Wykrywanie wyładowań niezupełnych w kablach online i ocena stanu w oparciu o głęboką sieć wiary i algorytm optymalizacji inspirowany rojem

Obserwacja ukrytego stanu zdrowia kabli energetycznych

Nowoczesne miasta polegają na rozległych sieciach zakopanych kabli energetycznych, które utrzymują światła, pociągi i centra danych w działaniu. Tymczasem głęboko w izolacji tych kabli drobne iskry elektryczne — zwane wyładowaniami niezupełnymi — mogą przez miesiące lub lata powoli niszczyć materiał, zanim nagła awaria wyłączy część sieci. W artykule przedstawiono nową inteligentną metodę monitorowania, która w czasie rzeczywistym nasłuchuje tych wczesnych sygnałów ostrzegawczych, nawet w hałaśliwym środowisku miejskim, i przekłada je na jasne oceny stanu kabla.

Dlaczego małe iskry to poważny problem

Kable podziemne są popularne, ponieważ są niezawodne, kompaktowe i dyskretne wizualnie. Ich izolacja może jednak rozwijać drobne defekty spowodowane wadami produkcyjnymi, wilgocią lub naprężeniami mechanicznymi. Przy wysokim napięciu słabe punkty mogą generować małe impulsy prądu zamiast gładłego, ciągłego przepływu. Każdy impuls nieznacznie uszkadza otaczającą izolację, a z czasem proces ten może doprowadzić do nagłego przebicia i dużej awarii zasilania. Tradycyjne metody monitoringu wykorzystują czujniki akustyczne, termiczne, optyczne lub radiowe, lecz każda z tych metod ma wady: niektóre są kosztowne w rozmieszczeniu na długich trasach, inne łatwo zakłóca hałas środowiskowy, a wiele wymaga ekspertów do ręcznego projektowania cech sygnału lub dostosowywania parametrów dla każdego typu kabla.

Nauczanie maszyn rozumienia zaszumionych sygnałów

Autorzy rozwiązują ten problem podejściem opartym na danych, wykorzystując głęboką sieć wiary (deep belief network) — rodzaj warstwowej sieci neuronowej, która potrafi automatycznie wydobywać wzorce z surowych pomiarów. Zamiast inżynierów ręcznie tworzących cechy sygnału, sieć sama odkrywa użyteczne reprezentacje sygnałów wyładowań niezupełnych. Aby lepiej poradzić sobie z ciągłym charakterem rzeczywistych pomiarów, zespół zastępuje typowe binarne elementy budulcowe wersją bardziej naturalną dla danych analogowych. Dodają też dwie techniki zapożyczone z nowoczesnego uczenia maszynowego: DropConnect, które losowo przerzedza połączenia w sieci podczas treningu, aby zapobiec przetrenowaniu, oraz „elastyczny” schemat wag, który pomaga modelowi zachować poprzednio nabyte informacje, gdy z czasem pojawiają się nowe rodzaje danych.

Dostrajanie „mózgu” z inspiracją w roju

Nawet sprytna sieć neuronowa może działać poniżej oczekiwań, jeśli jej wewnętrzna struktura — liczba warstw, liczba neuronów czy tempo uczenia — zostanie dobrana na chybił-trafił. Aby tego uniknąć, autorzy wprowadzają procedurę optymalizacji inspirowaną zachowaniami zbiorowymi w przyrodzie. Łączą model stada kryli, wzorzec poszukiwania inspirowany nietoperzami oraz spiralne trajektorie lotu w jeden algorytm, który wysyła wirtualny rój do badania wielu możliwych projektów sieci. Każda kandydacka konfiguracja jest oceniana nie tylko pod kątem dokładności klasyfikacji stanów kabli, lecz także prędkości działania i kompaktowości. W wielu iteracjach rój wyłania konfiguracje osiągające najlepszy kompromis między dokładnością, szybkością i wykorzystaniem zasobów, tworząc wyszczuplony model gotowy do wdrożenia w stacjach transformatorowych i urządzeniach brzegowych.

Od danych laboratoryjnych do rzeczywistego szumu

Aby przetestować ramy, badacze przeszkolili i ocenili system na publicznie dostępnych zestawach danych baterii oraz dodatkowych danych kablowych, porównując go z popularnymi modelami głębokiego uczenia i hybrydowymi. Ulepszona sieć sama w sobie przewyższała sieci konwolucyjne i metody gradient boosting na standardowych miarach jakości, takich jak precyzja, czułość i pole pod krzywą ROC. Po dodaniu optymalizatora opartego na roju wydajność wzrosła dodatkowo, podczas gdy liczba parametrów, wymagane obliczenia, zapotrzebowanie na pamięć i czas treningu znacznie spadły. System dobrze zachował się także przy dodaniu silnego szumu do rzeczywistych pomiarów terenowych z miejskich linii kablowych, utrzymując wyższą dokładność niż konkurencyjne metody nawet przy bardzo niskich stosunkach sygnału do szumu.

Co to oznacza dla utrzymania zasilania

Mówiąc prosto, praca ta pokazuje, jak kompaktowa, samo-dostrajająca się sztuczna inteligencja może ciągle nasłuchiwać słabego „elektrycznego bicia serca” zakopanych kabli i niezawodnie wykrywać wczesne sygnały problemów. Poprzez wcześniejsze wykrycie wyładowań niezupełnych i rozróżnienie defektów drobnych od poważnych, zakłady energetyczne mogą planować konserwację zamiast reagować na blackouty. Połączenie odpornego rozumienia sygnału, odporności na szum i efektywności obliczeniowej sprawia, że proponowane rozwiązanie jest obiecujące dla szeroko zakrojonego, ciągłego monitoringu miejskich sieci energetycznych, pomagając miastom uczynić dostawę energii bezpieczniejszą i bardziej opłacalną.

Cytowanie: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

Słowa kluczowe: monitoring kabli energetycznych, wyładowania niezupełne, uczenie głębokie, niezawodność inteligentnej sieci, konserwacja predykcyjna