DOI: https://doi.org/10.1038/s41598-025-31008-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41361559
تاريخ النشر: 2025-12-08
المؤلف: Hasan Uzel وآخرون
الموضوع الرئيسي: كشف أعطال أنظمة الطاقة
نظرة عامة
تقدم هذه الدراسة نموذج تعلم آلي هجين يجمع بين الشبكات العصبية الاصطناعية (ANN) ومصنفات الغابة العشوائية (RF)، تم تحسينه من خلال إطار عمل أوبتونا، لاكتشاف وتصنيف الأعطال في شبكات نقل الطاقة. يتم تدريب النموذج على مجموعة بيانات صناعية مستمدة من محاكاة MATLAB/Simulink لنظام متعدد المولدات بجهد 11 كيلوفولت، والذي يتضمن إشارات التيار والجهد ثلاثية الطور تحت ظروف أعطال مختلفة، مثل الأعطال بين الخط والأرض والأعطال المتماثلة. للتخفيف من عدم توازن الفئات، يتم استخدام تقنية زيادة العينات للأقليات الصناعية (SMOTE)، مما يؤدي إلى نموذج يحقق مقاييس أداء ملحوظة: دقة 99.8%، دقة 99.5%، واسترجاع 99.4%، متجاوزًا بشكل كبير المصنفات التقليدية وحتى النماذج المتقدمة مثل InceptionV3 المعدلة.
تؤكد النتائج على إمكانية النموذج في تعزيز موثوقية نظام الطاقة من خلال تحسين تحديد الأعطال، مما يقلل من وقت التوقف ويسهل الصيانة التنبؤية. ومع ذلك، تعترف الدراسة بالقيود المتعلقة بالتعقيد الحسابي والاعتماد على البيانات الصناعية، مما يتطلب مزيدًا من التحسين والتحقق باستخدام مجموعات بيانات من العالم الحقيقي. تشمل اتجاهات البحث المستقبلية اختبار متانة النموذج ضد الضوضاء وانحراف المستشعر، واستكشاف هياكل خفيفة الوزن من أجل قابلية التوسع، وضمان التكامل السلس مع أنظمة SCADA، بهدف التحقق من فعاليته في استراتيجيات حماية أنظمة الطاقة العملية.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لاكتشاف وتصنيف الأعطال في خطوط نقل الطاقة الكهربائية لضمان استقرار وموثوقية وسلامة أنظمة الطاقة الحديثة. تواجه هذه الأنظمة تحديات متزايدة بسبب ارتفاع الطلب على الطاقة، ودمج مصادر الطاقة المتجددة، وزيادة تعقيد عمليات الشبكة. يعد تحديد الأعطال بدقة—الذي يشمل الأعطال بين الخط والأرض، والأعطال بين الخطوط، والأعطال ثلاثية الطور—ضروريًا لتقليل وقت التوقف، ومنع تلف المعدات، والحفاظ على الكفاءة التشغيلية. ومع ذلك، فإن هذه المهمة معقدة بسبب عوامل مثل الضوضاء، والبيانات غير المتوازنة، وظروف الأعطال المتغيرة.
لمعالجة هذه التحديات، تستكشف الدراسة تطبيق تقنيات التعلم الآلي، التي ظهرت كأدوات فعالة للتعرف على الأنماط والنمذجة التنبؤية في تحليل الأعطال. تستخدم الأبحاث مجموعة بيانات صناعية تم إنشاؤها في MATLAB/Simulink، تتكون من قياسات التيار والجهد ثلاثية الطور من نظام طاقة يحتوي على أربعة مولدات بجهد 11 كيلوفولت. يتم تقييم فعالية مصنفات التعلم الآلي المختلفة، بما في ذلك مصنف الجيران الأقرب (KNN)، ومصنف الغابة العشوائية (RFC)، ومصنف التجميع، ومصنف أدا بوست، ومصنف تعزيز التدرج (GBC)، والشبكة العصبية الاصطناعية (ANN)، في تصنيف أنواع الأعطال المختلفة. بالإضافة إلى ذلك، تقدم الدراسة نموذجًا هجينًا جديدًا، يُشار إليه بالنموذج المقترح، والذي يهدف إلى تعزيز دقة تصنيف الأعطال والمساهمة في تطوير أنظمة حماية أكثر مرونة لأنظمة الطاقة.
