Физически обоснованное прогнозирование остаточного ресурса фотоэлектрических инверторов и телекоммуникационных выпрямителей в условиях не симметрии напряжения методом градиентного бустинга: имитационное исследование
Ключевые слова:
несимметрия напряжени, остаточный ресурс (RUL), XGBoost, машинное обучение с физическими признаками, конформное предсказание, утечка данных, протокол оценивания, фотоэлектрический инвертор, электропитание телекоммуникаций, предиктивное обслуживаниеАннотация
Длительная несимметрия напряжения сокращает срок службы трёхфазного оборудования распределённых объектов — сетевых фотоэлектрических (PV) инверторов и выпрямительных станций телекоммуникаций - за счёт дополнительных потерь и ускоренного теплового старения. Поскольку данных «до отказа» для таких активов не существует, оценивается гибридный конвейер: физическая модель накопленного повреждения порождает траектории деградации, а регрессор XGBoost обучается остаточному ресурсу (RUL) по признакам несимметрии и тепловой нагрузки. Главный результат — методологический: данные кластеризованы (20 498 наблюдений с 520 объектов), поэтому разбиение на уровне наблюдений даёт = 0.812; при полностью объектно-раздельном протоколе модель достигает 0.726 ± 0.033 по 12 зёрнам генератора, а удаление физического индекса повреждения стоит лишь 0.087 ± 0.016 вместо 1.03. Конформные интервалы дают покрытие 84.3 % при номинальных 80 % (61.5–94.5 % по квинтилям); трёхуровневый слой рекомендаций по симметрированию достигает точности 91.6 % ( = 0.771) против 63.9 % у правила без модели. Симуляционная циркулярность исследования указана открыто; переносимым результатом считается вывод о протоколе оценивания
Библиографические ссылки
GOST 32144-2013. Electric energy. Electromagnetic compatibility of technical equipment. Power quality limits in public power supply systems. Interstate Council for Standardization, Metrology and Certification, 2013.
EN 50160:2010. Voltage characteristics of electricity supplied by public electricity networks. CENELEC, 2010.
IEC 61000-4-30:2015. Electromagnetic compatibility (EMC) — Part 4-30: Testing and measurement techniques — Power quality measurement methods. IEC, 2015.
J. P. G. de Abreu and A. E. Emanuel, “Induction motor thermal aging caused by voltage distortion and imbalance: Loss of useful life and its estimated cost,” IEEE Transactions on Industry Applications, vol. 38, no. 1, pp. 12–20, 2002.
P. Gnaciński, “Windings temperature and loss of life of an induction machine under voltage unbalance combined with over- or undervoltages,” IEEE Transactions on Energy Conversion, vol. 23, no. 2, pp. 363–371, 2008.
V. M. Montsinger, “Loading transformers by temperature,” Transactions of the American Institute of Electrical Engineers, vol. 49, no. 2, pp. 776–790, 1930.
H. Wang and F. Blaabjerg, “Reliability of capacitors for DC-link applications in power electronic converters — An overview,” IEEE Transactions on Industry Applications, vol. 50, no. 5, pp. 3569–3578, 2014.
A. Saxena, K. Goebel, D. Simon, and N. Eklund, “Damage propagation modeling for aircraft engine run-to-failure simulation,” in Proc. International Conference on Prognostics and Health Management (PHM), Denver, CO, 2008, pp. 1–9.
X.-S. Si, W. Wang, C.-H. Hu, and D.-H. Zhou, “Remaining useful life estimation — A review on the statistical data driven approaches,” European Journal of Operational Research, vol. 213, no. 1, pp. 1–14, 2011.
Y. Lei, N. Li, L. Guo, N. Li, T. Yan, and J. Lin, “Machinery health prognostics: A systematic review from data acquisition to RUL prediction,” Mechanical Systems and Signal Processing, vol. 104, pp. 799–834, 2018.
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, 2016, pp. 785–794.
L. Grinsztajn, E. Oyallon, and G. Varoquaux, “Why do tree-based models still outperform deep learning on typical tabular data?,” in Advances in Neural Information Processing Systems 35 (NeurIPS 2022), Datasets and Benchmarks Track, 2022.
R. Shwartz-Ziv and A. Armon, “Tabular data: Deep learning is not all you need,” Information Fusion, vol. 81, pp. 84–90, 2022.
S. Zheng, K. Ristovski, A. Farahat, and C. Gupta, “Long short-term memory network for remaining useful life estimation,” in Proc. IEEE International Conference on Prognostics and Health Management (ICPHM), Dallas, TX, 2017, pp. 88–95.
Y. Romano, E. Patterson, and E. J. Candès, “Conformalized quantile regression,” in Advances in Neural Information Processing Systems 32 (NeurIPS 2019), 2019, pp. 3538–3548.
V. Vovk, A. Gammerman, and G. Shafer, Algorithmic Learning in a Random World, 2nd ed. Cham, Switzerland: Springer, 2022.
M. A. Miner, “Cumulative damage in fatigue,” Journal of Applied Mechanics, vol. 12, no. 3, pp. A159–A164, 1945.
S. M. Lundberg and S.-I. Lee, “A unified approach to interpreting model predictions,” in Advances in Neural Information Processing Systems 30 (NeurIPS 2017), 2017, pp. 4765–4774.
ANSI/NEMA MG 1-2024. Motors and Generators, §14.36. National Electrical Manufacturers Association, 2024.
IEC 60034-26:2026. Rotating electrical machines — Part 26: Effects of unbalanced voltages on the performance of three-phase cage induction motors, 2nd ed. IEC, 2026.
H. Wang, P. Davari, H. Wang, D. Kumar, F. Zare, and F. Blaabjerg, “Lifetime estimation of DC-link capacitors in adjustable speed drives under grid voltage unbalances,” IEEE Transactions on Power Electronics, vol. 34, no. 5, pp. 4064–4078, 2019.
IEEE Std C57.91-2025. IEEE Guide for Loading Mineral-Oil-Immersed Transformers and Step-Voltage Regulators. IEEE, 2026.
IEC 60216-1:2025. Electrical insulating materials — Thermal endurance properties — Part 1: Ageing procedures and evaluation of test results, 7th ed. IEC, 2025.
M. Arias Chao, C. Kulkarni, K. Goebel, and O. Fink, “Fusing physics-based and deep learning models for prognostics,” Reliability Engineering & System Safety, vol. 217, art. no. 107961, 2022.
M. Arias Chao, C. Kulkarni, K. Goebel, and O. Fink, “Aircraft engine run-to-failure dataset under real flight conditions for prognostics and diagnostics,” Data, vol. 6, no. 1, art. no. 5, 2021.
L. Liao and F. Köttig, “Review of hybrid prognostics approaches for remaining useful life prediction of engineered systems, and an application to battery life prediction,” IEEE Transactions on Reliability, vol. 63, no. 1, pp. 191–207, 2014.
S. Peyghami, P. Palensky, and F. Blaabjerg, “An overview on the reliability of modern power electronic based power systems,” IEEE Open Journal of Power Electronics, vol. 1, pp. 34–50, 2020.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
