Assessment of power transformer technical state using explainable artificial intelligence

Abstract

The functioning of deeply integrated technological systems in the power industry depends on the quality of power supply systems. Reliable power supply requires minimizing emergencies at power plants and substations. Reducing the accident rate is possible by switching to the maintenance and repair of high-voltage equipment based on its actual technical state. Machine learning methods make it possible to assess the actual technical state of various equipment types based on an aggregated analysis of many parameters, in contrast to methods based on comparing parameters with boundary values without considering their mutual influence. Therefore, machine learning can be an effective tool for decision support systems for equipment diagnostics. The opacity of the models and the lack of interpretability of their recommendations significantly complicate industry implementation. The purpose of the study is to de-velop a method for increasing the interpretability of machine learning models for assessing the technical state of equipment. A power transformers’ oil dataset, decision tree ensembles and the Shapley additive explanations were used. The novelty of this study is the modification of the additive Shapley additive explanations, aimed at increasing the information content of the visualization of machine learning model output interpretation. The most significant results are the substantiation of the applicability of explainable artificial intelligence for the assessment of the technical state of high-voltage equipment. In addition, for the first time in this problem, a Light gradient boosting method was applied. The proposed method allows for increasing the validity of the technical state assessment of high-voltage equipment using machine learning.

Funcționarea sistemelor tehnologice profund integrate în industria energetică depinde de calitatea sistemelor de alimentare cu energie. Alimentarea fiabilă cu energie necesită reducerea la minimum a situațiilor de urgență la centralele și substațiile electrice. Reducerea ratei accidentelor este posibilă prin trecerea la întreținerea și repararea echipamentelor de înaltă tensiune pe baza stării sale tehnice reale. Metodele de învățare automată fac posibilă evaluarea stării tehnice reale a diferitelor tipuri de echipamente pe baza unei analize agregate a mai multor parametri, spre deosebire de metodele bazate pe compararea parametrilor cu valorile limită fără a lua în considerare influența lor reciprocă. Prin urmare, învățarea automată poate fi un instrument eficient pentru sistemele de sprijinire a deciziilor pentru diagnosticarea echipamentelor. Capacitatea modelelor și lipsa de interpretabilitate a recomandărilor acestora complică semnificativ implementarea în industrie. Scopul studiului este de a dezvolta o metodă de creștere a interpretabilității modelelor de învățare automată pentru evaluarea stării tehnice a echipamentelor. Au fost utilizate un set de date privind uleiul transformatoarelor de putere, ansambluri de arbore de decizie și explicațiile aditivilor Shapley. Noutatea acestui studiu este modificarea explicațiilor aditive Shapley, care vizează creșterea conținutului informațional al vizualizării interpretării rezultatelor modelului de învățare automată. Cele mai semnificative rezultate sunt fundamentarea aplicabilității inteligenței artificiale explicabile pentru evaluarea stării tehnice a echipamentelor de înaltă tensiune. În plus, pentru prima dată în această problemă, a fost aplicată o metodă de creștere a gradientului de lumină. Metoda propusă face posibilă creșterea transparenței modelelor de învățare automată în diagnosticarea echipamentelor automate.

Функционирование глубоко интегрированных технологических систем в электроэнергетике зависит от качества их электроснабжения. Надежное электроснабжение требует минимизации аварий на электрических станциях и подстанциях. Снижение аварийности возможно при переходе к техническому обслуживанию и ремонту высоковольтного оборудования по его фактическому техническому состоянию. Методы машинного обучения позволяют выполнять оценку фактического технического состояния различных видов оборудования на основе агрегированного анализа множества параметров, в отличие от методов, основанных на сопоставлении параметров с граничными значениями без учета их взаимовлияния. Поэтому машинное обучение может быть эффективным инструментов для создания систем поддержки принятия решений при диагностике оборудования. В то же время непрозрачность таких моделей и отсутствие ин-терпретируемости формируемых ими рекомендаций существенно затрудняют их отраслевое внедрение. Целью исследования является разработка метода повышения интерпретируемости моделей машинного обучения в задаче оценки технического состояния оборудования на примере силовых трансформаторов с помощью предложенного модифицированного метода аддитивного объяснения Шепли. Для достижения цели были построены ансамблевые модели деревьев решений на выборке, содержащей результаты отбора проб трансформаторного масла и применен метод аддитивного объяснения Шепли. Отличием работы яв-ляется модификация аддитивного объяснения Шепли, направленная на повышение информативности ви-зуализации интерпретаций результатов моделей машинного обучения. Наиболее существенными результатами являются обоснование применимости методов объяснимого искусственного интеллекта в задаче оценки технического состояния высоковольтного оборудования; кроме того, впервые в данной задаче применен такой метод построения ансамблей как быстрый градиентный бустинг (LightGBM), показавший высокую точность. Значимость полученных результатов заключается в том, что предложенный метод позволяет повысить обоснованность принимаемых решений при определении фактического технического состояния высоковольтного оборудования с использованием моделей машинного обучения.