مقدمه ای بر AI در سیستم های تأمین برق

تقاضای جهانی برق همچنان رو به افزایش است، با هدایت الکتریکی حمل و نقل، گسترش مرکز داده و رشد صنعتی، در عین حال، شبکه های برق باید منابع تجدید پذیر متناوب و تکنیک های نظارت سنتی و تشخیصی سنتی را در اختیار داشته باشند - اغلب با تکیه بر بازرسی های دستی و مدل های هشدار ساده آستانه - دیگر برای تضمین قابلیت اطمینان کافی نیستند.

چگونه هوش مصنوعی نظارت بر قدرت را افزایش می دهد

منابع داده و پیش پردازش

سیستم های AI داده ها را از منابع مختلف می بلعند: ولتاژ و مبدل های فعلی، سنسورهای دما، مانیتورهای جزئی، رله های محافظت و مترهای هوشمند، داده ها اغلب پر سر و صدا، بالا و زمان وابسته به خط لوله AI مدرن تمیز کردن خودکار، عادی سازی و استخراج ویژگی - وظایفی که قبلا نیاز به مهندسی دستی دارند.

مدل های یادگیری ماشینی برای تشخیص آنومای

مدل های سوپرvised (به عنوان مثال، جنگل های تصادفی، درختان با چگالی بالا) در مجموعه داده های تاریخی برچسب شده برای طبقه بندی شرایط طبیعی در مقابل غیر طبیعی عملیاتی آموزش داده می شوند. روش های نظارت نشده مانند خودکار یا جنگل های انزوا بدون نیاز به نمونه های برچسب خورده - بحرانی برای حالت های شکست در حال ظهور.

زمان واقعی و Edge Deployment

Latency یک عامل حیاتی است: چند میلی ثانیه می تواند تفاوت بین یک فلش قوسی و یک تجزیه و تحلیل مبتنی بر ابر سنتی تاخیر غیر قابل قبول را ایجاد کند. Edge AI - اجرای مدل های سبک به طور مستقیم در کنترل کننده های منطقی قابل برنامه ریزی (PLC) یا دستگاه های الکترونیکی هوشمند (IEDs) - برای مثال، یک مدل لبه می تواند یک چرخه تشخیص را به طور همزمان شکستن کند، در حالی که ارسال یک نوار مرکزی در هنگام ارسال یک نوار تشخیص، در هنگام ارسال یک زمان شکستن آن را به طور همزمان، در هنگام ارسال یک چرخه تشخیص، به طور همزمان.

برنامه های کلیدی AI در نظارت بر قدرت و تشخیص

پیش بینی نگهدارنده

تعمیر و نگهداری پیش بینی شده از ML برای پیش بینی زندگی مفید باقی مانده (RUL) از دارایی هایی مانند ترانسفورماتورها، شکستن مدار و باتری ها استفاده می کند. تجزیه و تحلیل ارتعاشی در ماشین آلات چرخۀ چرخۀ ماشین آلات، تجزیه و تحلیل گاز حل شده (DGA) در روغن ترانسفورماتور، و داده های تصویربرداری حرارتی به مدل هایی که احتمال شکست را در طول زمان پیش بینی می کنند، تغذیه می شود.

زمان واقعی Anomaly

فراتر از پیش بینی، AI در تشخیص ناهنجاری ها به عنوان آنها اتفاق می افتد. الگوریتم های خوشه ای بدون نظارت می تواند حتی انحراف های کوچک را از یک پایه آموخته شده نشان دهد - مانند افزایش تدریجی در تحریف هارمونیک که نشان دهنده یک اصلاح کننده شکست خورده است، هنگامی که همراه با داشبورد تجسم، اپراتورهای هشدار های عملی دریافت می کنند به جای یک فریب هشدار های خام.

تشخیص خطای خودکار و تجزیه و تحلیل ریشه

هنگامی که یک خطا رخ می دهد، مشخص کردن علت دقیق - چه اعتصاب رعد و برق، پوشیدن تجهیزات، یا خطای اپراتور - می تواند ساعت ها طول بکشد. موتورهای تشخیصی AI امضای رویداد را در برابر پایگاه داده ای از انواع خطا شناخته شده مقایسه کنند.شبکه های zi و مدل های استنتاج علت علت آن فضای جستجو را با رتبه بندی علل ریشه ممکن کاهش می دهد.

