درک واحد های اندازه گیری Phasor و Synchrophasor Data

شبکه های برق مدرن به اندازه گیری دقیق و زمان بندی شده برای حفظ ثبات متکی هستند. واحد های اندازه گیری PMUs (PMUs) دستگاه های اصلی هستند که این داده ها را بر خلاف سیستم های سنتی SCADA، که به طور معمول گزارش هر 2-4 ثانیه، ولتاژ نمونه PMU و فرم های موج فعلی در نرخ 30 تا 120 نمونه در ثانیه، همه از طریق GPS هماهنگ شده اند تا اندازه گیری های شبکه های کوچک، به عنوان سرعت بالا و همگام سازی بالا، به سرعت بالا، سرعت کنترل سرعت بالا، سرعت بالا و همگام سازی، سرعت بالا، سرعت بالا، سرعت سرعت سرعت سرعت سرعت بالا را فراهم می کند.

داده های Synchrophasor اپراتورهای را قادر می سازد تا رفتار پویا سیستم قدرت را همانطور که اتفاق می افتد، مشاهده کنند. تفاوت زاویه فاز بین اتوبوس ها نشان دهنده استرس در خطوط انتقال است و انحراف فرکانس نشان دهنده عدم تعادل نسل بار است.با هزاران PMU مستقر در سراسر جهان، حجم داده های جریان بسیار زیاد است.

نقش هوش مصنوعی در عملیات شبکه

هوش مصنوعی، به ویژه یادگیری ماشینی و یادگیری عمیق، در استخراج الگوهای عملی از داده های سری با ابعاد بالا، زمان بالا، برتری دارد.در زمینه داده های PMU، الگوریتم های AI می توانند پیش بینی های ظریف را به بی ثباتی، طبقه بندی خطاهای با دقت بالا، و پیش بینی پاسخ سیستم تحت نظارت های مختلف، سیستم قدرت را از واکنش فعال به فعال و حتی پیش بینی می کنند.

تکنیک های کلیدی AI برای داده های Phasor

  • آموزش عالی: مدل های طبقه بندی آموزش دیده در داده های PMU برچسب می تواند انواع خطا (به عنوان مثال، تک خط به پیش زمینه، سه فاز خطا) با دقت بیش از 99٪، قادر به تصمیم گیری سریع رله های محافظ.
  • یادگیری بدون نظارت: الگوریتم خوشه ای تشخیص شرایط عامل غیر طبیعی بدون برچسب های تاریخی، مفید برای کشف الگوهای بی ثباتی جدید است.
  • یادگیری برش با LSTMs و ترانسفورماتورها: شبکه های حافظه کوتاه مدت، وابستگی های زمانی را در جریان های همگام سازی، ایده آل برای پیش بینی سقوط ولتاژ یا نوسانات گذرا ثانیه قبل از وقوع آنها.
  • آموزش تقویت کننده: [FLT 1] کنترل کنندگان مبتنی بر عامل با تعامل با شبیه ساز شبکه، قادر به کنترل اضطراری مستقل هستند، اقدامات اصلاحی بهینه را یاد می گیرند.

این تکنیک ها منحصر به فرد نیستند.مدل های ترکیبی که شبکه های عصبی آگاهانه فیزیک را با معادلات سیستم قدرت سنتی ترکیب می کنند، هم دقت بالا و هم تفسیر را به دست می آورند.

برنامه های گسترده ای از AI-Integrated PMU Data

آگاهی از وضعیت واقعی- زمان-Isa

داشبوردهای مبتنی بر AI که داده های PMU را از چندین سرویس ادغام می کنند، اپراتورهای را با یک تصویر منسجم و زمان واقعی از نوسانات متقابلarea، حاشیه های ثبات ولتاژ و بار حرارتی فراهم می کنند، به عنوان مثال، اتصال متقابل غربی در آمریکای شمالی از نظارت مبتنی بر PMU با یادگیری ماشین برای تشخیص تخریب در تعدیل های کم فرکانسی استفاده می کند.

