適応型統合分解とクロスモーダル注意融合に基づく電力網故障診断フレームワーク

研究背景

現代の電力システムの規模が拡大し複雑化する中で、電力網の安定運行はますます厳しい挑戦に直面しています。電力網の故障は自然災害、設備故障、局所的な電力網構造の脆弱性など複数の要因によって引き起こされる可能性があります。これらの故障は電力利用者の正常な業務に影響を与えるだけでなく、大規模な停電を引き起こし、重大な損失をもたらす可能性があります。米国エネルギー情報管理局のデータによれば、米国では年間平均500件以上の電力網故障が発生し、数百万の利用者に影響を与えています。中国では、電力網故障による年間平均電力損失は百億人民元を超えています。このように、迅速かつ正確に電力網故障の種類を検出し診断することは、電力システム研究における重要な課題の一つとなっています。

研究出典

本論文は「a grid fault diagnosis framework based on adaptive integrated decomposition and cross-modal attention fusion」という題で、Jiangxun Liu、Zhu DuanおよびHui Liuによって執筆されました。著者は主に中南大学の人工知能・ロボット研究所（Institute of Artificial Intelligence and Robotics）および交通輸送工学部（School of Traffic & Transportation Engineering）に所属しています。この論文はNeural Networks誌に発表され、受理されたのは2024年5月19日です。

研究プロセスと詳細

研究プロセス

1. データの前処理:

   • 電流と電圧信号は異なるスケールの問題があるため、まず標準化されます。
   • 五つの高度な分解アルゴリズムを使用して原始信号を分解し、さまざまな時間域および周波数域の特徴を含むサブシーケンスを取得します。
   • ランダムフォレストモデルを使用して高次元データの次元を削減し、主な特徴を見つけて冗長を減少させます。
   • 総合情報エントロピー値（Comprehensive Information Entropy Value，CIEV）に基づいて主なサブシーケンスに適切な重みを付け、分解されたデータを統合してモデル入力データを生成します。

2. マルチモーダル特徴学習:

   • 深層残差畳み込みニューラルネットワーク（Deep Residual Convolutional Neural Network，DRCNN）および異種グラフ変換器（Heterogeneous Graph Transformer，HGT）を使用して数値モード、画像モードおよびグラフモードの特徴を抽出します。

3. クロスモーダル注意融合機構（Cross-Modal Attention Fusion，CMAF）:

   • 隠れた特徴に対応する重みを与え、クロスモーダルな注意重み付け特徴融合を行います。
   • 最終的にはSoftmax層を通じて予測された故障カテゴリーを出力します。

プロセスの詳細

1. 信号分解:

   • 全サンプル経験的モード分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）、小波パケット分解（Wavelet Packet Decomposition，WPD）、変分モード分解（Variational Mode Decomposition，VMD）、経験的小波変換（Empirical Wavelet Transform，EWT）、局所平均分解（Local Mean Decomposition，LMD）の五つのアルゴリズムを使用してデータを処理し、特徴分布が豊富なモード成分を得ます。

2. 特徴選択:

   • ランダムフォレストモデルは多重サンプリングと多決定木を組み合わせて高次元特徴データを選別し、代表的なIMF成分を保持して特徴次元を削減します。

3. 総合情報エントロピー値加重:

   • 各サブシーケンスのCIEV指標を計算し、サブシーケンスの特徴情報値を測定し、加重共分散行列を形成して信号の曖昧エントロピーと相互逼近エントロピーを調整し、特徴統合の効果を強化します。

4. 二次元可視化:

   • グラミアン角度場（Gramian Angle Field，GAF）法を使用して数値データを二次元化し、画像モードデータを生成します。

5. クロスモーダル特徴融合:

   • 三つのモード特徴をAvgpoolとMaxpoolでプーリングし、さらに多層パーセプトロン（MLP）を通して新しい隠れ状態を得て、クロスモーダル注意融合を行い、最終的に分類器に入力して予測結果を得ます。

研究結果

三相送電線路TTLデータセットおよびVSB電力線データセットでの検証を通じて、本論文で提案された方法は高い診断精度を達成し、各々99.4%と99.0%に達しました。TTLデータセットでの分類の詳細実験データは次の表の通りです：

モード	モデル精度	精度	再現率	F1-score	AUC
単独モード（数値）	0.966	0.969	0.957	0.965	0.980
単独モード（画像）	0.983	0.982	0.983	0.983	0.990
単独モード（グラフ）	0.985	0.985	0.986	0.986	0.992
マルチモード（数値+画像）	0.982	0.981	0.984	0.982	0.990
マルチモード（数値+グラフ）	0.985	0.982	0.988	0.985	0.991
マルチモード（三モード）	0.994	0.994	0.995	0.994	0.997

研究結論と意義

本論文で提案された適応型統合分解とクロスモーダル注意融合に基づく電力網故障診断フレームワークは、電力網データ特徴抽出とパターン認識における応用価値が顕著です。多種の分解アルゴリズムとモード特徴の融合を統合することで、この方法は複雑な電力網データから重要な情報を抽出し、診断精度とロバスト性を向上させます。実際のエンジニアリング応用において、この方法は大規模かつ複雑な電力網の故障診断において重要な参考価値を持ちます。

研究のハイライト

• 総合情報エントロピー値 （CIEV） 評価指標を提案し、データの時間-周波数特性を効果的に利用して特徴抽出効率を向上させました。
• 適応型統合分解アルゴリズムを使用して複数の優れた分解方法の結果を結合し、汎化性能を向上させました。
• 重み分配の方法で異なるモード特徴を統合し、クロスモーダル注意融合機構を設計して診断モデルの精度と安定性を向上させました。

その他の有用な情報

本論文で提案された方法は、既存の電力網故障診断に適用できるだけでなく、他の大型複雑システムの故障検出および分類にも潜在的な応用価値を持っています。さらに、深層学習と情報エントロピー理論を組み合わせることで、故障検出効率の向上と人間の介入ステップの削減に深遠な影響を与えるでしょう。