将它们与其他故障区分开来，即使它们在网络中是紧邻的邻居。
第三部分，也是该系统最关键的部分，是一个旨在处理不确定性的安全阀。在现实世界中，电信号经常受到随机干扰（如谐波噪声或振动）的扭曲，这可能使清晰的信号变得混乱不堪。如果一个标准系统看到杂乱的信号，它可能会强行做出判断，可能将无害的波动误判为重大故障，或者漏掉真正的危险。这种新方法引入了一个动态阈值，起到置信度检查的作用。如果系统计算出某个信号距离任何已知模式都太远，它就不会强行进行分类。相反，它会将该事件标记为“不确定”，并留给人工操作员进行审查。这种保守的方法确保了系统在实际只是噪声的情况下，绝不会自信地宣布发生了故障，从而有效地降低了误报风险。
研究人员使用一种被称为 IEEE 34 节点系统的标准配电网络模拟进行了测试，该系统模拟了具有长距离、轻负载线路及各种电气组件的真实馈线。他们重点测试了最困难的情景：即故障发生在相邻节点时，此时电信号特征几乎是完全相同的。在这些测试中，他们的系统实现了平均 99.2% 的诊断准确率，显著优于其他依赖于简单结构或标准测量技术的深度学习模型。当他们在模拟中引入各种类型的噪声时——例如随机静电形式的高斯噪声，以及节奏性干扰形式的谐波噪声——该方法依然保持了高准确度，而其他模型的性能则出现了下降。
或许最能说明问题的结果来自于对安全阀机制的测试。当研究人员启用动态阈值来标记不确定样本时，系统的整体准确率实际上得到了提升。通过拒绝对最令人困惑的数据点进行猜测，系统避免了那些会拖累其平均性能的错误。在重噪声模拟中，带有此安全功能的系统达到了 98.53% 的平均准确率，而没有该功能时为 98.12%。这证明了“知道何时不该做决定”与“知道如何做决定”同样重要。研究证实，通过结合多尺度数据视角、更智能的相似性测量方法以及对待不确定性的谨慎态度，可以创造出一种既高度准确又足够可靠的故障诊断工具，以应对现代电网中复杂且多噪的环境。
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。