تشخیص هوشمند وضعیت سیستم قدرت با استفاده از الگوریتم XGBoost بهینه‌شده و تحلیل تفسیرپذیری SHAP

تشخیص هوشمند وضعیت سیستم قدرت با استفاده از الگوریتم XGBoost بهینه‌شده و تحلیل تفسیرپذیری SHAP

فروغ پاک رای1

1) گروه مهندسی برق ، واحد امیدیه ، دانشگاه آزاد اسلامی، امیدیه، ایران،

کد IOI مقاله : AAHD-ABKCAA
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    توسعه سریع سیستم‌های قدرت مدرن، پیچیدگی فرآیندهای پایش، حفاظت و تشخیص خطا را به‌طور قابل‌توجهی افزایش داده است. روش‌های سنتی تشخیص خطا معمولاً در مدل‌سازی روابط غیرخطی و تحلیل مجموعه‌داده‌های بزرگ الکتریکی با محدودیت مواجه هستند. ازاین‌رو، روش‌های یادگیری ماشین به‌عنوان ابزارهایی قدرتمند برای پایش هوشمند وضعیت و تشخیص شرایط عملکرد در کاربردهای مهندسی برق مورد توجه قرار گرفته‌اند. در این پژوهش، یک چارچوب هوشمند مبتنی بر الگوریتم Extreme Gradient Boosting (XGBoost) بهینه‌سازی‌شده برای تشخیص وضعیت عملکرد سیستم قدرت با استفاده از اندازه‌گیری‌های سه‌فاز الکتریکی ارائه شده است. مجموعه‌داده ورودی شامل شش ویژگی الکتریکی، جریان‌های سه‌فاز (Ia,Ib,Ic)، و ولتاژهای سه‌فاز (Va,Vb,Vc) است. پس از پیش‌پردازش داده‌ها و استانداردسازی ویژگی‌ها، سه مدل یادگیری ماشین شامل XGBoost، Random Forest و شبکه عصبی چندلایه (MLP) توسعه یافته و مورد ارزیابی قرار گرفتند. به‌منظور بهبود عملکرد پیش‌بینی مدل پیشنهادی، ابرپارامترهای الگوریتم XGBoost با استفاده از روش Randomized Search Cross-Validation (RandomizedSearchCV) بهینه‌سازی شدند. نتایج آزمایش‌ها نشان داد که مدل XGBoost بهینه‌شده با دستیابی به دقت 99.63 درصد، عملکردی بهتر یا هم‌تراز با سایر مدل‌های مقایسه‌شده ارائه می‌دهد. علاوه بر این، به‌منظور افزایش تفسیرپذیری مدل، از رویکرد هوش مصنوعی توضیح‌پذیر (XAI) مبتنی بر روش SHapley Additive exPlanations (SHAP) استفاده شد تا میزان تأثیر هر ویژگی الکتریکی بر تصمیم نهایی مدل مشخص شود. نتایج تحلیل SHAP نشان داد که جریان فاز (Ia) A بیشترین تأثیر را در فرآیند تصمیم‌گیری مدل دارد و پس از آن جریان فاز (Ib) B قرار می‌گیرد. این نتایج بیانگر آن است که اندازه‌گیری‌های جریان، نسبت به اندازه‌گیری‌های ولتاژ، نقش مؤثرتری در تشخیص وضعیت سیستم در چارچوب پیشنهادی ایفا می‌کنند. نتایج حاصل از این پژوهش نشان می‌دهد که ترکیب الگوریتم XGBoost بهینه‌سازی‌شده با روش‌های هوش مصنوعی توضیح‌پذیر، راهکاری دقیق، قابل اعتماد و قابل تفسیر برای تشخیص هوشمند وضعیت سیستم‌های قدرت فراهم می‌کند.

کلمات کلیدی : تشخیص هوشمند xgboost یادگیری ماشین shap هوش مصنوعی توضیح‌پذیر جنگل تصادفی شبکه عصبی چندلایه پایش سیستم قدرت تشخیص وضعیت سیستم قدرت