پیش بینی و بهداشت دارایی

با تجزیه و تحلیل ضبط PMU از جریان های تبدیل کننده، چرخش مدار، و رفتار ضد پیری خط، مدل های AI می توانند زندگی مفید باقی مانده از دارایی های حیاتی را برآورد کنند.یک مدل یادگیری عمیق آموزش داده شده در داده های phasor از 500 تبدیل کننده های ولتاژ می تواند تخریب را با زمان سرب هفته ها پیش بینی کند، اجازه می دهد تا خدمات برای تعمیر و نگهداری برنامه ریزی شده به جای تعمیرات اضطراری بهبود این قابلیت اطمینان و اطمینان هزینه ها.

جریان قدرت بهینه با اصلاح های AI-Driven

جریان قدرت بهینه سنتی (OPF) حل کنندگان به مدل های آفلاین متکی هستند که ممکن است با شرایط واقعی مطابقت نداشته باشند. روشهای AI که داده های زنده PMU را مصرف می کنند می توانند نقاط تعیین کننده نسل را تنظیم کنند و ترانسفورماتورهای تغییر دهنده را برای به حداقل رساندن زیان در حالی که به محدودیت های ولتاژ اخیر توسط موسسه تحقیقات برق الکتریکی (EPRI) نشان داد که کاهش 5% در انتقال از طریق استفاده از یک عامل یادگیری است که هر دو ثانیه به روز رسانی شده است، به طور سریع با توجه به روز رسانی سیستم های نفوذ، به روز رسانی شده است.

تشخیص خطا و طبقه بندی

سیستم های هوش مصنوعی مبتنی بر PMU می توانند خطاهای موجود در یک چرخه را مشخص کنند.شبکه های عصبی کانولوی که به فرم های موج ولتاژ PMU اعمال می شوند، انواع خطا را طبقه بندی می کنند و محل خطا را با دقت بهتر از ۹۵٪ در عرض ۲٪ طول خط، این سرعت و قطع دقیق مدت زمان کاهش می دهد و به اپراتورهای اجازه می دهد تا به طور مستقیم به محل خطا، زمان بازسازی را به طور مستقیم تعمیر کنند.

پاسخ اضطراری و کنترل جزیره

در طول حوادث شدید مانند طوفان یا حملات سایبری، عوامل AI با استفاده از داده های PMU باید تصمیم های دو ثانیه ای را به عمد بخش های جزیره از شبکه بگیرند.کنترلرهای یادگیری تقویت کننده آموزش دیده در هزاران سناریو شبیه سازی شده می توانند مرزهای جزیره مطلوب و تعادل نسل هرتز را برای حفظ بارهای بحرانی در یک سیستم 2000-bus نشان دهند که چنین عواملی در طی یک رویداد ±0.1 هرتز فرکانس را حفظ می کنند.

مزایای استفاده از Synergizing Phasor Data با AI

  • ثبات پایدار: AI تشخیص بی ثباتی ولتاژ و نوسانات زاویه ای قبل از تبدیل شدن به غیر قابل کنترل، ارائه ده ها ثانیه برای انجام اقدامات اصلاحی.
  • بهره وری بهبود یافته: کاهش زیان از طریق ارسال بهینه و کاهش خطا منجر به کاهش هزینه های عملیاتی و سرمایه گذاری زیرساخت های انتقالی.
  • افزایش قابلیت اطمینان: هشدار اولیه خرابی تجهیزات و تخلیه سریع خطا به حداقل رساندن فرکانس و مدت وقفه.
  • کنترل خود-خود- خود-ایمنی: AI شبکه را قادر می سازد تا خود را در پاسخ به تغییر شرایط بدون دخالت انسان، یک ویژگی کلیدی از معماری شبکه های هوشمند، دوباره پیکربندی کند.

