مقدمه مقدماتی

پیشرفت سریع اینترنت اشیا (IoT) تغییر شکل می دهد که چگونه شبکه های برق تحت نظارت، کنترل و حفظ قرار می گیرند.در میان تأثیرگذارترین تحولات، افزایش جمع آوری داده های هماهنگ کننده و تجزیه و تحلیل است. واحدهای اندازه گیری Phasor (PMU) مدت ها ستون فقرات سیستم های نظارت گسترده بوده اند، اما ادغام فن آوری های IoT به طور چشمگیری قابلیت های دستیابی به انرژی را بررسی می کند، به این معنی همگام سازی و انتقال سیستم های عملیاتی، به این است.

درک داده های Phasor و نقش حیاتی آن در عملیات شبکه

داده های Phasor – به طور خاص همگام سازی – ارائه می دهد یک تصویر زمان-sync، تصویر برداری بالا از حالت الکتریکی از یک سیستم قدرت، این اندازه گیری ها زاویه و فاز ولتاژ و شکل موج فعلی در زمان دقیق، به طور معمول استفاده از هماهنگ سازی GPS.

چگونه واحدهای اندازه گیری Phasor کار می کنند

ولتاژ نمونه PMU و فرم موج فعلی با نرخ 30 تا 120 نمونه در ثانیه، بسیار سریعتر از سیستم های سنتی SCADA است. هر نمونه با دقت میکرو ثانیه تنظیم شده است، که اجازه می دهد مقایسه اندازه گیری از مکان های پراکنده جغرافیایی. داده های جمع آوری شده به هماهنگ کننده داده ها (PDC) که تراز و اطلاعات برای کنترل مراکز.

برنامه های داده های Synchrophasor

داده های Synchrophasor از برنامه های کاربردی بحرانی پشتیبانی می کنند، از جمله:

  • سیستم های نظارت بر شبکه (WAMS): تجسم زمان واقعی نوسانات شبکه و تفاوت های مرحله ای.
  • ] برآورد دولت: دقت در برآورد اندازه ولتاژ و زاویه در سراسر شبکه افزایش یافته است.
  • ] [تحریم و تجزیه و تحلیل پس از مرگ]: داده های با وضوح بالا نشان می دهد توالی از اختلالات مانند گسل خط یا سفرهای ژنراتور.
  • مدل اعتبار: [FLT 1] مقایسه پاسخ های پویا با مدل های شبیه سازی برنامه ریزی سیستم قدرت را بهبود می بخشد.

بدون داده های قابل اعتماد، اپراتورهای فاقد دید لازم برای جلوگیری از شکست های کاتترینگ یا ادغام منابع تجدید پذیر متناوب به طور موثر هستند.

اینترنت اشیا: یک Paradigm جدید برای Grid Sensing

IoT دسترسی به شبکه های PMU را با جاسازی اطلاعات به دستگاه ها در هر سطح از شبکه گسترش می دهد. PMU های سنتی گران هستند، ابزارهای مستقل مستقر در ایستگاه های اصلی IoT استفاده از میکرو-PMU های پایین تر، سنسورهای هوشمند و دستگاه های لبه که تراکم نقاط اندازه گیری را بدون هزینه های متناسب افزایش می دهند.

معماری IoT برای مجموعه داده های Phasor

یک سیستم معمولی مجهز به IoT سه کراوات را ترکیب می کند:

  1. لایه شارژ: PMUs توزیع شده، سنسور های فعلی / ولتاژ و کیفیت قدرت متر که تولید جریان های همگام سازی.
  2. پروتکل هایی مانند IEEE C37.618، DNP3، و MQTT انتقال داده ها بر روی فیبر، 5G یا شبکه های خصوصی LTE برای اطمینان از تاخیر کم.
  3. لایه پرفرود: دروازه های Edge فیلترینگ و فشرده سازی اولیه را انجام می دهند، سپس داده های رو به جلو به پلتفرم های تجزیه و تحلیل مبتنی بر ابر برای ذخیره سازی و یادگیری ماشین.

این معماری، مقیاس پذیری را از ده ها PMU تا هزاران نفر – حتی صدها هزار – از نقاط اندازه گیری در مدارهای توزیع و منابع پشت متر – امکان پذیر می کند.

