Применение на основе искусственного интеллекта в управлении эксплуатацией и обслуживанием трансформаторных подстанций

Коротко

Чтобы удовлетворить потребности государственной электросетевой отрасли в интеллектуальном и цифровом росте бизнеса, традиционные технологические подходы оказались недостаточными. Технология искусственного интеллекта (ИИ) позволяет находить решения, поскольку виды и объемы бизнеса в сфере электроэнергетики постоянно расширяются и развиваются. Интеллектуальная автоматизация с самого начала была частью развития интеллектуальной сети Китая, и она продолжает развиваться в электроэнергетической системе страны. Интеллектуальные операции и техническое обслуживание подстанций могут выиграть от использования этой системы. Существуют новые технологические инструменты и теоретические концепции для ремонта и управления силовым оборудованием благодаря достижениям ИИ в производительности, точности и способности к самообучению в задачах обнаружения, прогнозирования, улучшения и оценки. Эксплуатация подстанций и управление техническим обслуживанием рассматриваются в этом исследовании с использованием новой гибридной сверточной нейронной сети и модифицированного метода долговременной кратковременной памяти (HCNN-TLSTM). Нормализация используется для немедленного сбора и предварительной обработки данных. Линейный дискриминантный анализ на основе ядра (K-LDA) используется для извлечения признаков. Функционирование и техническое обслуживание подстанции затем можно исследовать с использованием нового подхода. Для повышения эффективности предлагаемого метода используется генетический алгоритм (ГА). Наконец, производительность представленного метода анализируется и сравнивается с конкретными текущими моделями для достижения наибольшей производительности в предлагаемом методе управления работой и обслуживанием подстанции.

1. Введение

Тибет был выбран после того, как государственная сеть сузила свой поиск до 5 типичных сред по всей стране для строительства пяти станций старения композитных изоляционных материалов. В районе Янбацзин во Внутренней Монголии более высокая высота и больше ультрафиолетовых лучей. В Генхэ холодно, а в Синьцзяне, Турфане и Хэнани жарко. Вместе пять строительных площадок в «Чжэнчжоу» (климат Центральных равнин) и на острове Фуцзянь Мэйчжоу (морской соляной туман) составляют платформу для испытаний на старение композитных материалов, которая охватывает различные типичные климатические и экологические особенности. Станция для испытаний на старение Гэньхэ построена, эксплуатируется и обслуживается Государственным научно-исследовательским институтом электроэнергетики Мэндонг (Wang et al. [1]).

Потребуется соблюдение технических условий на строительство умных лабораторий и подстанций, а также ответы на требования по построению системы IoT. Для этого будет использоваться «Испытательная станция Genhe Extreme Cold Aging» во Внутренней Монголии, а платформа удаленного мониторинга в Хух-Хото будет создана с использованием современных технологий. Возможен дистанционный контроль за ходом испытаний продукции за счет сочетания на месте внедрения различных датчиков в окружающую среду, выдвижения и устранения неполадок различных датчиков АПП, мобилизации, организации локального метеонаблюдения и так далее. Воплощение в жизнь — залог успеха. Чтобы персонал испытательной станции и обслуживающий персонал всегда мог следить за результатами испытаний, развертывать различные датчики из системы мониторинга основного оборудования на месте, а также создавать и отлаживать различные приложения датчиков, чтобы обеспечить дистанционное управление испытанием, выполняемым с помощью интеллектуального контроллера ( Ван и др. [2]). Правильная реакция на кризисы на станции.

Обслуживание и устранение неисправных подстанций в настоящее время является основной обязанностью местного отдела обслуживания интеллектуальных подстанций. Из-за различий между администрированием интеллектуальной подстанции и администрированием традиционной подстанции на рис. 1 показаны шесть основных процедур, используемых для обслуживания интеллектуальной подстанции.

 

Основные процедуры технического обслуживания "умной" трансформаторной подстанции.https://energoinspektor.ru/uslugi/tehnicheskoe-obsluzhivanie/transformatornyh-podstanciy-ktp/

