神经网络合成数据集生成技术在区域供热站故障检测中的应用研究

本文针对区域供热系统(DHS)故障检测中缺乏公开标记数据集的难题，研究人员探索了三种基于机器学习的合成数据生成技术——时间序列预测、生成对抗网络(GANs)和故障特征迁移。研究基于独特的ILSE数据集（包含547个热力站的真实数据），评估了各方法的性能。结果表明，时间序列预测在关键参数上误差可控，TimeGAN能生成高质量数据，但故障数据生成仍面临挑战。该研究为创建可共享的标记DHS故障数据集提供了重要思路，对推动供热系统智能化运维和能效提升具有重要意义。

　　

在追求可持续供暖解决方案和能源部门脱碳的进程中，区域供热系统扮演着至关重要的角色。然而，隐藏在热力站中的未被检测到的故障，就像能源网络中的“隐形漏洞”，导致回水温度升高、热损失增加，并限制了可再生能源的整合。更棘手的是，由于数据隐私、标注成本高昂等原因，可用于训练监督学习模型的公开标记数据集极度匮乏，这严重阻碍了智能故障检测技术的发展。

为了破解这一难题，由Dominik Stecher、Lukas Ziegltrum、Paul Reiprich、Christian Fuchs、Andreas Maier和Jochen Schmidt组成的研究团队，在《Smart Energy》上发表了一项开创性研究。他们首次尝试将先进的监督机器学习方法应用于一个大规模、完全标记的区域供热数据集（ILSE数据集），旨在生成新的、带有同样标记的合成数据以供公开分享。这项研究犹如试图为区域供热故障检测领域创建一套类似MNIST（手写数字识别领域著名基准数据集）的公共基准资源。

研究人员为开展此项研究，主要依托于一个独特的真实世界数据集——ILSE数据集。该数据集源自一个德国区域供热网络，包含了547个热力站的智能电表数据以及1,162个经过审核的故障记录，时间跨度从2015年至2022年，并包含详细的根本原因信息。在此基础上，研究团队重点探索和评估了三种核心的机器学习驱动的新型数据生成方法。

研究结果

1. 数据生成方法实验

研究团队系统评估了三种数据生成策略。时间序列预测方法在入口和出口温度预测上表现出色，平均绝对百分比误差(MAPE)在3%到10%之间，而热负荷和流量的MAPE在25%到40%之间，后者被认为与真实电表集成过程引入的自然波动相当。生成对抗网络方法，特别是TimeGAN，在经过针对供热数据特点的优化（如解决模式崩溃问题、采用预训练-微调策略）后，生成的健康数据质量很高，其判别分数(DS)优于原论文在能源基准数据上的结果。然而，生成具有特定类型和持续时间的故障数据仍然极具挑战。故障特征迁移方法在本研究中未能产生可用的结果，研究者认为这很可能源于数据集中故障特征、持续时间的高度差异性，以及故障重叠、多根本原因并存等复杂情况。

2. 现有数据集分析

文章详细梳理了当前极少数公开的区域供热数据集，如Mathieu Vallée等人基于物理模拟的“DHC substation fouling”数据集、尼什大学上传的用于负荷预测的数据集，以及尚在筹备中的“BRAVA”项目。分析指出，这些数据集要么故障类型单一、模式理想化，要么缺乏故障标签，难以满足复杂故障检测模型训练的需求。这凸显了ILSE数据集的独特价值以及开发更通用合成数据生成方法的紧迫性。

3. ILSE数据集

ILSE数据集本身是本研究的重要基础。它包含两个部分：一个是侧重于质量的、经过全面审查的28个热力站数据（含108个客户报告故障和1208个手动标注的异常）；另一个是侧重于规模和多样性的、包含547个热力站1162个故障的更大数据集。数据创建过程涉及对数千个初始客户投诉的严格筛选和手动时间序列审查，确保了标签的准确性。同时，文章也坦诚指出了数据集中存在的挑战，如故障持续时间差异巨大、故障重叠、根本原因可能被误判或并存等。

结论与意义

本研究系统地评估了三种机器学习方法用于生成标记区域供热故障数据的可行性。结果表明，虽然生成对抗网络(TimeGAN)能够产生逼真的健康运行时间序列数据，时间序列预测也能在可控误差内生成数据，但生成可用于实际训练故障检测器的、高质量的、带标签的故障数据这一最终目标尚未完全实现。故障特征迁移方法则因当前数据集的复杂性而面临更大困难。

尽管如此，这项工作的意义深远。它首次在一个大规模、高质量的真实标记数据集上，对多种先进的合成数据生成技术进行了实证性探索和比较，为后续研究提供了宝贵的经验和基线。研究过程中对数据质量控制的重视、对故障标注复杂性的揭示，以及对各种方法优缺点（如TimeGAN的生成速度与可控性差、时间序列预测的精度与耗时长的权衡）的深入分析，都具有重要的参考价值。该研究指明了未来工作的方向：需要进一步 refine 这些生成方法，或许需要结合领域知识或物理模拟，并致力于汇集更丰富、更具代表性的标记数据。最终，这项研究是推动区域供热网络实现稳健、可广泛推广的预测性维护和运行优化的重要一步，为破解该领域数据孤岛难题贡献了关键思路。