بهینه سازی انرژی و Load balance

AI همچنین از بهره وری عملیاتی با بهینه سازی جریان قدرت پشتیبانی می کند. عوامل یادگیری تقویت سیاست های کنترل برای تنظیم ولتاژ، سوئیچ بانک خازن و تنظیمات سوئیچ ترانسفورماتور را یاد می گیرند. این عوامل به طور پویا تعادل بار در سراسر فیدر، به حداقل رساندن زیان و جلوگیری از اضافه بار در طول تقاضای اوج، یک ارکستر AI می تواند بارهای غیر بحرانی یا تنظیم برنامه های تخلیه باتری، کاهش خریدهای به اوج قیمت.

مزایای استفاده از AI در سیستم های قدرت

افزایش قابلیت اطمینان و کاهش Downtime

تشخیص زودهنگام خطاهای قریب الوقوع مانع قطع برق می شود.هواپی.ان.ای که نظارت بر AI را اجرا کرده اند، گزارش 50 تا 70 درصد کاهش اجباری برای دارایی های تحت نظارت را کاهش می دهد.توانایی شناسایی نقاط ضعف در هفته های شبکه از قبل به طراحان اجازه می دهد تا بخش هایی را تقویت کنند تا قبل از اینکه تحت استرس شکست بخورند.

صرفه جویی در هزینه عملیاتی

تعمیر و نگهداری پیش بینی شده به طور مستقیم هزینه های تعمیر را کاهش می دهد، اما پس انداز بیشتر گسترش می یابد: کمتر تماس اضطراری، موجودی بهینه شده از قطعات یدکی، و عمر افزایش یافته تعادل بار مبتنی بر هوش مصنوعی نیز کاهش می دهد زیان انتقال - به طور معمول تا 1 - 33٪ - که به میلیون ها دلار در سال برای خدمات بزرگ ترجمه می شود.

افزایش ایمنی

قرار گرفتن در معرض انسان در مورد تجهیزات الکتریکی زنده یک خطر عمده ایمنی است.سیستم های AI می توانند زیر ایستگاه های دور و به طور خودکار مناطق خطرناک را کنترل کنند، به عنوان مثال، مدل های تصویربرداری حرارتی قبل از تبدیل شدن به خطرات فلش قوس، ایجاد روش های قفل بدون نیاز به یک خدمه برای ورود به این غرفه.

ادغام بهتر انرژی های تجدید پذیر

نسل خورشیدی و بادی متغیر و نامشخص هستند. AI پیش بینی می کند که هر دو نسل و بار با دقت بالا، اجازه می دهد اپراتورهای شبکه به برنامه ریزی ذخایر بهتر است. باتری ها و دیگر سیستم های ذخیره سازی توسط عوامل AI کنترل می شوند که به تغییرات آب و هوا و سیگنال های بازار پاسخ می دهند، و منحنی بارگذاری خالص را هموار می کنند.

چالش ها و محدودیت ها

کیفیت داده ها و دسترسی

مدل های AI تنها به اندازه داده هایی که در آن آموزش داده می شوند، خوب هستند. بسیاری از خدمات وابسته به سنسورهای میراث با نرخ نمونه برداری پایین یا پوشش ناقص است. فرمت های داده های حذف شده، از دست رفته زمان بندی، و برچسب گذاری خطا عملکرد مدل.

امنیت سایبری و حریم خصوصی

یک سیستم AI که دارایی های شبکه را کنترل می کند، یک سطح حمله جدید ایجاد می کند. ورودی های نامطلوب می توانند یک ردیاب های ناهنجاری را فریب دهند، یا یک مهاجم می تواند داده های آموزش را مسموم کند. رمزگذاری قوی، یادگیری تغذیه شده و حسابرسی مستمر مدل برای جلوگیری از بهره برداری از چارچوب های تنظیم مقررات (به عنوان مثال، NERC CIP در آمریکای شمالی) الزامات دقیقی را اعمال می کند که باید به سیستم طراحی AI متصل شوند.