جریان داده های زمان واقعی و ادغام

IoT جریان داده های مداوم و با نفوذ بالا را تسهیل می کند، به عنوان مثال، یک ابزار مدرن که PMU مبتنی بر IoT را به کار می برد می تواند بیش از 1 میلیون نقطه داده را در ثانیه از یک شهر متوسط مصرف کند.این ثروت از داده ها، هنگامی که با پیش بینی آب و هوا، قیمت بازار انرژی و سوابق سلامت دارایی ادغام شده است، باز می کند آگاهی از وضعیت بی سابقه باز می شود.

مزایای کلیدی تجزیه و تحلیل Phasor IoT-Enabled

هماهنگی بین داده های IoT و پیزن مزایای تحول آفرین ایجاد می کند، در زیر ما مهم ترین مزایای را بررسی می کنیم.

افزایش ثبات شبکه و پاسخ واقعی

با IoT، اندازه گیری های phasor در مراکز کنترل با اپراتورهای تأخیر زیر ثانیه می تواند جدایی زاویه ای بین مناطق را تشخیص دهد و اقدامات اصلاحی را آغاز کند - مانند نسل قرمز یا ریزش بار - قبل از اینکه بی ثباتی منتشر شود، در طی یک اختلال در اتصال غربی، شبکه های IoT-augmented PMU یک تفاوت در حال رشد 5 درجه ای از فاز 3 را شناسایی کردند که اجازه می دهد یک پاسخ موفق باشد.

کارایی عملیاتی و تصمیم گیری خودکار

سیستم عامل های IoT تجزیه و تحلیل داده های پیزن را خودکار می کنند.مدل های یادگیری ماشین که در جریان های همگام سازی تاریخی آموزش دیده اند می توانند اختلالات را در زمان واقعی طبقه بندی کنند – تجزیه و تحلیل بین یک خطا، یک رویداد تغییر یا یک تغییر بار، این بار را کاهش می دهد و کاهش به معنای زمان برای تشخیص ناهنجاری ها از دقیقه به ثانیه است.

پیش بینی تعمیر و نگهداری و مدیریت دارایی

داده های Phasor نشان می دهد امضاهای ظریف از تخریب تجهیزات.به عنوان مثال، یک ترانسفورماتور که تغییر شکل پیچ و تاب داخلی را تجربه می کند، آسیب های متمایز در تجزیه و تحلیل فعلی را ایجاد می کند. IoT می تواند هفته ها قبل از یک شکست فاجعه بار هشدار دهد، که امکان نگهداری مبتنی بر شرایط را فراهم می کند. یکی از ابزار اصلی آمریکای شمالی زندگی نرخ تغییر-فرایند (ROF) با استفاده از بینش پیش بینی 20٪ از داده های پیش بینی شده است.

مقیاس پذیری و هزینه-Effe Deployment

از لحاظ تاریخی، هزینه های نصب PMU برای نظارت بر سطح توزیع ممنوع بود. IoT میکرو-PMUs، که هزینه بخش کوچکی از واحدهای سنتی را دارد و بر روی زیرساخت های بی سیم موجود ارتباط برقرار می کند، پروژه آزمایشی گسترده ای در کالیفرنیا، 200 میکرو PMU را در توزیع 12 کیلو ولت برای $ -کمتر از هزینه یک زیر ایستگاه واحد PMU نصب این مقیاس پذیری منابع حیاتی (منابع شبکه های برق توزیع شده) قرار می دهد.

آدرس چالش در سیستم های Phasor IoT-Driven

علی رغم وعده های آن، ادغام IoT با جمع آوری داده های پیزنورت چالش های متعددی را معرفی می کند که باید برای عملیات قابل اعتماد حل شود.

