Chaotic attentive recurrent transformer network for intelligent power grid fault diagnosis

Abstract

The main objective of this study is to enhance the intelligence level of power grid fault diagnosis systems to address increasingly complex fault scenarios and ensure the overall security, stability, and resilience of modern power grids. Traditional diagnostic methods often fall short in handling high-dimensional, nonlinear, and dynamic data generated in smart grid environments. To overcome these limitations, this research proposes a data-driven framework based on Deep Learning (DL), introducing a novel hybrid architecture called the Chaotic Attentive Recurrent Transformer Network (CARTNet). The proposed method begins with comprehensive data acquisition from various sources, including fault logs, real-time system parameters, weather data, and renewable energy outputs. The data undergoes preprocessing steps such as integration, cleaning, and advanced exploratory analysis to improve quality and extract latent features. CARTNet is specifically designed to model nonlinear dynamics and temporal dependencies in time-series data by synergistically combining chaotic system modeling with attention-based recurrent transformer mechanisms, allowing for more accurate and robust fault identification. The most important results aredemonstrated through extensive simulations using Python, where CARTNet achieves a fault diagnosis accuracy of 99.88%, significantly outperforming conventional deep learning models. Its ability to learn complex patterns andadapt to diverse data inputs ensures reliable and timely fault detection. The significance of the obtained resultsis that CARTNet provides a powerful and scalable solution for intelligent fault diagnosis in smart grids, laying a strong technological foundation for the future of automated and resilient power system operations.

Obiectivul principal al acestui studiu este de a îmbunătăți nivelul de inteligență al sistemelor de diagnosticare a defecțiunilor rețelelor electrice pentru a aborda scenarii de defecțiuni din ce în ce mai complexe și pentru a asigura securitatea, stabilitatea și reziliența generală a rețelelor electrice moderne. Metodele tradiționale de diagnosticare sunt adesea insuficiente în gestionarea datelor de înaltă dimensiune, neliniare și dinamice generate în mediile de rețele inteligente. Pentru a depăși aceste limitări, această cercetare propune un cadru bazat pe date, bazat pe Deep Learning (DL), introducând o nouă arhitectură hibridă numită Chaotic Attentive Recurrent Transformer Network (CARTNet). Datele trec prin etape de preprocesare, cum ar fi integrarea, curățarea și analiza exploratorie avansată, pentru a îmbunătăți calitatea și a extrage caracteristici latente. CARTNet este special conceput pentru a modela dinamica neliniară și dependențele temporale în datele din seriile de timp, combinând sinergic modelarea sistemului haotic cu mecanismele de transformare recurentă bazate pe atenție, permițând o identificare a defecțiunilor mai precisă și robustă. Cele mai importante rezultate sunt demonstrate prin simulări extinse folosind Python, unde CARTNet atinge o precizie de diagnosticare a defecțiunilor de 99.88%, depășind semnificativ modelele convenționale de deep learning.Capacitatea sa de a învăța modele complexe și de a se adapta la diverse intrări de date asigură o detectare fiabilă și la timp a defecțiunilor. Semnificația rezultatelor obținute constă în faptul că CARTNet oferă o soluție puternică și scalabilă pentru diagnosticarea inteligentă a defecțiunilor în rețelele inteligente, punând o bază tehnologică solidă pentru viitorul funcționării automate și reziliente a sistemelor energetice.

Основная цель данного исследования —повысить уровень интеллекта систем диагностики неисправностей электросетей для решения всё более сложных сценариев неисправностей и обеспечения общей безопасности, стабильности и отказоустойчивости современных электросетей. Традиционные методы диагностики часто не справляются с обработкой многомерных, нелинейных и динамических данных, генерируемых в интеллектуальных сетях. Для преодоления этих ограничений в данном исследовании предлагается управляемая данными инфраструктура, основанная на глубоком обучении (ГО), представляющая собой новую гибридную архитектуру, называемую хаотической внимательной рекуррентной трансформаторной сетью (CARTNet). Предлагаемый метод начинается со сбора комплексных данных из различных источников, включая журналы неисправностей, системные параметры в реальном времени, метеорологические данные и данные о выработке возобновляемой энергии. Данные проходят этапы предварительной обработки, такие как интеграция, очистка и расширенный исследовательский анализ, для повышения качества и выявления скрытых признаков. CARTNet специально разработан для моделирования нелинейной динамики и временных зависимостей во временных рядах данных путём синергетического сочетания моделирования хаотических систем с рекуррентными трансформаторными механизмами, основанными на внимании, что обеспечивает более точную и надёжную идентификацию неисправностей. Наиболее важные результаты продемонстрированы с помощью обширного моделирования на Python, где CARTNet достигает точности диагностики неисправностей 99.88%, значительно превосходя традиционные модели глубокого обучения. Способность CARTNet изучать сложные закономерности и адаптироваться к разнообразным входным данным обеспечивает надежное и своевременное обнаружение неисправностей. Значимость полученных результатов заключается в том, что CARTNet представляет собой мощное и масштабируемое решение для интеллектуальной диагностики неисправностей в интеллектуальных сетях, закладывая прочную технологическую основу для будущего автоматизированной и устойчивой работы энергосистем.