基于自适应集成分解和跨模态注意力融合的电网故障诊断框架

工程学 电气工程 信息科学 人工智能 计算机科学
智能电网 故障诊断 分解集成 综合信息熵 跨模态注意力融合

基于自适应集成分解与跨模态注意力融合的电网故障诊断框架

研究背景

随着现代电力系统规模的不断扩大和复杂化，电网的稳定运行面临着越来越严峻的挑战。电网故障的发生可能由自然灾害、设备故障以及局部电网结构薄弱等多个因素导致。这些故障不仅会影响电力用户的正常工作，还可能导致大面积停电，进而引发重大损失。美国能源信息管理局的数据显示，美国每年平均发生超过500起电网故障事件，影响数百万用户的电力供应。在中国，因电网故障造成的年均电力损失超过百亿人民币。由此可见，快速准确地检测和诊断电网故障类型已成为电力系统研究中的关键课题之一。

研究来源

本文题为“a grid fault diagnosis framework based on adaptive integrated decomposition and cross-modal attention fusion”，由Jiangxun Liu、Zhu Duan 和 Hui Liu撰写，作者主要隶属于中南大学的人工智能与机器人研究院（Institute of Artificial Intelligence and Robotics），交通与运输工程学院（School of Traffic & Transportation Engineering）。这篇文章发表在期刊Neural Networks上，接收时间为2024年5月19日。

研究流程与细节

研究流程

  1. 数据的预处理：

    • 当前和电压信号因其不同量级问题首先需被标准化。
    • 使用五种高级分解算法对原始信号进行分解，得到包含不同时域和频域特征的子序列。
    • 利用随机森林模型对高维数据进行降维，找出主要特征以减少冗余。
    • 根据综合信息熵值（Comprehensive Information Entropy Value，CIEV），对主要的子序列赋予适当权重，将分解的数据进行整合，生成模型输入数据。

  2. 多模态特征学习：

    • 使用深度残差卷积神经网络（Deep Residual Convolutional Neural Network，DRCNN）和异构图转化器（Heterogeneous Graph Transformer，HGT）提取数值模式、图像模式和图形模式特征。

  3. 跨模态注意力融合机制（Cross-Modal Attention Fusion，CMAF）：

    • 给隐含特征赋予相应的权重，进行跨模态的注意力加权特征融合。
    • 最终通过Softmax层输出预测的故障类别。

研究流程细节

  1. 信号分解：

    • 使用全样本经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）、小波包分解（Wavelet Packet Decomposition，WPD）、变分模式分解（Variational Mode Decomposition，VMD）、经验小波变换（Empirical Wavelet Transform，EWT）、局部均值分解（Local Mean Decomposition，LMD）五种算法处理数据，得到富含特征分布的模式成分。

  2. 特征筛选：

    • 随机森林模型通过多重抽样与多决策树结合的方式，对高维特征数据进行筛选，保留有代表性的IMF成分，降低特征维度。

  3. 综合信息熵值加权：

    • 计算每个子序列的CIEV指标，用于衡量子序列的特征信息值，并形成赋权协方差矩阵，协调信号模糊熵和相互逼近熵，增强特征整合效果。

  4. 二次元可视化：

    • 使用Gramian角度场（Gramian Angle Field，GAF）方法将数值数据二维化，生成图像模式数据。

  5. 跨模态特征融合：

    • 三种模态特征通过Avgpool和Maxpool进行池化，再经过多层感知机（MLP）得到新的隐含状态，进行跨模态注意力融合，最终输入分类器得到预测结果。

研究结果

通过在三相输电线路TTL数据集和VSB电力线数据集上的验证，本文提出的方法实现了较高的诊断准确率，分别达到了99.4%和99.0%。其中，TTL数据集的分类详细实验数据如下表：

模态 模型准确率 精度 召回率 F1-score AUC
单一模态（数值） 0.966 0.969 0.957 0.965 0.980
单一模态（图像） 0.983 0.982 0.983 0.983 0.990
单一模态（图形） 0.985 0.985 0.986 0.986 0.992
多模态（数值+图像） 0.982 0.981 0.984 0.982 0.990
多模态（数值+图形） 0.985 0.982 0.988 0.985 0.991
多模态（三模态） 0.994 0.994 0.995 0.994 0.997

研究结论和意义

本文提出的基于自适应集成分解和跨模态注意力融合的电网故障诊断框架在电网数据特征提取和模式识别中的应用价值显著。通过集成多种分解算法和模态特征的融合，该方法能够在复杂电网数据中提取关键信息，提高诊断精度和鲁棒性。对于实际工程应用，该方法在处理大规模、复杂电网fault诊断中具有重要参考价值。

研究亮点

  • 提出并设计了综合信息熵值（CIEV）评价指标，有效利用数据的时频特性，提高特征提取效率。
  • 使用自适应集成分解算法结合多种优秀分解方法结果，提升泛化性能。
  • 设计跨模态注意力融合机制，以权重分配的方式集成不同模式特征，提高诊断模型的精确性和稳定性。

其他有价值的信息

本文中提出的方法不仅适用于现有电网fault诊断，还对其他大型复杂系统的故障检测和分类具有潜在应用价值。此外，结合深度学习和信息熵理论，对于提升故障检测效率、减少人工干预步骤具有深远影响。