Технология искусственного интеллекта может быть использована для повышения степени интеллектуальной и интенсивной эксплуатации и технического обслуживания электросетей, а также для содействия всесторонней эксплуатации и техническому обслуживанию передающего и трансформаторного оборудования, в том числе в этом контексте. Одним из наиболее важных технологических инструментов для целенаправленного и эффективного продвижения вперед является интеллектуальное техническое обслуживание отечественных подстанций, отвечающее за содержание и демонтаж подстанций в текущем режиме. Интеллектуальная система управления техническим обслуживанием подстанций необходима из-за отсутствия четкого различия между интеллектуальными и обычными методами обслуживания подстанций. Проверка и оценка состояния оборудования электрических подстанций становятся возможными благодаря получению соответствующих данных. Состояние активов и оценка рисков являются двумя наиболее важными компонентами автоматизированных работ по техническому обслуживанию подстанций (Song et al. [3]). Точная оценка состояния энергетического оборудования влияет на оценку рисков подстанции и ее техническое обслуживание. Это крайне важно для "умных" подстанций, обслуживаемых государством. Для анализа оборудования подстанций и разработки политики технического обслуживания необходимо использовать научные методологии. Разработайте стратегию технического обслуживания подстанции на основе оценки рисков. Самый важный государственный план технического обслуживания касается оборудования подстанций. Оборудование подстанции должно быть капитально отремонтировано по графику в соответствии со стратегией всей компании. Реализация плана технического обслуживания включает в себя три этапа: планирование, выполнение и подведение итогов. Оцените техническое обслуживание подстанции. Оценка эффективности капитального ремонта оборудования подстанции проверяет выполнение плана. Отчеты о проделанной работе должны быть заполнены эксплуатационным персоналом после выполнения плана капитального ремонта и проверки того, что все оборудование находится в исправном состоянии, лицом, ответственным за капитальный ремонт. Центр управления получает обновленную информацию от эксплуатационной бригады о результатах капитального ремонта. Человеческое познание может быть воспроизведено и расширено с помощью искусственного интеллекта. Используя роботов, способных к обучению и рассуждению, есть надежда в конечном итоге заменить людей машинами. Можно использовать технологии анализа данных с использованием искусственного интеллекта, такие как экспертные системы и рассуждения о неопределенности, а также машинное обучение и интеллектуальные оптимальные вычисления. Физические сигналы, фотографии, видео, тексты, аудио и другие виды интеграции данных - все это примеры потоков данных для передачи энергии и преобразовательного оборудования, ремонта и технического обслуживания (Ян и Яо [4]).

Мультимодальное машинное обучение анализирует данные из нескольких источников. Мультимодальное обучение использует машинное обучение для интерпретации и понимания модальной информации из нескольких источников. Мультимодальное машинное обучение объединяет данные для улучшения представления, извлечения и идентификации объектов. Мультимодальная модель обучения объединяет и усваивает информацию из нескольких источников из механизма модели, а не только объединяет отдельные модели и включает их соответствующие “переключатели” в разных контекстах. Мультимодальное обучение сводит к минимуму дублирование между различными формами взаимодополняемости, что улучшает процесс обучения. Обучение мультимодальному переводу является обычным явлением. Все “Три коллекции и пять основных объектов” Государственной электросети были бесхозными интеллектуальными подстанциями. Независимая эксплуатация и техническое обслуживание порождают дополнительные противоречия. Учитывая эффективность использования человеческих ресурсов, временные затраты, транзитные издержки и постоянное сокращение обслуживающего персонала при крупномасштабной эксплуатации и техническом обслуживании, интеллектуальные подстанции могут повысить эффективность эксплуатации и технического обслуживания (Wang et al. [5]). Благодаря повышению производительности, точности и способности ИИ самостоятельно обучаться в таких областях, как обнаружение, прогнозирование, улучшение и оценка, теперь появились новые инструменты и идеи для ремонта энергетического оборудования и управления им.

Остальная часть описания разделена на пять частей: часть 2: связанные работы и определение проблемы, часть 3: предлагаемые использованные работы, часть 4: результат и обсуждение и часть 5: заключение.