طرق
في تقييم المصنفات لاكتشاف وتصنيف الأعطال، يتم استخدام مقاييس الأداء المستمدة من مصفوفة الارتباك. تشمل المقاييس الرئيسية الدقة، المعرفة بأنها
\[
\text{الدقة} = \frac{TP + TN}{TP + TN + FP + FN}
\]
حيث يمثل TP الإيجابيات الحقيقية، وTN السلبيات الحقيقية، وFP الإيجابيات الكاذبة، وFN السلبيات الكاذبة. بالإضافة إلى ذلك، يتم حساب الدقة على أنها
\[
\text{الدقة} = \frac{TP}{TP + FP}
\]
التي تقيس نسبة الأعطال المحددة بشكل صحيح إلى جميع الأعطال المتوقعة. يتم إعطاء الاسترجاع، أو الحساسية، بواسطة
\[
\text{الاسترجاع} = \frac{TP}{TP + FN}
\]
ويشير إلى نسبة الأعطال الفعلية التي تم اكتشافها بشكل صحيح.
تقييم نتائج التجارب قسم يقيم أداء عدة خوارزميات تعلم آلي، بما في ذلك الجيران الأقرب (KNN)، ومصنف الغابة العشوائية (RFC)، ومصنف التجميع، ومصنف أدا بوست، ومصنف تعزيز التدرج (GBC)، والنموذج المقترح. يتم اختبار هذه الطرق على مجموعة بيانات صناعية تتكون من بيانات التيار ثلاثي الطور لتقييم فعاليتها في اكتشاف وتصنيف الأعطال في خطوط نقل الطاقة الكهربائية.
نقاش
يسلط قسم النقاش في الورقة الضوء على تطور الحالة الحالية لأساليب اكتشاف الأعطال في أنظمة نقل الطاقة الكهربائية، مع التركيز على الانتقال من تقنيات معالجة الإشارات التقليدية إلى تقنيات التعلم الآلي المتقدمة (ML) وطرق التعلم العميق. استخدمت الدراسات المبكرة بشكل أساسي طرقًا مثل تحويلات الموجة وتحليل فورييه لاستخراج الميزات، وغالبًا ما كانت مرتبطة بأنظمة تصنيف قائمة على القواعد. ومع ذلك، فإن إدخال تقنيات التعلم الآلي، بما في ذلك آلات الدعم الشعاعي (SVM)، وأشجار القرار، وطرق التجميع، قد عزز بشكل كبير القدرة على إدارة البيانات عالية الأبعاد وأنماط الأعطال المعقدة. شهدت التطورات الأخيرة اعتماد نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، التي تلتقط بشكل فعال الاعتماديات الزمنية والمكانية في بيانات الأعطال. على الرغم من هذه التقدمات، لا تزال هناك تحديات في تحقيق دقة عالية، وتقليل الإيجابيات الكاذبة، وضمان الكفاءة الحسابية للتطبيقات في الوقت الحقيقي.
يعالج النموذج الهجين المقترح، الذي يجمع بين الشبكات العصبية الاصطناعية (ANN) ومصنفات الغابة العشوائية (RFC)، الفجوات الموجودة في الأدبيات من خلال تحقيق دقة مثيرة للإعجاب تبلغ 99.9% ودرجة AUC-ROC تبلغ 0.999. يستفيد هذا النموذج من تحسين أوبتونا لضبط المعلمات الفائقة ويستخدم تقنية زيادة العينات للأقليات الصناعية (SMOTE) للتخفيف من عدم توازن الفئات، خاصة بالنسبة لأنواع الأعطال النادرة. تؤكد الدراسة على أهمية دمج الهياكل الهجينة وتقنيات التحسين المتقدمة لتعزيز متانة وقابلية تعميم أنظمة اكتشاف الأعطال، خاصة في سياق تطبيقات الشبكة الذكية. علاوة على ذلك، تحدد الفجوات البحثية الحرجة، بما في ذلك الحاجة إلى التحقق التجريبي ضد بيانات العالم الحقيقي ودمج مقاييس الأداء الشاملة، والتي تعتبر ضرورية لتقدم أساليب اكتشاف الأعطال في أنظمة الطاقة الحديثة.
DOI: https://doi.org/10.1038/s41598-025-31008-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41361559
Publication Date: 2025-12-08
Author(s): Hasan Uzel et al.
Primary Topic: Power Systems Fault Detection
Overview
This study introduces a hybrid machine learning model that combines Artificial Neural Networks (ANN) and Random Forest (RF) classifiers, optimized through the Optuna framework, for fault detection and classification in power transmission networks. The model is trained on a synthetic dataset derived from MATLAB/Simulink simulations of an 11 kV multi-generator system, which includes three-phase current and voltage signals under various fault conditions, such as line-to-ground and symmetrical faults. To mitigate class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) is employed, resulting in a model that achieves remarkable performance metrics: 99.8% accuracy, 99.5% precision, and 99.4% recall, significantly surpassing traditional classifiers and even advanced models like Modified InceptionV3.
