Un cadre de diagnostic des pannes de réseau électrique basé sur la décomposition intégrée adaptative et la fusion d’attention cross-modale

Contexte de la recherche

Avec l’expansion et la complexification continue des systèmes électriques modernes, l’exploitation stable du réseau électrique fait face à des défis de plus en plus sévères. Les pannes de réseau peuvent être causées par des catastrophes naturelles, des défaillances d’équipement et des faiblesses structurelles locales du réseau. Ces pannes peuvent non seulement affecter le fonctionnement normal des utilisateurs d’électricité, mais aussi entraîner des coupures de courant à grande échelle, causant des pertes majeures. Selon les données de l’Administration de l’Information sur l’Énergie des États-Unis, plus de 500 pannes de réseau se produisent chaque année aux États-Unis, affectant l’approvisionnement en électricité de millions d’utilisateurs. En Chine, les pertes moyennes annuelles dues aux pannes de réseau dépassent les dizaines de milliards de yuan. Par conséquent, détecter et diagnostiquer rapidement et avec précision les types de pannes de réseau est devenu l’un des sujets clés de la recherche sur les systèmes électriques.

Origine de la recherche

Cet article intitulé “a grid fault diagnosis framework based on adaptive integrated decomposition and cross-modal attention fusion” a été écrit par Jiangxun Liu, Zhu Duan et Hui Liu. Les auteurs appartiennent principalement à l’Institut de l’Intelligence Artificielle et de la Robotique (Institute of Artificial Intelligence and Robotics), et l’École d’Ingénierie du Trafic et des Transports (School of Traffic & Transportation Engineering) de l’Université Centrale du Sud. Cet article a été publié dans la revue Neural Networks, et a été accepté le 19 mai 2024.

Processus et détails de la recherche

Processus de la recherche

1. Prétraitement des données :

   • Les signaux de courant et de tension, en raison de leurs différents ordres de grandeur, doivent d’abord être normalisés.
   • Utiliser cinq algorithmes de décomposition avancés pour décomposer les signaux originaux, obtenant ainsi des sous-séquences contenant des caractéristiques temporelles et fréquentielles différentes.
   • Utiliser un modèle de forêt aléatoire pour réduire la dimension des données de haute dimension, en identifiant les principales caractéristiques pour réduire la redondance.
   • Attribuer des poids appropriés aux sous-séquences principales selon la valeur de l’entropie de l’information intégrée (Comprehensive Information Entropy Value, CIEV), intégrer les données décomposées pour générer les données d’entrée du modèle.

2. Apprentissage des caractéristiques multimodales :

   • Utiliser un réseau de neurones convolutifs résiduel profond (Deep Residual Convolutional Neural Network, DRCNN) et un transformateur graphique hétérogène (Heterogeneous Graph Transformer, HGT) pour extraire les caractéristiques des données numériques, des images et des graphiques.

3. Mécanisme de fusion d’attention cross-modale (Cross-Modal Attention Fusion, CMAF) :

   • Attribuer des poids appropriés aux caractéristiques implicites pour effectuer une fusion d’attention cross-modale.
   • Finalement, la couche Softmax produit les catégories de pannes prévues.

Détails du processus de la recherche

1. Décomposition des signaux :

   • Utiliser cinq algorithmes pour traiter les données : la décomposition modale empirique d’ensemble complète avec bruit adaptatif (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN), la décomposition en paquets d’ondelettes (Wavelet Packet Decomposition, WPD), la décomposition modale variationnelle (Variational Mode Decomposition, VMD), la transformée en ondelettes empiriques (Empirical Wavelet Transform, EWT) et la décomposition par moyenne locale (Local Mean Decomposition, LMD), pour obtenir des composants modaux riches en distribution de caractéristiques.

2. Sélection des caractéristiques :

   • Le modèle de forêt aléatoire sélectionne les données de caractéristiques de haute dimension à travers un échantillonnage multiple et une combinaison de plusieurs arbres de décision, en conservant les composants IMF représentatifs et en réduisant la dimension des caractéristiques.

3. Pondération par la valeur de l’entropie de l’information intégrée :

   • Calculer l’indicateur CIEV pour chaque sous-séquence, utilisé pour mesurer la valeur d’information de la sous-séquence et former une matrice de covariance pondérée, coordonnant l’entropie fuzzy du signal et l’approximant mutuelle, renforçant l’effet d’intégration des caractéristiques.

4. Visualisation en deux dimensions :

   • Utiliser la méthode du champ d’angle de Gramian (Gramian Angle Field, GAF) pour convertir les données numériques en deux dimensions, générant ainsi des données de mode d’image.

5. Fusion des caractéristiques cross-modales :

   • Les trois types de caractéristiques modales sont mises en commun via Avgpool et Maxpool, puis passent par un perceptron multicouche (MLP) pour obtenir un nouvel état implicite, effectuant une fusion d’attention cross-modale, avant d’entrer dans le classificateur pour obtenir les résultats de prédiction.

Résultats de la recherche

La méthode proposée dans cet article a été validée sur les jeux de données TTL des lignes de transmission triphasées et VSB des lignes électriques, atteignant un taux de diagnostic élevé de 99.4% et 99.0% respectivement. Les données expérimentales détaillées des classifications du jeu de données TTL sont les suivantes :

Modalité	Précision du modèle	Précision	Rappel	F1-score	AUC
Modalité unique (numérique)	0.966	0.969	0.957	0.965	0.980
Modalité unique (image)	0.983	0.982	0.983	0.983	0.990
Modalité unique (graphique)	0.985	0.985	0.986	0.986	0.992
Multimodal (numérique + image)	0.982	0.981	0.984	0.982	0.990
Multimodal (numérique + graphique)	0.985	0.982	0.988	0.985	0.991
Multimodal (trois modalités)	0.994	0.994	0.995	0.994	0.997

Conclusions et significations de la recherche

Le cadre de diagnostic des pannes de réseau électrique basé sur la décomposition intégrée adaptative et la fusion d’attention cross-modale proposé dans cet article présente une valeur significative dans l’extraction des caractéristiques des données de réseau complexe et la reconnaissance des modèles. En intégrant diverses méthodes de décomposition et en fusionnant les caractéristiques modales, cette méthode peut extraire des informations clés des données complexes du réseau électrique, améliorant la précision et la robustesse du diagnostic. Pour les applications d’ingénierie pratique, cette méthode a une valeur de référence importante dans le traitement du diagnostic des pannes des grands réseaux électriques complexes.

Points saillants de la recherche

• Proposition et conception de l’indicateur d’évaluation de la valeur de l’entropie de l’information intégrée (CIEV), utilisant efficacement les caractéristiques temporelles et fréquentielles des données pour améliorer l’efficacité de l’extraction des caractéristiques.
• Utilisation d’un algorithme de décomposition intégrée adaptative combinant les résultats de plusieurs méthodes de décomposition excellentes pour améliorer la performance de généralisation.
• Conception d’un mécanisme de fusion de l’attention cross-modale, intégrant les caractéristiques de différents modes par une allocation pondérée, améliorant la précision et la stabilité du modèle de diagnostic.

Autres informations utiles

La méthode proposée dans cet article n’est pas seulement applicable au diagnostic actuel des pannes de réseau électrique, mais a aussi une valeur potentielle pour la détection et la classification des pannes dans d’autres systèmes complexes de grande envergure. En outre, la combinaison de l’apprentissage profond et de la théorie de l’entropie de l’information a une influence profonde sur l’amélioration de l’efficacité de la détection des pannes et la réduction des étapes d’intervention manuelle.