ОЦЕНКА СОСТОЯНИЯ ИЗОЛЯЦИИ ЭЛЕКТРООБОРУДОВАНИЯ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМА ГРАДИЕНТНОГО БУСТИНГА

Я.В. Мироненко, А.Д. Курзанов

DOI: 10.47026/1810-1909-2021-3-94-102

Ключевые слова

диагностика высоковольтного оборудования, частичные разряды, машинное обучение, градиентный бустинг, CatBoost.

Аннотация

Приоритетным в развитии диагностики в энергетике становится создание аналитических программных продуктов, нацеленных на оценку состояния электрического оборудования. Применение методов искусственного интеллекта для решения данной задачи является актуальной темой для научной работы в данной области. В статье предложен метод анализа данных мониторинга частичных разрядов в изоляции электрооборудования с использованием технологий машинного обучения. Аналитическая оценка характеристик частичных разрядов позволяет сделать вывод о состоянии изоляции рассматриваемого объекта. Предлагается использовать в качестве данных, описывающих состояние исследуемого объекта, такие интегрированные диагностические параметры, как интенсивность частичных разрядов (PDI), максимальное измеренное значение кажущегося заряда единичного, повторяющегося и регулярного частичных разрядов. Общая выборка, полученная таким образом, характеризуется несбалансированностью, что характерно для технической диагностики в целом. Среди алгоритмов машинного обучения наиболее эффективными показали себя бэггинг и бустинг. Рассмотрен математический аппарат градиентного бустинга на примере наиболее распространенных алгоритмов GBM (Gradient Boosting Machine) и CatBoost. Разработка модели осуществлялась на языке программирования Python. Созданная на основе алгоритма CatBoost модель была использована для оценки состояния масляной изоляции силовых трансформаторов по данным мониторинга частичных разрядов. После оптимизации параметров алгоритма CatBoost была достигнута точность работы модели в 68,85%. По результатам работы сделаны выводы о необходимости увеличения размеров обучающей выборки и повышения ее сбалансированности, а также о нецелесообразности интерпретации данных прогноза в поле физических терминов и диагностических параметров при достигнутой точности работы модели.

Литература

1. Ансамблевые методы: бэггинг, бустинг и стекинг [Электронный ресурс]. URL: https://neurohive.io/ru/osnovy-data-science/ansamblevye-metody-begging-busting-i-steking (дата обращения: 13.08.2021).
2. Вдовико В.П. Частичные разряды в диагностировании высоковольтного оборудования. Новосибирск: Наука, 2007. 155 с.
3. Клячкин В.Н., Кувайскова Ю.Е., Жуков Д.А. Выбор метода бинарной классификации при технической диагностике с применением машинного обучения // Известия Самарского научного центра Российской академии наук. 2018. Т. 20, № 4(3). С. 494–497.
4. Малафеев С.И. Надежность электроснабжения. СПб.: Лань, 2017. 368 с.
5. Мироненко Я.В. Перспектива развития технологий диагностики высоковольтного электроэнергетического оборудования // Современная техника и технологии: проблемы, состояние и перспективы: сб. докл. X Всерос. научн. конф. Рубцовск: Рубцовский индустриальный институт филиал ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова», 2020. С. 130–136.
6. Описание ведомственного проекта Министерства энергетики Российской Федерации «Цифровая энергетика» [Электронный ресурс]. URL: https://digital.gov.ru/uploaded/files/vedomstvennyij-proekt-tsifrovaya-energetika.pdf (дата обращения: 13.08.2021).
7. Русов В.А. Диагностический мониторинг высоковольтных силовых трансформаторов. Пермь: DIMRUS, 2013. 159 с.
8. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 2017, no. 542, pp. 115–118.
9. Fenton W., McGinnity T., Maguire L. Fault diagnosis of electronic systems using intelligent techniques: a review. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 2001, vol. 31, no. 3, pp. 269–281.
10. Gertler J., Costin M., Fang X., Kowalczuk Z. et al. Model based diagnosis for automotive engines-algorithm development and testing on a production vehicle. IEEE Transactions on Control Systems Technology, 1995, vol. 3, no. 1, pp. 61–69.
11. Gulshan V., Peng L., Coram M., Stumpe M.C. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 2016, no. 316(22), pp. 2402–2410.
12. Hosny A., Parmar C., Quackenbush J., Schwartz L.H., Aerts H.J. W.L. Artificial intelligence in radiology. Nat Rev Cancer, 2018, no. 18(8), pp. 500–510.
13. How Do You Know You Have Enough Training Data? Available at: https://towardsdatascience.com/how-do-you-know-you-have-enough-training-data-ad9b1fd679ee (Access Date 2021, 21).
14. Malafeev A., Laptev D., Bauer S., Omlin X. et al. Automatic Human Sleep Stage Scoring Using Deep Neural Networks. Front Neurosci, 2018, vol. 12, art. 781, pp. 1–15.
15. Masrur M.A., Chen Z., Zhang B., Jia H., Murphey Y. Model-Based Fault Diagnosis in Electric Drives Using Artificial Neural Networks. IEEE Transactions On Mechatronics, 2005, no. 11(3), pp. 290–
16. Mastering The New Generation of Gradient Boosting. Available at: https://towardsdatascience.com/https-medium-com-talperetz24-mastering-the-new-generation-of-gradient-boosting-db04062a7ea2 (Access Date 2021, Aug. 21).
17. Singhal Y., Jain A., Batra Sh., Varshney Y., Rathi M. Review of Bagging and Boosting Classification Performance on Unbalanced Binary Classification. IEEE 8th International Advance Computing Conference (IACC), 2018.
18. Murphey Y. L., Masrur M. A., Chen Z. Fault Diagnostics in Electric Drives Using Machine Learning. IEEE International Conference: Electric Machines & Drives Conference (IEMDC), 2013.

Сведения об авторах

Мироненко Ярослав Владимирович – заместитель генерального директора, АО «РЭС Групп», Россия, Владимир (yaroslav.mironenko@inbox.ru; ORCID: https://orcid.org/0000-0001-9836-7676).

Курзанов Алексей Дмитриевич – ведущий инженер, АО «РЭС Групп», Россия, Владимир (rezer33@yandex.ru; ORCID: https://orcid.org/0000-0002-6910-7426).

Формат цитирования

Мироненко Я.В., Курзанов А.Д. Оценка состояния изоляции электрооборудования с использованием алгоритма градиентного бустинга // Вестник Чувашского университета. – 2021. – № 3. – С. 94–102. DOI: 10.47026/1810-1909-2021-3-94-102.

Загрузить полный текст статьи