能源系统故障预测的多尺度时序分析
信号处理
2024-11-06 v1
摘要
许多现有模型在极端天气条件下难以预测非线性行为。本研究提出了一种基于PMU数据的能源系统故障预测多尺度时序分析方法。该模型将多尺度分析与机器学习相结合，以捕捉短期和长期行为。PMU数据虽然记录了故障日志，但缺乏标注状态，难以区分正常与扰动条件。我们通过以下方法解决这一问题：（1）从PMU时序数据中提取领域特征；（2）应用多尺度窗口（30秒、60秒、180秒）进行模式检测；（3）使用递归特征消除（Recursive Feature Elimination）识别关键特征；（4）训练多个机器学习模型。主要贡献：识别多尺度窗口中的显著特征；证明LightGBM的优越性能（0.896精确率）；表明多尺度分析优于单窗口模型（0.841）。本研究聚焦天气相关故障，计划扩展至设备故障和雷击事件。
引用
@article{arxiv.2411.02857,
title = {Multi-Scale Temporal Analysis for Failure Prediction in Energy Systems},
author = {Anh Le and Phat K. Huynh and Om P. Yadav and Chau Le and Harun Pirim and Trung Q. Le},
journal= {arXiv preprint arXiv:2411.02857},
year = {2024}
}
备注
6 pages, 3 figures, RAMS 2025