הבנת יחידות מדידה Phasor ו-Synchrophasor Data

רשתות חשמל מודרניות מסתמכות על המדידות מדויקות, מסונכרנות זמן כדי לשמור על יציבות.יחידות Phasor Measurement (PMUs) הן המכשירים הליבה שלוכדים את הנתונים האלה.בניגוד למערכות SCADA מסורתיות, אשר בדרך כלל מדווחות כל 2-4 שניות, מתח מדגם PMUs וגלימות הגל הנוכחי בשיעור של 30 עד 120 דגימות בשנייה, כל מסונכרן באמצעות GPS בתוך מיקרו-שנייה, אשר נקראים מדידות רחבות של זמן, אשר מספקים, אשר הן רמות בקרה גבוהה של הגנה, אשר הן ברמה של זמן, והן ברמה גבוהה של הגנה.

נתונים סינכרוורים מאפשרים למפעילים לראות את ההתנהגות הדינמית של מערכת החשמל כפי שהיא מתרחשת.שלב ההבדלים בין אוטובוסים מצביעים על לחץ על קווי שידור, וסטיות תדר לחשוף חוסר איזון של הדור.עם אלפי PMUs פרוס ברחבי העולם, נפח של נתוני הזרמה הוא עצום.ניתוח ידני כבר לא סביר, שבו אינטליגנציה מלאכותית הופכת להיות חיונית.

התפקיד של בינה מלאכותית בפעילות גריידית

אינטליגנציה מלאכותית, במיוחד למידת מכונה ולמידה עמוקה, עולה על מיצוי דפוסים ניתנים להפעלה מהנתונים עתירי זמן גבוהים, בזמן-זמן. בהקשר של נתוני PMU, אלגוריתמים AI יכולים לזהות מבשרים עדינים לאי-יציבות, לסווג פגמים עם דיוק גבוה, ולנבא תשובות מערכת תחת התאמות שונות.יכולות אלה הופכות את השליטה במערכת החשמל מפעולת-Reactive to ו- אפילו חיזוי.

טכניקות בינה מלאכותית מפתח עבור נתונים

  • (FLT:0) מודלים של למידה: FLT:1 מסווגים על נתונים של PMU מתויגת יכול לזהות סוגים של תקלות (למשל, קו אחד אל הקרקע, שלוש נקודות) עם יותר מ 99% דיוק, המאפשר החלטות ממסר מגן מהיר.
  • (FLT:0) למידה בלתי מבוקרת: אלגוריתמים קלוסטרינג 1 (Clustering) מזהים תנאי הפעלה בלתי-מועילים ללא תוויות היסטוריות, שימושיים לגילוי דפוסי חוסר יציבות חדשים.
  • (FLT:0) למידה עם LSTMs ו- Transformersib:FLT ( 1:1 Long Short-Term Memory רשתות ללכוד תלות זמנית בזרמים מסנכרנים, אידיאלי לחיזוי קריסת מתח או תנודות טרנסנדנטליות לפני שהם מתרחשים.
  • (FLT:0) Reinforcement Learning:FLT:1eurs מבוסס הסוכן לומדים פעולות נכונות אופטימליות על ידי אינטראקציה עם סימולטורים ברשת, המאפשר בקרת חירום אוטונומית.

טכניקות אלה אינן מודלים היברידיים בלעדיים המשלבים רשתות עצביות בעלות משוואות מערכת חשמל מסורתיות להשיג דיוק גבוה ופירוש.

יישומים מורחבים של AI-Integrated PMU Data

מודעות מצבית-זמן אמת-ארוחת

לוחות מחוונים מופעלים על ידי AI הממזגים את נתוני PMU ממגוון רחב של כלי רכב מספקים למפעילים תמונה קוהרנטית, בזמן אמת של תנודות בין-שטח, פערי יציבות מתח, ועומס תרמי.לדוגמה, ההתערבות המערבית בצפון אמריקה משתמשת ניטור מבוסס PMU עם למידת מכונה כדי לזהות הפחתה לחות בתנודות נמוכות של ⁇ s.

