《Energy Conversion and Management-X》:Explainable AI–driven sustainable transformer health monitoring for resilient power distribution systems
编辑推荐:
配电系统中的变压器故障会导致长时间停电和操作复杂性,造成巨大的收入损失,突显了对可靠且可解释的变压器健康评估的需求。本文提出了一种可解释机器学习(Machine Learning, ML)框架,用于变压器健康评估,该框架使用一个公开的时间序列数据集,包含13个
配电系统中的变压器故障会导致长时间停电和操作复杂性,造成巨大的收入损失,突显了对可靠且可解释的变压器健康评估的需求。本文提出了一种可解释机器学习(Machine Learning, ML)框架,用于变压器健康评估,该框架使用一个公开的时间序列数据集,包含13个电学和热学传感器变量的测量值。数据准备步骤包括按日期和时间对数据进行排序;用中位数填充缺失数据;以及基于预定义阈值应用规则,将变压器状态分为良好(Good)、一般(Fair)或差(Bad)三类。为了避免时间泄漏并模拟真实世界,采用了前向验证(walk-forward validation)方法和未来目标生成(future target generation)方法。评估的模型如下:决策树(Decision Tree, DT)、随机森林(Random Forest, RF)、多层感知器(Multi-Layer Perceptron, MLP)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)和类别提升(Categorical Boosting, CatBoost)。使用包含合成少数类过采样技术(SMOTE)的流水线进行类别平衡,训练每个模型。采用随机搜索交叉验证(RandomizedSearchCV)进行超参数调优以提升模型性能。所提出的系统在精确率、召回率和分类性能方面优于基线系统。系统还在缺失数据场景下进行了测试以检查鲁棒性。为了提高模型可解释性,采用了可解释人工智能(Explainable Artificial Intelligence, XAI)技术,如Shapley加性解释(SHAP)和局部可解释模型无关解释(LIME),以识别对变压器退化最重要的特征。研究指出,电压、负载电流和油温等重要特征对变压器健康状态的分类有显著影响。
**研究背景、问题与研究意义**
电力变压器作为配电系统的核心设备,其故障会导致长时间停电和运营复杂性,造成巨额收入损失。传统的诊断方法如溶解气体分析(Dissolved Gas Analysis, DGA)虽能有效识别内部故障,但难以实现实时预测且缺乏可解释性,限制了其在预防性维护中的应用。因此,亟需一种可靠且可解释的变压器健康评估方法。研究人员利用物联网传感器采集的实时数据,结合机器学习(Machine Learning, ML)与可解释人工智能(Explainable AI, XAI)技术,提出了一种面向弹性配电系统的可持续变压器健康监测框架。该研究使用公开领域的时间序列数据集,通过规则定义健康状态,比较六种ML模型的分类性能,并采用SHAP(Shapley Additive Explanations)和LIME(Local Interpretable Model-agnostic Explanations)增强模型透明度。结果表明,集成模型特别是LightGBM(Light Gradient Boosting Machine)在分类精度和可解释性之间取得了最佳平衡,为变压器状态维护和配电系统弹性提升提供了有力支撑。该论文发表在《Energy Conversion and Management-X》。
**关键技术方法**
数据集来自Kaggle公开数据集“Transformer Fault Prediction with 99% AUC”,包含2019年6月25日至2020年4月14日每15分钟记录的13个电热传感器变量(如相电压、线电流、油温、环境温度等),共20464个样本。主要技术方法包括:(1) 基于13个参数的阈值规则生成健康标签(良好Good、一般Fair、差Bad);(2) 时间顺序数据划分(80%训练,20%测试)并采用前向验证(walk-forward validation)避免时间泄漏,同时生成未来目标标签;(3) 构建包含标准化(StandardScaler)和合成少数类过采样技术(SMOTE)的流水线进行数据预处理和类别平衡;(4) 使用随机搜索交叉验证(RandomizedSearchCV)和时序交叉验证对六种模型进行超参数优化,六种模型分别为决策树(Decision Tree, DT)、随机森林(Random Forest, RF)、多层感知器(Multi-Layer Perceptron, MLP)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)、轻量梯度提升机(LightGBM)和类别提升(Categorical Boosting, CatBoost);(5) 采用SHAP和LIME进行全局和局部可解释性分析。