2. Сопутствующие работы

Китак и др. [6] демонстрируют, что предметом данного исследования является техническое обслуживание передающей подстанции, ориентированное на надежность (RCM). Для разработки и проведения процедуры технического обслуживания был использован алгоритм оптимизации. При таком подходе к техническому обслуживанию были приняты во внимание надежность функционирования энергосистемы, затраты на техническое обслуживание и связанные с этим опасности. Впервые все действия по техническому обслуживанию рассматриваются как часть процесса предварительной обработки и оптимизации для обслуживания, ориентированного на надежность, что делает документ уникальным. Ян и др. [7] внедренная интегрированная система автоматизации тяговых подстанций высокоскоростных железных дорог имеет ограниченные эксплуатационные данные, низкий уровень интеллекта и низкую точность идентификации. Для решения этих проблем была представлена новая технология интеллектуальной эксплуатации и технического обслуживания. Цзоу и др. [8] изучите силовых роботов в отечественных и международных исследованиях, а также проанализируйте их структурные характеристики и функции для различных применений в энергетике, включая инспекцию воздушных линий, инспекцию подстанций, работу распределительных линий под напряжением и проверку и техническое обслуживание силового оборудования кабельных каналов. Иванкович и др. [9] обсудите существующий подход к управлению техническим обслуживанием в hops, единственном в Хорватии операторе системы передачи данных, а также потенциальное повышение эффективности технического обслуживания оборудования за счет использования систем диспетчерского управления и сбора данных (SCADA). Чжан и др. [10] сосредоточили внимание на стоимости проекта подстанции и методах тщательного расчета затрат, чтобы помочь оператору электросети лучше контролировать затраты на строительство новой подстанции. Sun и др. [11] тщательно оценивают и сравнивают графическую платформу vector model с точки зрения анализа производительности, визуального воздействия, операционной эффективности, надежности, объема памяти и возможности расширения. Кроме того, три области оценки эксплуатации энергетического оборудования, обучения техническому обслуживанию и управления активами используются для демонстрации применения данных векторной модели при эксплуатации и техническом обслуживании подстанций. Ли и Лю [12] представляют метод платформы удаленного интеллектуального управления, которая использует современный мобильный интернет и искусственный интеллект для реализации “Интернета всего” и контакта с людьми на всех станциях в соответствии с законом, чтобы превратить его в интеллектуальную систему обслуживания с полной осведомленностью о состоянии дел, эффективной обработкой данных и простой и понятной адаптивная реализация. Чжан и др. [13] описывают, что уровень автоматизации и интеллекта энергосистемы значительно возрос благодаря использованию технологий искусственного интеллекта, что также ускорило интеллектуальную модернизацию энергетического сектора. Модели внедрения, фундаментальные допущения и потенциальное использование технологии искусственного интеллекта в энергосистеме послужат отправными точками для последующего обсуждения. Чжан и др. [14] иллюстрируют концепцию используемой искусственно интеллектуальной энергетической системы. Первоначально в нем содержится тщательный анализ концепции, прежде чем описывать, как развивались эксплуатация и техническое обслуживание внутри китайской энергосистемы. Кроме того, рассматриваются многие общие технологии, включая системы защиты, критически важные операции, особенно основанные на глубоком обучении, а также различные подходы, используемые на подстанции, преобразовательной станции и в новой энергетике. Бай и др. [15] предлагают всю цепочку операций от создания модели до разработки приложения, охватывающую анализ образцов, построение модели и общее распространение.; они представляют проект и план внедрения платформы искусственного интеллекта power system. Салиху и Зайяну [16] исследовали образцы, взятые с овощных ферм в штате Замфара, Нигерия, на наличие термодинамических и фосфорорганических агрохимикатов. Он был использован для оценки метода тестирования и полученных данных с использованием QuEChERS с GC-MS. Ван и др. [17] предложили архитектуру системы связи 5G, которая используется в данном исследовании для реализации беспроводной гетерогенной сети. Подход к трехмерной регистрации, основанный на ORB-Tanimoto, был представлен в свете возможности значительных временных задержек и неточностей в процессе трехмерной регистрации с использованием технологии дополненной реальности и необходимости обеспечения безопасности и эффективности в режиме реального времени при эксплуатации подстанции. Во-первых, Tanimoto используется для интеграции распознавания СФЕР с подходом трехмерной регистрации для корреляции характеристик. Ло и др. [18] изучите использование интеллектуальных технологий на традиционных подстанциях, таких как патрульные роботы, роботы-манипуляторы, искусственный интеллект (ИИ), дополненная реальность (AR), онлайн-мониторинг и так далее. Целью Чжаоли и др. [19] было повышение операционной стабильности системы постоянного тока подстанции и достижение бережливой эксплуатации и технического обслуживания; в этом исследовании представлена схема проектирования системы управления питанием постоянного тока после рассмотрения текущих и новых проблем управления питанием постоянного тока. Ван и др. [20] сосредоточились на функционировании подстанции, а также на причинах и следствиях потребления энергии станцией. Оборудование подстанции кратко описано с точки зрения его функций, классификаций и видов использования, связанных с энергетикой. На основе изучения методики сбора данных о потреблении энергии, основы расчетов и метода анализа разработано приложение для мониторинга энергетического оборудования на подстанции. Обсуждаются результаты энергетического мониторинга на подстанции.

2.1. Постановка задачи

Эффективность изоляции силового трансформатора может быть снижена сочетанием множества переменных, включая условия нагрузки, чрезмерное нагревание, остаточную вибрацию, условия эксплуатации и метеорологические условия. Важно отметить, что вся информация, собранная с помощью этого метода, содержит подробную информацию об условиях функционирования оборудования и распространении проблем по всему процессу. Эти платформы, которые включают в себя системы планирования производства, интеллектуального учета, геопространственные системы и системы учета погодных условий, а также другие типы реализации электросетей, выявили широкий спектр различных различий в данных, касающихся работоспособности распределительного трансформатора. Улучшенная диагностическая оценка и результаты прогнозирования могут обеспечить более надежную точку отсчета для оптимизации процесса принятия решений об оборудовании, еще больше улучшая декларативное программирование преобразователя.

3. Предлагаемая работа

Чтобы гарантировать безопасность оборудования подстанции и окружающей среды, первоначально для проверки оборудования подстанции использовался физический труд. Тем не менее, по мере развития крупных электросетей частота работы подстанций продолжает расти. Итак, в этой части предлагаемая методика HCNN-TLSTM используется для прогнозирования работы энергетического оборудования, проиллюстрированного так, как показано на рисунке 2.