توضیح و اعتماد

اپراتورهای اغلب تمایلی به عمل در توصیه های "جعبه سیاه" ندارند، اگر AI پیشنهاد سفر به خط را می دهد، اما نمی تواند توضیح دهد که چرا، کنترل کنندگان ممکن است روش های هوش مصنوعی (XAI) مانند SHAP یا LIME ارائه می دهند امتیازات مهم و توضیحات ضد واقعیت.اما XAI هنوز با مدل های یادگیری پیچیده و اعتماد به جامعه شناختی مبارزه می کنند.

ادغام با Legacy Infrastructure

اکثر سیستم های برق شامل تجهیزات قدیمی با پروتکل های ارتباطی اختصاصی (به عنوان مثال DNP3، Modbus، IEC 61850) هستند.ت.آی.آی.آی.ای.آی.تی به این محیط ها نیاز به استفاده از کاربردهای واسطه دارد که پروتکل ها را ترجمه می کنند و خدمات بهداشتی باید به دقت برنامه ریزی ارتقاء های افزایشی برای جلوگیری از مختل کردن عملیات بحرانی را انجام دهند.

دستورالعمل های آینده برای AI در سیستم های قدرت

دوقلوهای دیجیتال و یادگیری ساده

یک دوقلو دیجیتال – یک شبیه سازی مجازی از سیستم قدرت فیزیکی – اجازه می دهد تا مدل های AI در یک محیط بدون ریسک آموزش داده و معتبر شوند. عوامل یادگیری تقویت کننده می توانند میلیون ها سناریو (خطای گسل، حملات سایبری، آب و هوای شدید) را در شبیه سازی قبل از استقرار در تجهیزات زنده بررسی کنند. S چندین خدمات عمده در حال حاضر دوقلو برای انتقال و شبکه های توزیع خود می سازند.

آموزش محرمانه برای همکاری حفظ حریم خصوصی

خدمات درمانی می تواند بینش مدل را بدون افشای داده های محرمانه از طریق یادگیری تغذیه شده به اشتراک بگذارد.هر ابزار یک مدل محلی را در داده های خود آموزش می دهد و تنها به روز رسانی های مدل (درجه) در یک سرور مرکزی جمع آوری می شوند.این رویکرد آموزش را در حالی که احترام به حریم خصوصی و مرزهای نظارتی تسریع می کند.

هوش مصنوعی برای شبکه استقلال و خود-Healing

هدف تحقیقات طولانی مدت در شبکه هایی که می توانند پس از یک خطا دوباره تنظیم شوند – بخش های آسیب دیده را تقویت کرده و قدرت را در ثانیه دوباره تقویت کنند.کنترلرهای AI چندین منبع انرژی توزیع شده (DERs)، میکروشبکه ها و بارهای انعطاف پذیر را برای بازگرداندن خدمات بدون پروژه های آزمایشی انسانی در انگلستان و استرالیا هماهنگ می کنند، بازسازی خود را در کمتر از 30 ثانیه نشان داده اند.

همکاری انسان-AI

به جای جایگزینی اپراتورهای انسانی، AI به طور فزاینده ای به عنوان یک خلبان عمل می کند - ارائه پشتیبانی تصمیم گیری، برجسته کردن خطرات و پیشنهاد اقدامات رابط های اتاق کنترل نسل بعدی از واقعیت افزوده (AR) برای بیش از حد بینش AI در مورد فیدهای ویدئویی زنده، ایجاد برنامه های آموزش شهودی تکامل خواهد یافت تا به اپراتورهای آموزش دهد که چگونه توصیه های AI را تفسیر کنند و آنها را در صورت لزوم نادیده بگیرند.

ادغام هوش مصنوعی به نظارت و تشخیص منابع برق صرفاً یک بهبود تدریجی نیست – این یک تغییر اساسی به سمت سیستم های انرژی سازگار، انعطاف پذیر و کارآمد است، زیرا الگوریتم های بالغ، تثبیت خطوط لوله داده و اعتماد ساخت، AI به عنوان ضروری برای عملیات شبکه به عنوان سیم های مس و خود ترانسفورماتورها تبدیل می شود.

برای مطالعه بیشتر، ببینید قدرت وamp؛ موضوع ویژه مجله انرژی در AI در سیستم های برق ، ، هوش مصنوعی آزمایشگاه انرژی تجدید پذیر ملی برای تحقیقات ادغام شبکه ، و [LT:4U.S. دستورالعمل های انرژی سایبری برای انرژی سایبری [F5:5]