תחזוקה חיזויית ובריאות נכסים

על ידי ניתוח הקלטות של PMU של טרנספורמציה זרמים, שבר המעגל מעבר טראנסים, ו קו רוח התנהגות, מודלים AI יכולים להעריך חיים שימושיים של נכסים קריטיים.מודל למידה עמוק מאומן על נתונים מ 500 kV ממירים יכולים לחזות ירידה בדלקת עם זמנים מובילים של שבועות, המאפשרים שירותים לקבוע תחזוקה במהלך מצופה החוצה, ולא תיקונים חירום.

אפשרויות ל- AI-Driven Corrections

זרם חשמל מסורתי אופטימלי (OPF) פותרים להסתמך על מודלים לא מקוונים שעשויים לא להתאים לתנאים בזמן אמת. שיטות AI כי נתוני PMU חיים ביותר יכולים להתאים את נקודות הדור ואת הטרנספורמציה המשתנה הקש כדי למזער הפסדים תוך שמירה על מגבלות מתח.טייס לאחרונה על ידי מכון מחקר כוח חשמלי (EPRI) הראה ירידה של 5% בהפסדים באמצעות סוכן למידה שעודכן כל שנייה על בסיס סינכרונכררופה על זה הוא משוב מהיר במיוחד עם רשתות מתחדשות.

גילוי והתאמה

מערכות בינה מלאכותית מבוססות ראש הממשלה יכולות לזהות תקלות בתוך מחזור אחד.רשתות עצביות מהפכתיות החלות על מנת למתח של PMU לסווג סוגים של תקלות ולהעריך את המיקום של תקלות עם דיוק טוב יותר מ-95% בתוך 2% מאורך קו.מהירות זו ודיוק להפחית את משך הזמן ומאפשרות למפעילים לשלוח אנשי צוות ישירות למיקום השבר, קיצוץ זמן עד שעות.

תגובה חירום ושליטה באיים

במהלך אירועים קיצוניים כגון סערות או מתקפות סייבר, סוכני AI המשתמשים בנתונים של PMU חייבים לקבל החלטות מפוצלות שנייה על חלקים באי במכוון של הרשת. Reinforcement Learning Controllers מאומן על אלפי תרחישים מדומים יכולים לקבוע את הגבולות אופטימליים ואת האיזון עומס הדור כדי לקיים עומסים קריטיים.מבחנים על מערכת הפעלה סינתטית 2000 הרץ מראה כי סוכנים כאלה לשמור על תדירות בתוך ±0.1 במהלך אירוע של אי, בהשוואה לפקדים קונבנציונליים.

היתרונות של Synergizing Phasor נתונים עם AI

  • (ב) ,0) יציבות יציבה: FLT:1 , AIRE מזהה חוסר יציבות מתח בלתי יציב ונווטים זוויתיים לפני שהם הופכים בלתי נשלטים, ומספקים עשרות שניות לפעולת תיקון.
  • יעילות מוכחת:0 (החליפה:0)ההפסדים מופחתים באמצעות משלוח אופטימלי ופגיעה בהפחתה של עלויות התפעול נמוכות יותר והשקעות תשתית מופרכות.
  • (ב) אמינותה של ה-FLT:0) ,האזהרה מוקדמת של כשלי ציוד וניקוי תקלות מהיר מצמצם את תדירות ההפרעות ומשך ההפרעות.
  • (FLT:0) שליטה עצמית, שליטה עצמית: ⁇ FLT 1 AI מאפשר לרשת להגדיר את עצמה בתגובה לשינויים בתנאים ללא התערבות אנושית, תכונה מרכזית של ארכיטקטורות רשת חכמה.

אתגרים והגבלות נוכחיות

למרות ההבטחה שלה, שילוב של נתונים AI ו- PMU עומד בפני כמה מכשולים.איכות נתונים היא דאגה עיקרית: סינכרון זמן GPS יש לשמור על בתוך 1 מיקרו; חפיסות אבודות או מדידות spoofed יכול degrade ביצועים מודל ביצועים. Cybersecurity הוא נושא קריטי נוסף, שכן מערכות בינה מלאכותית הופכות לתוקפים וקטורים אם לא מופעל כראוי.