 

 

Завершите процедуру этого исследования.

3.1. Набор данных

В рамках этого исследования мы используем относительно большую базу данных электросетей (Lyu et al. [21]), которая включает (1) профили энергопотребителей, включая географические данные, регистрационные данные и типы пользователей; (2) профили электрических подстанций; и (3) временные ряды данные об энергопотреблении пользователя. В период с 10 марта по 13 апреля этого года исследователи из провинции Синьцзян получили эту информацию.

3.2. Предварительная обработка данных

Большая часть текстовых данных по силовым трансформаторам формируется в результате длительного накопления данных испытаний/патрульных осмотров, записей о неисправностях и документации по техническому обслуживанию. Регулярное техническое обслуживание штата будет осуществляться на основе информации, представленной в настоящем отчете. Зарубежные страны уже провели расследование по оценке поломок энергетического оборудования с помощью аварийных извещений; однако из-за четких различий в частях речи и грамматической структуре между китайским и английским текстами крайне важно получить важную информацию для анализа текста на китайском языке power. Сложность категоризации текста в Китае разбита на серию из пяти этапов обработки.

3.2.1. Удаление стоп-слова

Область компьютерных наук, известная как “обработка естественного языка” (НЛП), является, в частности, областью “искусственного интеллекта” (ИИ), которая сосредоточена на предоставлении машинам способности понимать письменную устную речь, подобную человеческой. Важный этап предварительной обработки NLP использовался во многих различных контекстах. Речь идет всего лишь об исключении слов, которые встречаются в большом количестве различных документов по всему корпусу. Стоп-слова, такие как артикли и местоимения, - вот как они называются. Устранение определенных стоп-слов в качестве самого первого шага предварительной обработки оказалось весьма важным.

3.2.2. Сдерживание

Как следует из названия, стемминг - это процесс преобразования слов в их корневую основу, который называется леммой. Подобно стратегии выбора атрибута, технологии анализа текста часто используют эту процедуру.

3.2.3. Индексация документов

Удалив определенные фразы из сгенерированного документа, можно повысить эффективность индексации, вот почему индексация документов так важна. Индексация документов - это процесс выбора правильного набора ключевых слов из всего корпуса документов и присвоения весов таким ключевым словам для каждого отдельного текста, тем самым преобразуя все файлы в вектор весов ключевых слов. Количество раз, когда термин появляется в документе, а также общее количество раз, когда он появляется, определяет присвоенный ему вес.

3.2.4. Взвешивание сроков

Взвешивание терминов имеет решающее значение для работы системы категоризации. Поскольку различные термины в тексте имеют разную степень значимости, для обозначения значимости каждого термина был использован термин "вес".

3.2.5. Уменьшение размерности

Алгоритмы интеллектуального анализа текста могут обрабатывать данные с меньшим количеством терминов благодаря уменьшению размерности, что уменьшает размеры, используемые в подходах кластеризации. Можно уменьшить размер вектора, используя метод, известный как разложение по сингулярным значениям.

Входной набор данных изолирован от обучающих и тестовых наборов данных. В обучающем наборе данных есть переменная, которая должна быть ожидаемой или идентифицированной как результат. Шаблоны, обнаруженные в обучающем наборе данных, применяются к тестовому набору данных всеми алгоритмами прогнозирования и классификации.

3.3. Извлечение объектов с помощью K-LDA

Для извлечения признаков используется линейный дискриминантный анализ на основе ядра (K-LDA). Чтобы устранить проклятие размерности, сэкономить ресурсы и минимизировать затраты на измерение, K-LDA проецирует характеристики из пространства более высокой размерности в пространство более низкой размерности. Когда частоты внутри класса не совпадают и производительность проверяется с использованием случайно полученных тестовых данных, K-LDA обеспечивает максимальную разделяемость, повышая отношение дисперсии к вариации внутри класса в каждых данных. Он используется при обнаружении данных для решения задачи классификации. Наша цель - разработать метод, который использует LDA, а не анализ основных компонентов, для повышения точности.

Создайте тестовые наборы и данные для категоризации исходного поля. По мере необходимости создаются коллекции данных и пробные матрицы. Давайте представим источники данных в виде матрицы данных, используя следующий формат, чтобы упростить понимание.

Рассчитайте общее среднее значение, а также среднее значение по каждому набору данных. Пусть 1 - среднее значение наборов 1 и 2, а 2 - среднее значение общих данных, полученных путем объединения двух наборов. Среднее значение обоих полных данных, полученных путем объединения наборов два и три, приведено в следующем уравнении.

Вот априорные вероятности классов. Коэффициент вероятности считается равным 0,5 в этой базовой ситуации с двумя классами.

K-LDA использует как внутриклассовую, так и межклассовую дисперсию для определения требований к разделяемости по классам. Прогнозируемая ковариация каждого из классов представляет собой внутриклассовую дисперсию. Уравнения (2) и (3) используются для расчета измерений рассеяния.