**研究结果**
**4.1 Performance of ML models**
通过比较六种模型的准确率、精确率、召回率、宏F1-score等指标,LightGBM表现最优,宏F1-score为0.8083,准确率89.0%;随机森林和CatBoost的宏F1-score约0.79,准确率约88%;决策树宏F1-score为0.7364,XGBoost为0.7339,MLP为0.7650。整体上,集成模型(LightGBM, RF, CatBoost)优于单一分类器。
**4.2 Robustness testing**
在缺失值、高斯噪声和数据漂移三种扰动下评估模型鲁棒性。基线准确率约0.89,F1-score约0.81。随着扰动加剧,性能下降,但中等缺失和噪声下仍保持满意效果,极端漂移时性能严重下降,表明模型对数据分布变化敏感但具有实际应用潜力。
**4.3 ROC curves**
LightGBM的ROC曲线显示,差(Bad)类的AUC达0.988,良好(Good)类为0.892,一般(Fair)类为0.881。模型具有较强的判别能力,尤其对关键故障状态识别效果优异。
**4.4 Ablation study**
通过逐步移除流水线组件(SMOTE、标准化)、降低模型复杂度以及不当的缺失值处理,发现完整流水线配置(SMOTE+标准化)获得最优性能;缺少这些组件或减少模型复杂度均导致准确率和F1-score下降,证实了预处理和模型复杂度对分类质量的关键作用。
**4.5 Confusion matrix**
各模型的混淆矩阵显示,所有模型对样本量最大的良好(Good)类分类正确率高,但LightGBM在差(Bad)和一般(Fair)类上实现了最平衡的分类,差类精确率、召回率和F1-score均为0.81;而决策树和XGBoost在Good和Fair之间存在较多混淆,MLP对Bad和Fair类识别能力较弱。集成模型整体表现更均衡。
**4.6 LIME-based explainability analysis**
LIME对三类典型实例进行局部解释:Bad类中油位(OLI)、油温(OTI)和线电流(IL3)超出正常范围是主要驱动因素;Fair类中中性点电流(INUT)和相电压(VL1, VL2)呈现中度偏差;Good类所有参数正常。稳定性分析表明,OLI、OTI、VL和IL是可靠的关键特征,与行业知识一致。
**4.7 SHAP-based explainability analysis**
SHAP全局特征重要性分析表明,电压相关特征(VL12, VL1, VL31, VL2)贡献最大,其次是环境温度(ATI)、油温(OTI)和油位(OLI)。特征重要性在不同数据集上排名稳定,且与LIME结果高度一致,增强了框架的可信度。
**4.8 Decision curve analysis**
将差(Bad)类作为阳性类进行决策曲线分析,模型在0.1-0.4的低阈值范围内净收益高于“全治疗”和“不治疗”策略,表明其在早期故障检测中具有实用价值,可辅助预防性维护决策。
**4.9 Statistical significance analysis**
通过5折时序交叉验证计算各模型宏F1-score的均值和标准差:LightGBM为0.5657±0.1261,RF为0.5735±0.0844,DT为0.5603±0.0697,XGBoost为0.5530±0.1729,CatBoost为0.5580±0.1154,MLP为0.5420±0.0882。集成模型变异性较低,MLP变异性较高。虽然均值低于最终测试集分数(因早期折叠训练数据少),但模型对少数类Bad的检测改进仍具实际意义。
**讨论总结**
研究在结果与讨论部分指出,集成模型通过组合多个弱学习器并学习非线性关系,取得了更好的泛化性能。可解释性分析一致确认电压、油温和油位是健康状态的主要决定因素,增强了模型在运维决策中的实用性。然而,研究也明确承认一个关键局限:健康标签基于与模型输入相同的传感器阈值规则生成,因此框架本质是专家规则的自动化实现,而非独立的故障预测模型;且仅使用单一公开数据集,限制了对不同变压器类型和工况的泛化能力。此外,当前框架为离线分析,未来需朝向实时边缘计算部署发展。鲁棒性测试表明,模型在中等数据扰动下表现稳健,但在极端漂移下需引入自适应策略。
**研究结论(翻译)**
本研究提出了一个基于物联网电热监测数据的可解释机器学习框架,用于变压器健康状态分类。采用基于13个变压器运行参数的规则健康指数来分配变压器健康状态(良好、一般、差),并使用时域感知验证策略评估了六种机器学习模型:决策树、随机森林、XGBoost、LightGBM、CatBoost和多层感知器(MLP)。在评估的模型中,LightGBM取得了最佳的整体分类性能,在准确率、精确率、召回率和宏F1-score之间实现了最高平衡。基于集成的方法,特别是LightGBM、随机森林和CatBoost,相对于单个分类器表现出更优越的泛化能力。所提出的预处理策略,包括时间顺序数据划分、基于流水线的SMOTE以及使用RandomizedSearchCV的超参数优化,有助于提高模型鲁棒性,同时防止训练过程中的信息泄漏。为了提高模型透明度,采用了SHAP和LIME来解释全局和局部预测行为。可解释性分析一致地将电压参数、负载电流、油温和油位识别为影响变压器健康状态分类的最重要变量。SHAP和LIME解释的一致性增强了所提出框架的可信度,并支持其在基于状态的维护和运行决策中的应用。进一步在缺失数据、噪声和数据漂移场景下评估了所提出框架的鲁棒性。尽管在严重数据扰动下性能逐渐下降,但该框架在中等缺失数据和噪声水平下保持了令人满意的性能,展示了其在真实变压器监测系统中的潜在适用性。