עלויות תשתית גם נשאר מחסום. Deploying PMUs בכל תת-התשכות הוא יקר, ואת רשת התקשורת חייב לתמוך בעקביות נמוכה, זרם גבוה פסוט. תקנים כגון IEEE C37.118 עבור סנכרון נתונים ו- IEC 61 850 עבור עזרה אוטומציה תת-קרקעית, אבל בעיות בין-מיומנות נמשכת.בנוסף, מודלים של AI דורשים נתונים גדולים, אשר הם בקושי נבדקים כמו אירועים נדירים של למידה.

כיוונים עתידיים ומחקרים עתידיים

הגבול הבא הוא קצה AI עבור נתונים PMU. על ידי פריסת רשתות עצביות קלות על יחידות PMU או שערות תת-קרקעי, שקיפות החלטות ניתן להפחית מתחת 5 מ"ת שניות, המאפשר פעולות ברמת הגנה ללא המתנה למרכז בקרה מרכזי.זה חיוני לתופעות מהירות גבוהה כגון התחדשות תת-סיונכרונית בחוות רוח.

תאומים דיגיטליים של רשתות חשמל המפעילות סימולציות בזמן אמת על ידי נתוני PMU החיים יאפשרו למפעילים לבדוק מה אם תרחישים ברציפות. סוכני AI יאמן בתאום הדיגיטלי לפני הפריסה על נכסים פיזיים, צמצום הסיכון.המחלקה האמריקאית של מעבדת המודרניזציה של אנרגיה כבר מדגימה גישה זו במספר אתרי שירות, עם תוצאות מבטיחות עבור רגולציה מתח וניהול גודש.

אזור חדשני נוסף הוא למידת מכונה קוונטית עבור עיבוד סנכרון.אלגוריתמים קוונטיים עשויים לפתור בעיות אופטימיזציה משולבת (למשל, מחויבות יחידה עם אלפי גנרטורים) הזמנות של גודל מהר יותר מאשר שיטות קלאסיות.מחקר מוקדם של המעבדה הלאומית של האוקיינוס השקט מראה כי מכונות תמיכה קוונטית וקטור יכול לסווג שולי אחריות מבוסס PMU עם דיוק שווה למודלים קלאסיים, אבל עם פחות דגימות הכשרה אקספוננציאלית.

תקנים ושיתוף פעולה יזרזו את אימוץ היוזמה, כגון יוזמת SynchroPhasor (NASPI) ואת הרשת האירופית של מפעילי מערכת Transmission System (SO-E) לספק מסגרות לשיתוף נתונים של PMU ושיטות הטובות ביותר עבור שילוב AI. כמו מאמצים אלה בוגר, החזון של רשת אוטונומית לחלוטין, self-healing הופכת להיות מוחשית יותר ויותר.

מסקנה

ההיתוך של נתונים ברזולוציה גבוהה עם אינטליגנציה מלאכותית מתקדמת כבר לא סקרנות מעבדה אלא צורך מעשי עבור מערכות חשמל מודרניות.ממתקופת אמת oscillation לחיבוק חיזוי ואייטינג אוטונומי, AI פותח את מלוא הפוטנציאל של השקעות PMU. בעוד אתגרים הקשורים איכות נתונים, אבטחת סייבר, ופירושיות להישאר, מחקר מתמשך וטייסים הם מעליהם בהתמדה.

(ב) לקריאה נוספת, ראה את הדו"חות הטכניים של נאס"א על יישומי נתונים של PMU: 1.10.10.17, עיין בבקשות נתונים של PMU:2, מחלקת האנרגיה של מודרניזציה גרידאלית של מודרניזציה (Gate Modernization InitiativeFLT 3: , ו-FLT:4EPRI's AI for Grid Operationsd whitepaperFLT:5 ).