Все автокорреляционные массивы являются однородными матрицами. Уравнение (6) используется для вычисления ковариационной матрицы.

Это дисперсия набора наборов данных, а элементы являются медианными векторами каждой группы. Как указывалось ранее, наилучшими требованиями в LDA являются доли некоторого места между рассеяниями внутри каждого рассеяния. Ось модифицированного пространства определяется решением, полученным путем максимизации этих критериев. С другой стороны, преобразование, зависящее от класса, используется для выбора оптимального критерия. Если LDA - это просто тип категории, то для каждого типа потребуется свой собственный набор оптимизирующих критериев. Для типа, зависящего от класса, оптимальными факторами являются следующие:

Каждая проблема L-класса будет иметь L-1 ненулевых собственных значений. Это связано с ограничениями уравнения (9) на медианные показатели групп. Векторы против собственных значений используются для задания преобразования. В нашем примере с двумя классами они показывают направление основного собственного вектора, который предоставляет наиболее достоверную информацию. После сбора матриц преобразования мы преобразуем показатели, используя либо однократное изменение LDA, либо изменение классификатора, в зависимости от условий. Как видно на изображениях, преобразование всего диапазона данных только в один вектор обеспечивает обозначенные границы для классификации данных. Зона выбора в преобразованном пространстве представляет собой прямую линию, разделяющую преобразованные источники данных. Когда дело доходит до LDAS, которые зависят от класса,

Аналогично, тестовые векторы преобразуются и классифицируются с использованием вычисления между средними значениями каждого класса и тестовыми векторами. Эти примеры показывают, как использовать классификацию K-LDA для классификации ситуации на два класса. Показаны исходные наборы данных, а также идентичные наборы данных после внесения изменений. Эти примеры показывают, как преобразование ограничивает точность категоризации. Хотя классы в этом примере были установлены должным образом, в случаях, когда классы перекрываются, поиск области выделения в пространстве изображения может оказаться сложной задачей, требующей преобразования. Ось с наибольшим собственным вектором дает оптимальное преобразование. Они особенно увлекательны, потому что демонстрируют, как квадратичное развитие может быть понято как размещение данных в плоскостях с наибольшим различением собственных векторов.

3.4. Анализ данных на основе искусственного интеллекта с использованием метода HCNN-TLSTM

3.4.1. Сверточная нейронная сеть (CNN)

CNN извлекает объекты из входных данных и генерирует плотный и полный вектор объектов из исходных данных, используя локальные соединения с распределением веса. Характеристики данных были получены с помощью CNN для этого запроса. CNN включает в себя источник, сверточный уровень, объединяющий уровень, полностью подключенный уровень и пункт назначения.

3.4.2. Изменена долговременная кратковременная память (TLSTM)

Мы применяем подход TLSTM на этапе прогнозирования для эффективного прогнозирования. Этот метод может быть применен во всех штатах для достижения наилучших результатов. Рекуррентная нейронная сеть (RNN) преуспевает в понимании данных временных рядов благодаря способности ее внутреннего состояния отражать динамические временные свойства. Затухание градиента вызвано постепенным умножением весовой матрицы и обратной функции tanh (от 0 до 1), которая увеличивается по мере увеличения интервала данных (указанной фиксированной длины). Являясь расширенным типом RNN, LSTM может успешно уменьшать градиентное затухание в стандартном RNN. LSTM использует метод управления затвором для определения того, следует ли отозвать входной сигнал или отклонить его, и он может в некоторой степени использовать данные долговременной последовательности. Структура LSTM показана на рисунке 3.

 

 

Структура типичного LSTM.

Чтобы заменить нейроны RNN, LSTM использует блоки памяти с тремя типами вентилей (входные, запоминающие и выходные вентили). Уравнения могут быть использованы для выражения данных, вычисленных внутри блоков памяти LSTM [3-8].

Здесь = элемент забывания в течение времени (t), = входной элемент в течение t, = выходной элемент в течение t, = кандидаты ввода для сохранения в t, = ячейки памяти в t, ht = скрытое состояние в t, Xt = входные векторы в t, = вектор смещения элемента забывания в t, = вектор смещения входного элемента, = вектор смещения выходного элемента и = вектор смещения кандидатов на вход. Тогда B, Bk, Bm, Bo, R, Rk, Rm и Ro являются связанными весовыми матрицами. “Произведение Адамара” было указано как одна из двух матриц. Кроме того, и были названы функциями активации.

На прогнозируемые суждения в некоторых регрессионных сценариях влияют не только исходные исходные данные, но и последующие исходные данные. Комбинируя исходные и последующие входные данные, TLSTM может повысить точность прогнозирования. Прямая долговременная кратковременная память и обратная долговременная кратковременная память - это два типа TLSTM. Результаты как прямых, так и обратных вычислений, дизайн которых соответствует архитектуре блоков памяти LSTM, составляют конечный результат TLSTM.

