Машинное обучение как инструмент повышения эффективности управления жизненным циклом высоковольтного электрооборудования

Цель – опытный анализ практической реализации подсистемы оценки технического состояния высоковольтного электрооборудования в рамках решения задачи управления его жизненным циклом на основе методов машинного обучения с учетом анализа влияния режимов работы внешней электроэнергетической системы. Для решения задачи анализа технического состояния оборудования – распознавания образов состояния оборудования – использовался градиентный бустинг XGBoost (XGB) на основе решающих деревьев, основными преимуществами которого являются способность обработки данных с пропусками и эффективность работы с табличными данными для решения задач классификации и регрессии. Предложено описание формирования корректной и достаточной структуры исходной базы данных для распознавания образа состояния высоковольтного оборудования на основе данных его технического диагностирования и алгоритма формирования обучающих и тестовых выборок для повышения точности идентификации фактического состояния оборудования, а также описание и обоснование применения метода машинного обучения и соответствующих метрик ошибок классификации состояний. На основе анализа фактического состояния силовых трансформаторов и выключателей сформированы перечни параметров технического диагностирования, оказывающие наибольшее влияние на точность идентификации состояний, а также доказана эффективность применения режимных параметров в качестве дополнительных признаков. Установлено, что учет режимных параметров, полученных расчетных путем, в составе обучающей выборки для идентификации состояния высоковольтного оборудования дает возможность повысить точность настройки. Разработанные структура и подходы к анализу технического состояния оборудования с использованием схемно-режимной информации наряду с диагностическими данными обеспечивают информационную связь задач технологического и оперативно-диспетчерского управления, что позволяет рассматривать задачу ведения электрических режимов энергосистем с позиции технического состояния электросетевого оборудования и выявлять наиболее приоритетные задачи эксплуатационного обслуживания для снятия сетевых и системных ограничений.

1. Cai Zhongyi, Wang Zezhou, Chen Yunxiang, Guo Jiansheng, Xiang Huachun. Remaining useful lifetime prediction for equipment based on nonlinear implicit degradation modeling // Journal of Systems Engineering and Electronics. 2020. Vol. 31. Issue 1. P. 194–205. https://doi.org/10.21629/JSEE.2020.01.19

2. Cao Wen, He Baosheng, Shen Wei, Shi Xuetao, Wu Kai, Tatsuki Okamoto, еt al. An approach for economic assessment on oil-paper insulation diagnosis through accelerated aging experiments // IEEE Transactions on Dielectrics and Electrical Insulation. 2014. Vol. 21. Issue 4. P. 1842–1850. https://doi.org/10.1109/TDEI.2014.004370

3. Ittiphong Yongyee, Cattareeya Suwanasri, Thanapong Suwanasri, Waraporn Luejai. Condition assessment in transmission line asset for maintenance management // International Electrical Engineering Congress. 2018. https://doi.org/10.1109/IEECON.2018.8712276

4. Li Shengtao, Li Jianying. Condition monitoring and diagnosis of power equipment: review and prospective // High Voltage. 2017. Vol. 2. Issue 2. P. 82–91. https://doi.org/10.1049/hve.2017.0026

5. Liu Yingyi, Xv Jiahuan, Yuan Haiwen, Lv Jianxun, Ma Zhao. Health assessment and prediction of overhead line based on health index // IEEE Transactions on Industrial Electronics. 2019. Vol. 66. No. 7. P. 5546–5557. https://doi.org/10.1109/TIE.2018.2868028

6. Xu Gao Huan, Ye Jun Xiang. Engine fault diagnosis based on support vector machine and noise analysis // Advanced Materials Research. 2012. Vol. 546–547. P. 97–101. https://doi.org/10.4028/www.scientific.net/amr.546-547.97

7. Ben Ali J., Chebel-Morello B., Saidi L., Malinowski S., Fnaiech F. Accurate bearing remaining useful life prediction based on weibull distribution and artificial neural network // Mechanical Systems and Signal Processing. 2015. Vol. 56–57. P. 150–172. https://doi.org/10.1016/j.ymssp.2014.10.014

8. Ghasemi A., Yacout S., Ouali M.S. Evaluating the reliability function and the mean residual life for equipment with unobservable states // IEEE Transactions on Reliability. 2010. Vol. 59. Issue 1. P. 45–54. https://doi.org/10.1109/TR.2009.2034947

9. Li Shengtao, Li Jianying. Condition monitoring and diagnosis of power equipment: review and prospective // High Voltage. 2017. Vol. 2. No. 2. P. 82–91. 6 https://doi.org/10.1049/hve.2017.0026

10. Tanasescu G., Gorgan B., Busoi S., Badita A., Notingher P.V. Monitoring and diagnosis of electrical equipment using a web software. health index and remaining lifetime estimation // Conference on Diagnostics in Electrical Engineering (Diagnostika). 2016. https://doi.org/10.1109/DIAGNOSTIKA.2016.7736495

11. Zhang Xiaoqing, Gockenbach E., Chen H.B., Liu Z.L., Yang L.H., Gao Kunlun, et al. Life management of 550kV SF6 circuit breakers // International Conference on High Voltage Engineering and Application. 2010. https://doi.org/10.1109/ICHVE.2010.5640763

12. Kai Huang, Shuqiang Zhao. Evaluation of residual service life of high voltage circuit breaker // International Conference on Electricity Distribution. 2012. https://doi.org/10.1109/CICED.2012.6508698

13. Asiri Ya., Vouk A., Renfort L., Clark D., Copper J. Neural network based classification of partial discharge in hv motors // Electrical Insulation Conference. 2011. https://doi.org/10.1109/EIC.2011.5996173

14. Khal’asmaa A.I., Dmitriev S.A., Kokin S.E. An automated system for taking decisions to assess the actual state of electrical equipment // Power Technology and Engineering. 2016. Vol. 49. P. 389–392. https://doi.org/10.1007/s10749-016-0634-6

15. Chen Minghua, Liu Qunying, Chen Shuheng, Liu Yicen, Zhang Chang-Hua, Liu Ruihua. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system // IEEE Access. 2019. Vol. 7. P. 13149–13158. https://doi.org/10.1109/ACCESS.2019.2893448

16. Khalyasmaa A.I., Eroshenko S.A. Data analytics platform for power equipment intelligent lifecycle management // Cigre [Электронный ресурс]. URL: http://d2_rus.cigre.ru/reports/0509/D2_315%20Poster_%D0%A4%D0%B0%D0%B9%D0%BB%203.pdf (13.05.2020).

17. Khalyasmaa A.I., Senyuk M.D., Eroshenko S.A. Highvoltage circuit breakers technical state patterns recognition based on machine learning methods // IEEE Transactions on Power Delivery. 2019. Vol. 34. Issue 4 P. 1747– 1756. https://doi.org/10.1109/TPWRD.2019.2921095

18. Liu Huan, Motoda Hiroshi. Computational methods of feature selection. chapman and Hall/CRC, 2007. 440 p.

19. Khalyasmaa A.I., Senyuk M.D., Eroshenko S.A. Analysis of the state of high-voltage current transformers based on gradient boosting on decision trees // IEEE Transactions on Power Delivery. 2020. Vol. 36. P. 1747– 1756. https://doi.org/10.1109/TPWRD.2020.3021702

20. Salakhutdinova K.I., Lebedev I.S., Krivtsova I.E. Gradient boosting trees method in the task of software identification // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2018. Vol. 18. No. 8. P. 1016–1022. https://doi.org/10.17586/2226-1494-2018-18-6-1016-1022