The findings underscore the model’s potential to enhance power system reliability through improved fault identification, thereby reducing downtime and facilitating predictive maintenance. However, the study acknowledges limitations related to computational complexity and the reliance on synthetic data, which necessitate further optimization and validation with real-world datasets. Future research directions include testing the model’s robustness against noise and sensor drift, exploring lightweight architectures for scalability, and ensuring seamless integration with SCADA systems, ultimately aiming to validate its effectiveness in practical power system protection strategies.
Introduction
The introduction highlights the critical importance of detecting and classifying faults in electrical power transmission lines to ensure the stability, reliability, and safety of modern power systems. These systems face increasing challenges due to rising energy demands, the integration of renewable energy sources, and the growing complexity of grid operations. Accurate fault identification—encompassing line-to-ground, line-to-line, and three-phase faults—is essential for minimizing downtime, preventing equipment damage, and maintaining operational efficiency. However, this task is complicated by factors such as noise, imbalanced data, and varying fault conditions.
To address these challenges, the study explores the application of machine learning techniques, which have emerged as effective tools for pattern recognition and predictive modeling in fault analysis. The research employs a synthetic dataset generated in MATLAB/Simulink, comprising three-phase current and voltage measurements from a power system with four 11 kV generators. Various machine learning classifiers, including K-Neighbors Classifier (KNN), Random Forest Classifier (RFC), Bagging Classifier, Ada Boost Classifier, Gradient Boosting Classifier (GBC), and Artificial Neural Network (ANN), are evaluated for their effectiveness in classifying different fault types. Additionally, the study introduces a novel hybrid model, referred to as the Proposed Model, which aims to enhance fault classification accuracy and contribute to the development of more resilient power system protection schemes.
Methods
In the evaluation of classifiers for fault detection and classification, performance metrics derived from a confusion matrix are utilized. Key metrics include accuracy, defined as
\[
\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
\]
where TP represents true positives, TN true negatives, FP false positives, and FN false negatives. Additionally, precision is calculated as
\[
\text{Precision} = \frac{TP}{TP + FP}
\]
which measures the ratio of correctly identified faults to all predicted faults. Recall, or sensitivity, is given by
\[
\text{Recall} = \frac{TP}{TP + FN}
\]
and indicates the fraction of actual faults that are correctly detected.
The experimental results section evaluates the performance of several machine learning algorithms, including K-Nearest Neighbors (KNN), Random Forest Classifier (RFC), Bagging Classifier, AdaBoost Classifier, Gradient Boosting Classifier (GBC), and the proposed model. These methods are tested on a synthetic dataset comprising three-phase current data to assess their effectiveness in detecting and classifying faults in electrical power transmission lines.
Discussion
The discussion section of the paper highlights the evolution and current state of fault detection methodologies in electrical power transmission systems, emphasizing the transition from traditional signal processing techniques to advanced machine learning (ML) and deep learning approaches. Early studies primarily utilized methods such as wavelet transforms and Fourier analysis for feature extraction, often coupled with rule-based classification systems. However, the introduction of ML techniques, including support vector machines (SVM), decision trees, and ensemble methods, has significantly enhanced the ability to manage high-dimensional data and complex fault patterns. Recent advancements have seen the adoption of deep learning models, such as convolutional neural networks (CNN) and long short-term memory networks (LSTM), which effectively capture temporal and spatial dependencies in fault data. Despite these advancements, challenges remain in achieving high accuracy, minimizing false positives, and ensuring computational efficiency for real-time applications.
The proposed hybrid model, which combines artificial neural networks (ANN) and random forest classifiers (RFC), addresses existing gaps in the literature by achieving an impressive accuracy of 99.9% and a 0.999 AUC-ROC score. This model leverages Optuna optimization for hyperparameter tuning and employs the Synthetic Minority Oversampling Technique (SMOTE) to mitigate class imbalance, particularly for rare fault types. The study underscores the importance of integrating hybrid architectures and advanced optimization techniques to enhance the robustness and generalizability of fault detection systems, particularly in the context of smart grid applications. Furthermore, it identifies critical research gaps, including the need for empirical validation against real-world data and the incorporation of comprehensive performance metrics, which are essential for advancing fault detection methodologies in modern power systems.