3.4.3. Генетический алгоритм (GA)

Генетический алгоритм, основанный на естественном отборе, механизме, способствующем биологической эволюции, является методом решения как ограниченных, так и неконтролируемых проблем оптимизации. Совокупность уникальных решений многократно модифицируется генетическим алгоритмом. Обычный алгоритм включает в себя кодирование, инициализацию, выбор, кроссовер, мутацию, декодирование и другие базовые действия GA. Использование GA улучшает поиск и оптимизацию в таких операциях. Программирование - это начальный шаг. Принцип выживания наиболее приспособленного гласит, что эволюция будет давать все более приблизительные результаты после первого поколения популяции. Физическая подготовка используется для отбора людей для будущих поколений. Естественная генетика может быть использована для создания новой группы, похожей на исходную, путем скрещивания и мутации. Технологическая схема процесса GA показана на рисунке 4.

 

 

Процедура GA.

Наиболее важной частью подхода к прогнозированию является HCNN-TLSTM. Сверточный слой, объединяющий слой и выравнивающий слой составляют систему CNN. Для слоя Conv2d он был выделен m-слою. Регулируя объем ядра свертки CNN, можно извлекать объекты из наборов данных за несколько периодов. Для оптимизации текущей информации размер ядра свертки установлен равным [n × n]. При вычислении набора генов для использования GA также отображает долю ядер свертки в каждом сверточном слое. Объединяющий слой m-layer (Maxpooling-2D) также настроен на m-layer и имеет размер [n × n]. Пакетная нормализация добавляется перед уровнем объединения в качестве повышения производительности. Затем данные сглаживаются для извлечения глобальных объектов из сжатых данных. Данные подаются в модуль TLSTM для создания прогноза.

Согласно исследованиям, добавление компонентов системы TLSTM улучшает способность модели предвидеть будущие события. В результате специфические гены GA устанавливаются на соответствующее количество нейронов в каждом слое TLSTM, и выбирается модуль TLSTM x-уровня. Отсев - это функция TLSTM, которая предотвращает проблемы с установкой. Наконец, Dense создает вектор в указанном формате, который впоследствии используется при прогнозировании.

Подход HCNN-TLSTM, основанный на генетическом алгоритме, предложенный в этом исследовании, является улучшением алгоритма HCNN-TLSTM. Метод HCNN-TLSTM доказал свою полезность в многочисленных экспериментах, особенно при составлении прогнозов. Основанный на генетическом алгоритме подход HCNN-TLSTM вычисляет данные, полученные из сверточной нейронной сети, в качестве канала передачи в LSTM для прогнозирования данных временных рядов. При долгосрочном прогнозировании временных рядов TLSTM предотвратит исчезновение градиента. Во многих исследованиях используются трудоемкие процедуры ручного выбора, такие как поиск по сетке, для поиска параметров для модели HCNN-TLSTM, что затрудняет поиск наиболее оптимальных параметров. В результате в данной работе был выбран генетический алгоритм и использована генетическая фаза и фаза мутаций алгоритма для оценки научных параметров, что является более эффективным, чем предыдущие методы.

TLSTM состоит из множества ядер свертки и нейронов, причем количество ядер свертки и нейронов меняется. Когда критерий или требования выполнены, выбирается наиболее подходящий индивидуум, и его гены используются в качестве переменных в HCNN-TLSTM.

Вот как выглядит фитнес-функция (F) каждой группы:

Здесь e = ошибка (средняя абсолютная процентная ошибка (MAPE) используется как “e”), u = влияние уровня свертки на качество системы, = влияние TLSTM на качество системы, Mc = количество сверточных ядер, MTLSTM = количество нейронов LSTM и Mt = суммирование Mc и MTLSTM.

Пригодность “F” HCNN-individual TLSTM на основе GA и MAPE (“средняя абсолютная процентная ошибка”) также была создана как обратная зависимость; таким образом, MAPE используется для определения индивидуальной пригодности, позволяя оценить эффективность модели и установить окончательные значения атрибутов. По сравнению с выбором всех переменных модели HCNN-TLSTM с наилучшей производительностью с использованием исчерпывающей методики, это позволит сэкономить значительное количество времени. Как показано на рисунке 5, в нашем исследовании предлагается тщательный подход к моделированию, основанный на платформе HCNN-TLSTM на основе генетического алгоритма, для составления прогнозов поломок энергетического оборудования и оценки их производительности.

 

 

Структура прогнозирования с использованием HCNN-TLSTM на основе генетического алгоритма.

4. Анализ эффективности

На этом этапе оценивается эффективность предложенной методики и вычисляется сравнительный анализ путем сравнения ее с некоторыми существующими методиками (Текст CNN [Chen et al. [22]], CAD-IOMPSE [Song et al. [3]], Glove-BiLSTM-Attention [Chen et al. [23]] и DA-BiLSTM [Li et al. [24]]) для прогнозирования поломок энергетического оборудования.