امنیت سایبری و حریم خصوصی داده ها

داده های Phasor برای ثبات شبکه حیاتی است؛ سازش آن می تواند حملاتی را که باعث خاموشی می شوند، دستگاه های IoT اغلب منابع محاسباتی محدودی دارند و آنها را در برابر بهره برداری ایمن بوت، رمزگذاری سبک وزن (به عنوان مثال، TLS 1.3)، و به روز رسانی های منظم سیستم عامل ضروری است. موسسه ملی استانداردها و فناوری (NIST) IR 8316 (F:0IoT) دستگاه هدایت امنیت سایبری [F:1:1]

قابلیت اطمینان شبکه و Latency

برنامه های Synchrophasor نیاز به تاخیر تعیین کننده دارند - اغلب کمتر از 50 میلی ثانیه برای اقدامات کنترلی اصلاحی.شبکه های ارتباطی IoT باید کیفیت خدمات را تضمین کنند. رویکردهای هیبریدی با استفاده از ستون فقرات فیبر نوری برای زیر ایستگاه ها و 5G برای گره های توزیع می توانند این نیازها را برآورده کنند.

استاندارد سازی و Interoperability

اکوسیستم PMU به استاندارد IEEE C37.618 برای انتقال داده های همگام سازی متکی است.سیستم های IoT پروتکل هایی مانند MQTT، OPC UA و REST APIs را بدون هماهنگی دقیق، سیلوهای داده ظهور می کنند. Grid Modernization Initiative (GMI) تشویق می کند (FLT:0interoperability Frameworks که نیاز به پشتیبانی از این سیستم های API باز دارند.

مسیر های آینده: AI، Edge Computing و Beyond

موج بعدی نوآوری، هوش را به منبع داده نزدیک تر می کند و تجزیه و تحلیل های پیشرفته را به اقیانوس در حال رشد اندازه گیری های phasor اعمال می کند.

Edge Analytics برای پردازش کم ارتفاع

دستگاه های محاسباتی Edge که در زیر ایستگاه ها قرار می گیرند یا حتی در قطب ها می توانند الگوریتم های تجزیه و تحلیل سبک را به صورت محلی اجرا کنند.این پهنای باند مورد نیاز برای انتقال داده های خام را کاهش می دهد و پاسخ زیر چرخه را فعال می کند - به عنوان مثال، سفر به یک بانک خازن در عرض 15 ثانیه از شناسایی یک سیستم عامل ضد ولتاژ. NVIDIA’s Jetson و ابزار OpenVINO اینتل برای استفاده از چنین استقرار هایی مورد آزمایش قرار می گیرد.

یادگیری ماشینی برای تشخیص و پیش بینی آنوما

مدل های یادگیری عمیق، به ویژه شبکه های عصبی پیوسته و مکرر، در تشخیص الگو در داده های زمان-سری، محققان در IEEE Power &؛ جامعه انرژی نشان داده اند که مدل های مبتنی بر LSTM می توانند حاشیه های ثبات ترانس را پیش بینی کنند 2 تا 5 ثانیه با استفاده از پیوست های همگام سازی، این پنجره ای برای اقدامات کنترل پیشگیرانه باز می کند.

ادغام با منابع انرژی توزیع شده

با رشد انفجاری انرژی خورشیدی، باد و ذخیره سازی باتری، داده های مقیاس پذیر از سنسورهای IoT برای مدیریت جریان های انرژی دو جهت ضروری خواهد بود. (PMUs فعال IoT می تواند به کنترل های اینورتر برای تنظیم خروجی انرژی واکنشی در زمان واقعی، حفظ ثبات ولتاژ ایالات متحده (FLT:0 SunShot Initiative [FLT: 1، بدون هماهنگی داده ها و هماهنگی اطلاعات از پشت بام های اتصال استفاده می کند.

نتیجه گیری

ازدواج IoT و جمع آوری داده های پیزن در حال تبدیل نظارت شبکه برق از یک فعالیت منفعل و با وضوح پایین به یک سیستم هوش پویا، با توانایی استقرار سنسور عظیم، جریان زمان واقعی و تجزیه و تحلیل پیشرفته IoT، اپراتورهای شبکه را قادر می سازد تا اختلالات را زودتر، پاسخ سریع تر و برنامه ریزی با اطمینان بیشتری ببینند، در حالی که چالش هایی مانند تاخیر، و تجزیه و تحلیل استاندارد کربن، به عنوان راه حل های یکپارچه سازی مداوم، ادامه می دهند.