Pilottest eines KI-Algorithmus zur Identifizierung von Fehlerkategorien und Fehlerursachen aus DFR-Aufzeichnungen

Wenn 687 Störschreiber zu viele Daten für eine manuelle Analyse generieren

Scottish Power betreibt ein umfangreiches Übertragungsnetz mit 687 Störschreibern in 202 Umspannwerken – die täglich schätzungsweise 300 Fehleraufzeichnungen generieren, von denen jedoch nur 15% verwertbare Erkenntnisse liefern. Mit einem sechsköpfigen Analyseteam, das von der Datenmenge überwältigt wird, wechselte das Energieversorgungsunternehmen von einer proaktiven Analyse jeder Aufzeichnung zu einer reaktiven Untersuchung erst nach Benachrichtigungen aus der Leitstelle. Aber welche kritischen Signale für Anlagenverschlechterung werden in den ungeprüften 85% übersehen?

Dieses wegweisende Papier dokumentiert Scottish Powers Piloteinsatz von maschinellem Lernen zur automatischen Kategorisierung von Fehleraufzeichnungen und Identifizierung von Grundursachen – und löst damit ein Problem, an dem frühere regelbasierte Automatisierungsversuche gescheitert sind.

Was Sie entdecken werden:

Erfahren Sie, warum frühere regelbasierte automatische Analysesysteme versagten – sie konnten einfach nicht zuverlässig zwischen Auslöseereignissen, Durchgangsfehler, Spannungseinbrüchen, Schaltvorgängen und anderen Kategorien unterscheiden, was zu viele Fehlklassifizierungen zur Folge hatte, um nützlich zu sein.

Erkunden Sie den Random-Forest-Machine-Learning-Algorithmus, der mit 1,5 Millionen historischen Fehleraufzeichnungen von mehreren Energieversorgern trainiert wurde, darunter 45.000 von Experten gekennzeichnete Beispiele. Verstehen Sie, wie das Team Herausforderungen wie variable Aufzeichnungsdauern, unterschiedliche Abtastraten, mehrere Kanäle und schwere Klassenungleichgewichte bewältigt hat, bei denen einige Fehlertypen nur einmal pro 10.000 Aufzeichnungen auftreten.

Sehen Sie die beeindruckenden Ergebnisse: 97% Genauigkeit über 10 Fehlerkategorien nach iterativer Verfeinerung, mit null erkannten Fehlern in 2.100 analysierten Pilotaufzeichnungen. Erleben Sie ein korrekt identifiziertes Spannungswandlerproblem, das bei reaktiver manueller Analyse vollständig übersehen worden wäre – was die Fähigkeit des Algorithmus demonstriert, sich entwickelnde Probleme zu erkennen, bevor sie eskalieren.

Entdecken Sie die doppelte Fähigkeit – nicht nur die Kategorisierung des Fehlertyps, sondern auch die Identifizierung der Grundursache, derzeit einschließlich Blitzschlägen und Spannungswandlerproblemen, wobei Vegetationskontakt als nächstes auf der Entwicklungs-Roadmap steht.

Laden Sie dieses Papier herunter, um zu sehen, wie KI die Fehleraufzeichnungsanalyse von einer überwältigenden manuellen Last in ein intelligentes automatisiertes System verwandelt, das die Aufmerksamkeit der Analysten auf wirklich kritische Ereignisse priorisiert.