Предлагаемая методика используется для прогнозирования выхода из строя силовых устройств с использованием данных из электросети Китая. Кроме того, ключевые показатели эффективности предлагаемой методики, такие как MAPE, точность, отзыв, достоверность, значение R2 и время обучения, изучаются и сравниваются с существующими методами в ходе сравнительного анализа, чтобы показать, что наша методика обеспечивает наилучший прогноз.

Поломку энергетического оборудования можно охарактеризовать как хорошее или плохое событие. Мы разделили выборку на четыре испытания [т.е. “A = истинно положительный результат”, “B = истинно отрицательный результат”, “C = ложноположительный результат” и “D = ложноотрицательный результат”]. Наш метод предвосхищает каждый фрагмент данных отдельно, поэтому мы упорядочиваем их в соответствии с их прогнозами и используем данные в качестве примеров. В этой области оцениваются определенные показатели для нашего запланированного исследования по прогнозированию выхода из строя энергетического оборудования. Эти цифры приведены ниже.

4.1. Показатели эффективности

4.1.1. MAPE

Среднее расхождение между прогнозируемой и фактической туристической активностью в живописных местах измеряется с помощью MAPE. Результат MAPE как для предлагаемых, так и для существующих стратегий показан на рисунке 6. Этот показатель оценивается для обеих стратегий с помощью приведенного ниже уравнения. Из этого исследования следует, что предложенный метод имеет самый низкий MAPE (19,13%) по сравнению с существующими методами.

 

 

Результат MAPE.

Здесь m = суммирование выборок, Wt = реальное значение и Pt = прогнозируемое значение.

4.1.2. Точность

Это показатель того, насколько точны прогнозы выхода из строя энергетического оборудования. Это определяет, насколько точны наши результаты по сравнению с другими традиционными результатами. Результат точности как для предлагаемых, так и для существующих стратегий показан на рисунке 7. Уравнение (20) используется для оценки точности как для обучающих, так и для тестовых наборов данных в предлагаемых и существующих методах, а также этот показатель указывается в процентах. Здесь предлагаемая методика достигает самого высокого уровня точности в обучающем наборе предлагаемой методики (93,58%), чем в тестовом наборе (88,21%). Более того, уровень точности как обучающих, так и тестирующих наборов данных обладает самой высокой эффективностью по сравнению с существующими методами.

 

 

Точный результат.

4.1.3. Отзыв

Это расчет, который показывает, сколько правильных положительных прогнозов было получено из общего числа возможных положительных прогнозов. В отличие от точности, которая комментирует только положительные прогнозы, которые являются правильными, отзыв действует как индикатор правильного прогноза, который является неправильным. Результат отзыва как для предлагаемых, так и для существующих стратегий показан на рисунке 8. Уравнение (21) используется для оценки частоты отзыва предлагаемых и текущих подходов как для обучающих, так и для тестовых наборов данных, и этот показатель выражается в процентах. Предложенный метод обеспечивает более высокую частоту запоминания в обучающем наборе (94,41%), чем в тестовом наборе (87,20%). Кроме того, как обучающие, так и тестовые наборы данных имеют наилучшую скорость отзыва по сравнению с предыдущими подходами.

 

 

Вспомните результат.

4.1.4. Значение R2

Ожидаемый R-квадрат прогнозируемых моделей показывает, насколько точно можно предсказать реакцию новых измерений. Результат R2 как для предлагаемых, так и для существующих стратегий показан на рисунке 9. Как для обучающих, так и для тестовых наборов данных этот показатель используется для оценки точности реакции новых измерений на предлагаемые и существующие методы, и этот показатель выражается в процентах. В обучающем наборе (98,71%) предлагаемая методика обеспечивает большую точность, чем в тестовом наборе (91,52%). Более того, по сравнению с более ранними методами, как обучающие, так и тестовые наборы данных имели самый высокий показатель R2.

 

 

Конечный результат.

4.1.5. Достоверность

Достоверность - это степень, в которой информация является точной и заслуживающей доверия. Результат проверки достоверности как предлагаемых, так и существующих стратегий показан на рисунке 10. В данном исследовании этот показатель используется для оценки соответствия предлагаемых и текущих подходов как для обучающих, так и для тестовых наборов данных, и этот показатель представлен в процентах. Предложенный метод обеспечивает более высокий уровень достоверности в обучающем наборе (96,9%), чем в тестовом наборе (89,12%). Кроме того, как обучающие, так и тестовые наборы данных имели самый высокий уровень достоверности по сравнению с предыдущими подходами.

 

 

Достоверность результата.