چالش ها و محدودیت های فعلی

علی رغم وعده آن، ادغام هوش مصنوعی و داده های PMU با موانع متعددی مواجه است.کیفیت داده ها یک نگرانی اولیه است: هماهنگ سازی زمان GPS باید در داخل 1 μ حفظ شود؛ بسته های از دست رفته یا اندازه گیری های متخلخل می تواند عملکرد مدل را تضعیف کند. امنیت سایبری یکی دیگر از مسائل مهم است، زیرا سیستم های AI تبدیل به بردار می شوند اگر به درستی سخت نیست.

هزینه های زیرساختی نیز یک مانع باقی مانده است. Deploying PMU در هر زیر ایستگاه گران است، و شبکه ارتباطی باید از پایین بودن، جریان پهنای باند بالا پشتیبانی کند، استانداردهای آموزش AI نیاز به داده های همگام سازی مانند داده های همگام سازی و IEC 61850 برای کمک اتوماسیون زیر ایستگاه دارند، اما مسائل مربوط به قابلیت همکاری همچنان ادامه دارد، علاوه بر این مدل های آموزش AI نیاز به داده های بزرگ دارند که به خرابی های انتقال نادر مانند خرابی های انتقال داده های نادر هستند.

مسیر های آینده و تحقیقات نوظهور

مرز بعدی AI برای داده های PMU است.با استقرار شبکه های عصبی سبک به طور مستقیم در واحدهای PMU یا دروازه های فرعی، تاخیر تصمیم می تواند به کمتر از 5 میلی ثانیه کاهش یابد، و بدون انتظار برای یک مرکز کنترل مرکزی، اقدامات سطح حفاظت را قادر می سازد.این برای پدیده های با سرعت بالا مانند resonance زیر در مزارع بادی بسیار مهم است.

دوقلوهای دیجیتال شبکه های برق که شبیه سازی های زمان واقعی را با داده های PMU زنده اجرا می کنند، به اپراتورهای اجازه می دهد تا سناریوهایی را که به طور مداوم وجود دارد، آزمایش کنند.آزارهای AI قبل از استقرار در دارایی های فیزیکی، کاهش خطر، در دوقلوی دیجیتال آموزش می دهند.

یکی دیگر از زمینه های برش لبه یادگیری ماشین کوانتومی برای پردازش همگام سازی است. الگوریتم های کوانتومی ممکن است مشکلات بهینه سازی ترکیبی (به عنوان مثال، تعهد واحد با هزاران ژنراتور) سفارشات به اندازه سریع تر از روش های اولیه تحقیقات اولیه از آزمایشگاه ملی شمال غربی اقیانوس آرام نشان می دهد که ماشین های پشتیبانی کوانتومی می توانند حاشیه های مبتنی بر PMU را با دقت برابر با مدل های کلاسیک اما با نمونه های آموزش های غیر نمادین طبقه بندی کنند.

استاندارد و همکاری، ابتکارات پذیرش را تسریع می کند، مانند طرح SynchroPhasor آمریکای شمالی (NASPI) و شبکه اروپایی اپراتورهای سیستم انتقال (ENTSO-E) چارچوب هایی برای به اشتراک گذاری داده های PMU و بهترین شیوه های ادغام AI ارائه می دهد.

نتیجه گیری

همجوشی داده های با وضوح بالا با هوش مصنوعی پیشرفته دیگر یک کنجکاوی آزمایشگاهی نیست، بلکه یک ضرورت عملی برای سیستم های قدرت مدرن است.از نوسان زمان واقعی تا تعمیر و نگهداری پیش بینی و جزیره سازی مستقل، AI پتانسیل کامل سرمایه گذاری های PMU را باز می کند، در حالی که چالش های مربوط به کیفیت داده، امنیت سایبری، و تفسیر، مداوم و خلبانان صنعت به طور مداوم بر آنها نظارت می کنند و سیستم کنترل سیستم های شبکه های برق رسانی پیشرفته، به عنوان قابلیت اطمینان بخش های بعدی، به آغوش می گیرند.

برای مطالعه بیشتر، گزارش های فنی NASPI را در مورد برنامه های داده PMU ، ، ، وزارت انرژی برنامه مدرن سازی [FLT3] و EPRI AI برای عملیات شبکه سفید :5].