На рисунке 11 показано время обучения предлагаемым и действующим методам прогнозирования поломок энергетического оборудования. По сравнению с современными методами, наша тренировка занимает 250 секунд. Основываясь на этом исследовании, обычные методы обеспечивают максимальное время тренировки, в то время как наш метод обеспечивает минимальное время тренировки.

Время тренировки.

По сравнению с существующими подходами точность, отзывчивость и достоверность предлагаемого алгоритма очень высоки и эффективны. Первоначально, когда несколько испытаний дают один и тот же результат с небольшими вариациями, необходима точность. Следовательно, точность эффективна и играет жизненно важную роль при сравнении. Во-вторых, отзыв - это процент соответствующих случаев, которые были найдены. Это дает точные результаты. Достоверность используется для того, чтобы знать, как система внедрена в режиме реального времени и насколько это выгодно. Итак, это ненасытность или нужда в качестве или состоянии.

5. Обсуждение

В этой части проиллюстрирован сравнительный анализ показателей как в предлагаемых, так и в существующих методах. Можно спрогнозировать состояние элемента оборудования путем мониторинга и оценки его состояния. На основе исторических данных оборудования и данных в режиме реального времени, а также эксплуатационных данных сети и данных об окружающей среде можно определить показатели или характер изменения важных факторов, которые могут более точно прогнозировать его будущую работу. Прогноз текущего состояния устройств распределения и преобразования электроэнергии обычно основывается на некоторых ведущих факторах в качестве цели прогнозирования из-за сложных условий работы и различных индексных факторов. В этом исследовании, касающемся прогнозирования поломок энергетического оборудования подстанции, оцениваются различные показатели производительности как для предлагаемых, так и для существующих методов, как показано на рисунках 6-10. Существующие методы обладают противоречивой эффективностью из-за их определенных недостатков. Что касается точности и оценок F1, Text CNN показал лучшие результаты в (Chen et al. [22]). Однако никакие дополнительные меры не рассчитываются, что приводит к снижению эффективности прогнозирования. Подход CAD-IOMPSE также обеспечивает превосходную точность, отзывчивость и результаты F-измерения (Song et al. [3]). Однако показатель ошибки не указан, что приводит к неэффективным результатам. Чен и соавт. [23] предложили метод классификации текстовых дефектов на основе перчаток-BiLSTM, основанный на внимании, который был протестирован на точность, отзывчивость и оценку F1. Структура DA-BiLSTM для базовых текстов о неисправностях электросетей была применена для уменьшения ошибочных классификаций, вызванных прерыванием передачи данных (Li et al. [24]). Согласно результатам Chen et al. [23] и Li et al. [24], скорость выполнения определенных показателей была улучшена, но определенные показатели не были определены, что снизило эффективность прогнозирования. Наконец, используя предложенный метод, мы достигаем наибольшей степени достоверности, точности, отзывчивости и R2, а также наименьшей скорости MAPE и времени обучения по сравнению с существующими методами.

6. Заключение

Произошел резкий рост объема аппаратных ресурсов электросетей, а также возросло количество данных, необходимых для поддержания работы и технического обслуживания этих систем. Когда дело доходит до таких действий, как обнаружение, прогнозирование, улучшение и оценка, новейшие инновационные методы и темы исследований для технического обслуживания и эксплуатации энергетического оборудования обеспечиваются технологическими инновациями в области искусственного интеллекта и прорывами в эффективности, надежности и способности к самообучению. Хотя стандартная система расчета затрат на эксплуатацию и техническое обслуживание электросетевого оборудования строго не подпадает под действие отраслевых стандартов, она основана на используемой в настоящее время стандартной операционной базе данных, фактических эксплуатационных данных и полевых исследованиях и объединяет различные виды деятельности подстанций. В этом документе предложена новая технология HCNN-TLSTM для управления такими операциями и вопросами технического обслуживания мощных аппаратных средств на подстанции. Здесь также была спрогнозирована поломка энергетического оборудования с использованием предложенной методики. Анализ текста на китайском языке проводился с использованием различных методологий, таких как удаление стоп-слов, выделение ключевых слов, индексация документов и уменьшение размера. Метод K-LDA был использован для извлечения значимых характеристик из нормализованных текстовых данных. Затем предложенная методика была применена для прогнозирования рисков выхода из строя энергетического оборудования. Наконец, предложенный метод был проведен в сравнительном анализе с некоторыми существующими методами для достижения наибольшей эффективности в эксплуатации и обслуживании мощных аппаратных средств на электрической подстанции с точки зрения достоверности, точности, отзыва и MAPE, времени обучения и значения R2. Качество данных, трудности с обработкой данных и нехватка нетипичных выборок - все это препятствует разработке приложений для технологии искусственного интеллекта в этих контекстах. Крайне важно, чтобы в будущем мы сосредоточились на улучшении управления записями данных и их мониторинге, а также на изучении более совершенных методов анализа, чтобы еще больше стимулировать когнитивный рост управления состоянием оборудования.

Источник: www.hindawi.com

Комментарии: