הסעיף של Phasors ו למידה של מכונות ב Power מערכות

מערכות כוח מודרניות עוברות טרנספורמציה עמוקה המונעת על ידי הפצת מקורות אנרגיה מתחדשת, דור מבוזר, ואת המורכבות הגוברת של פעולות רשת. שמירה על יציבות ואמינות בסביבה דינמית זו דורשות חשיפה חסרת תקדים ואינטליגנציה. שתי טכנולוגיות עוצמתיות - מדידת מחשוב ולמידה מכונה - הן מתכוונות לעמוד באתגרים אלה, מערכות מדידה יעילה (PMUs) מספקות גבוהה נאמנות, זמן-סונכרון מידע אמיתי, אשר מאפשר לשנות את מערכת הגנה יעילה, תוך כדי שינוי יעיל של מערכות חשמל.

הבנה של Phasors במערכות Power

Phasors הם מושג יסוד בניתוח הנוכחי (AC). Aphasor הוא מספר מורכב המייצג את גודל וזווית שלב של גלנוסאידים בתדר נתון. במערכות כוח, מתח וphasors נוכחיים מאפשרים מהנדסים מודל מצבים תזמון יציבים, זרימת כוח מותאמת, וניתוח התנהגות ללא פתרון משוואות שונות בזמן אמת.

יחידות מדידה (PMUs)

מתח PMUs למדוד ואת הנוכחי phasors עד 30-60 מדידות לשנייה, הרבה יותר מהר מאשר מערכות SCADA מסורתיות אשר לעדכן כל 2-4 שניות.הזמן בוה לדיוק מיקרו-שני מבטיח כי מדידות על פני אזורים גיאוגרפיים רחבים הם דומים, יצירת "מערכת מדידה רחבה" (WAMS) זה synchronized מראה קריטי עבור תופעות דינמיות כגון אנתרופולוגים בין-a, מתחים, Cropil משקף כשלים שונים.

PMUs הם פרוסים ב substations מפתח וצמחים הדור.הנתונים שלהם מוזרם ל-phasor data concentrators (PDCs) אשר מצטבר, לאמת, ופעמים את המדידות לפני להאכיל אותם ליישומים ברמה גבוהה יותר. אימוץ מוקדם, כגון צפון אמריקה Synchrophasor Initiative (NASPI), הוכיחו את הערך של נתונים PMU עבור ניתוח פוסט-event, אימות, מצב אמיתי ומציאותי.

יישומים של PMU Data

מעבר למעקב בסיסי, נתוני PMU מאפשרים מגוון רחב של יישומים מתקדמים:

• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ,0) ,Uscillation Detection: 1 (ב) , זיהוי מצבי לחות נמוכים שיכולים להוביל לפירוק המערכת.
• (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

העושר של נתוני PMU, לעומת זאת, מציב אתגר: נפח הרה ומהירות גבוהה יותר מהיכולת של מפעילי אנוש לפרש בזמן אמת.

תפקיד הלמידה של מכונות במערכות חשמל

למידת מכונה (ML) כוללת אלגוריתמים שלמד דפוסים מהנתונים מבלי להיות מתוכנתים במפורש לכל כלל. במערכות כוח, ML מוחל על מגוון רחב של משימות החל מתחזיות עומס לסיווג של פגמים.שלוש פרדיגמות הראשיות - למידה מבוססת, למידה ללא פיקוח, ולמידה חיזוק - כל משחק תפקידים שונים.

למידה על-ידי חיזוי והתאמה

מודלים על-ידי Supervised מאומן על נתונים מתוייגים.יישומים נפוצים כוללים:

• (FLT:0) פלואד ודור מתחדשים צופים ב-FLT:1) באמצעות מזג אוויר היסטורי ועומס נתונים לחיזוי ביקוש לטווח קצר או פלטת השמש/wind.
• (ב) [15] ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0) הערכת יציבות מתמשכת (FLT:1) - צופה אם המערכת תישאר יציבה לאחר הפרעה באמצעות מדידות טרום שקיפות.

ארכיטקטורות למידה עמוקה, כגון רשתות עצביות אבולוציה (CNN) ורשתות זיכרון לטווח קצר ארוך (TMLS) יעילות במיוחד עבור נתוני מחזור זמן כמו זרמי PMU.

למידה בלתי מבוקרת ל-Anomaly Detection

שיטות לא מבוססות, כגון autoencoders או אלגוריתמים מקובצים, לזהות דפוסים ללא נתונים מתוייגים.

• (FLT:0) מחיקת מתקפות סייבר מ-1, ⁇ המדידות יוצאות דופן של PMU שעשויות להצביע על התקפות הזרקת נתונים.
• (ב) ,0) ,9 שינויים קלים בהתנהגות משנה או קו לפני כישלון.
• (FLT:0) ,Topology DetectionFLT:1) - מפר את התצורה הנוכחית של הרשת מתבניות מדידה כאשר אותות סטטוס פורץ הם בלתי אמינים.

Reinforcement Learning for Control

סוכני Reinforcement Learning (RL) לומדים מדיניות בקרה אופטימלית באמצעות אינטראקציה בין ניסוי וטרור עם סביבה.

• (ב) ,0) ו-Voltage RegulationFLT:1 - התאמת ברזים, בנקים כיבולים, מקורות כוח תגובתיים כדי לשמור על מתחים בתוך גבולות.
• (ב) ,0) ,FLT:1 - תיאום של גנרטורים להגדיר את השינויים בזמן אמת.
• (ב) ,0) ,העומס על הפחתת השפע של 1:1 , ההחלטה על מיקומים אופטימליים וכמויות של עומס כדי לרדת במהלך חוסר יציבות.

השילוב של ML עם נתוני PMU יוצר לולאה משוב: מדידות ברזולוציה גבוהה להאכיל אלגוריתמים למידה, אשר בתורו מציע או לבצע פעולות לשיפור ביצועי המערכת.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « תזמון תזמון תזמון « תזמון פיתויים ו- Machine למידה מכונה ו- Machine Learning

הצומת של phasors ו- Machine Learning אינו רק תוספת - הוא הופך את הנתונים של PMU מספק את הדלפק גבוה, תצפיות מסונכרנות זמן כי מודלים של ML צריכים ללמוד את הדינמיקה המורכבת, הלא ליניארית של מערכות כוח. בתמורה, ML פותח את מלוא הפוטנציאל של נתונים PMU על ידי ניתוח אוטומטי, חיזוי אירועים, ומאפשר שליטה סגורה למטה הם אזורים מפתח שבו כבר עושה השפעה סינרגיה זו.

אירוע גילוי בזמן אמת והתאמה

שיטות מסורתיות לגילוי אירועים מסתמכות על כללים המבוססים על סף, אשר לעתים קרובות נכשלים עבור הפרעות עדינות או חדשות.מודלים למידה מכונה מאומן על נתוני PMU יכולים לזהות אירועים עם רגישות גבוהה יותר ופרטים.לדוגמה, רשת עצבית מהפכתית יכולה לסווג תנופה זמן נתונה בתור "נורמלי", "טיול דור", "טעות קוית", או "לטעמה" בתוך מילימטרים.

מחקר שנערך על ידי FLT:0 , צפון אמריקה Synchrophasor Initiative (NASPI)FLT:1 הוכיח כי ML מבוסס אירועים מסווג גישות מסורתיות הן מהירות והן דיוק.היכולת לאתר מיקום אירוע באמצעות זמן-דפי-של-של-של מנדאל על פני אתרי PMU רבים משפרת עוד מודעות מצבית.

הערכה של

יציבות מתמשכת - היכולת של המערכת לשמור על סינכרוניות לאחר הפרעה גדולה - היא דאגה קריטית עבור מפעילי רשת.ה נתונים שנתפס בחלון טרום-ההפרעה יכול לחזות את מצב הפוסט-ההפרעה.מודלים למידה מכונה, כגון עצי החלטות או רשתות עצביות עמוקות, ללמוד את המיפוי ממדכאות טרום-העבר ליציבות.

מספר כלי רכב כבר פרסמו מערכות כאלה.לדוגמה, תכנית ה-FLT:0 (ה-interconnection) המערבית שלDOE (Cyberion) של Interconnection Stability Program (FLT:1) השתמשה בניתוח הסינכרון בשילוב עם ML כדי לשפר את הערכות היציבות ברחבי רשת מערב ארה"ב.התוצאה היא שינוי ממחקרים לא מקוונים, המבוססים על מודלים ועד ניטור נתונים.

גילוי אוספיציל ודמיון

מערכות חשמל oscillations יכול לדרג את איכות הכוח, ואם לא מופץ, להוביל להתמוטטות המערכת.נתוני PMU מספק התבוננות ישירה של oscillations אלקטרו-מכאניים (בדרך כלל 0.1–2 הרץ) אלגוריתמי למידת מכונות יכולים לזהות באופן אוטומטי את תדירות, יחס לחות, וצורה של כל רכיב oscillatory.עם מידע זה, מפעילי יכול לגרום בקרים לח (למשל, מערכת כוח ייצוב, CV).

מעבר לגילוי, סוכני למידה חיזוק מאומנים להתכוונן בפרמטרי בקר באופן הסתגלותי, להגיב לתנאי מערכת משתנים.זהו צעד מרכזי לקראת ניהול תנודות אוטונומית מלאה.

איכות נתונים ואבטחת סייבר

נתוני PMU, בעוד ערך, רגישים שגיאות, ערכים חסרים, ומניפולציה זדונית. Machine Learning מציעה כלים חזקים לניקוי נתונים וזיהוי התקפה.מודלים לזיהוי אנומלי יכולים לדגל מדידות מושחתות שמתפתלות מתבניות פיזיות צפויות (למשל, גודל מתח מתחת לאפס).

אבטחת סייבר היא דאגה גוברת, שכן נתוני PMU מזויפים עלולים לגרום למפעילים רעים לנקוט בפעולות מסוכנות.מערכות זיהוי פולשניות מבוססות ML, המנתחות נתונים של phasor בזמן אמת, יכולות לזהות התקפות הזרקת נתונים עם דיוק גבוה.ה-FLT:0 National Renewable Energy Laboratory (NREL)FLT:1 פרסם מספר מחקרים על שימוש ב-ML לגמישות ברשת ברשתות החברתיות.

היתרונות של אינטגרציה

השילוב של נתונים ולמידה של מכונות מניב שיפורים מוחשיים על פני מחזור חיי הרשת - החל בתכנון פעולות תחזוקה.

שיפור יכולת הצמיחה באמצעות גילוי מוקדם

מודלים של ML המאומנים על נתוני PMU יכולים לזהות תקלות בלתי אפשריות - כגון פריקה חלקית במשנה או יצירת קשר עץ מתפתח בקו - שעות או ימים לפני שהם מובילים לטיול.זה מאפשר למפעילים לנקוט פעולות מונעות, צמצום הסיכון של סדקים. Utilities אשר מיושמות מערכות כאלה עד להפחתה של 30% בזמן לא מתוכנן.

שיפור יכולת התחזוקה החיזוי

על ידי ניתוח מגמות ארוכות טווח בנתונים של phasor (למשל, שינויים בתוכן אימפולסיבית, תוכן הרמוני או סימטריה מתח), מודלים של ML יכולים להעריך את החיים שימושיים של ציוד.צוותי תחזוקה ניתן לשלוח רק כאשר יש צורך, חיסכון עלויות ו להאריך חיי הנכסים. גישה זו מבוססת מצב זה ניגודים עם לוח זמנים תחזוקה מבוסס זמן כי פסולת על ציוד בריא.

אופטימיזציה של Power Flow והפחתה של אובדן Transmission

נתוני PMU מאפשרים במדויק בזמן אמת זרימת כוח, אשר ניתן להאכיל לתוך אלגוריתמי אופטימיזציה מבוססי ML. אלגוריתמים אלה להתאים את המשלוח, להפוך הגדרות הקש, ואת התקנים FACTS למזער הפסדים תוך שמירה על גבולות תרמיים ויציבות. ניסויים שדה הוכיחו ירידה של 2 עד 15%, אשר מתורגמת להטבות כלכליות וסביבתיות משמעותיות.

עמידות מוגברת נגד איומים על סייבר-Physical

אותם מודלים של ML שמזהים בעיות איכות נתונים גם לזהות התקפות סייבר, כולל הזרקת נתונים כוזבים, הכחשת השירות, והתקפות Replay.הגנה שכבתית זו חיונית לתשתיות קריטיות.

אתגרים ופתרונות

למרות ההבטחה, שילוב נתוני PMU עם למידת מכונה בקנה מידה עומד בפני כמה מכשולים.הבנת האתגרים האלה חיונית לפריסה מוצלחת.

מידע על נפח ותקשורת Bandwidth

אחד PMU יכול לייצר עד 60MB של נתונים ליום.עבור מערכת עם מאות PMUs, שיעור הנתונים המצטבר יכול להציף רחב-הרחבה קישורים תקשורת.פתרונות כוללים מחשוב קצה (מעבד נתונים ליד תת-התביעה) ואלגוריתמים דחיסת נתונים שנועדו במיוחד עבור נתונים phasor. ML יכולים גם להיות פרוסים בקצה, רק הודעות או סיכומים למרכז הבקרה.

מודל אי-אפשרות ואמון

מפעילי לעתים קרובות מסרבים לפעול על המלצות ML מבלי להבין מדוע מודלים של Black-box כמו רשתות עצביות עמוקות הם חזקים אך פחות מפרשים.ההתפתחויות האחרונות ב-AI (XAI) עבור מערכות חשמל, כגון SHAP, LIME ומנגנוני תשומת לב, משפרות את שקיפות הגוף של רגטוריון מתחילות גם לדרוש הליכים אימות עבור כלי רשת מבוססי ML.

איכות נתונים וערכים חסרים

זרמי נדל"ן בעולם האמיתיים סובלים מאובדן החבילה, שגיאות של זמן, ורעש חיישן.מודלים של ML חייבים להיות חזקים כדי להיות חסר או מושחתים נתונים. טכניקות אימפולסים, פונקציות אובדן חזקות, ואימוני טיפת זמן הם גישות נפוצות.חלק מהשירותים משתמשים צינור שני שלבים: מודל הערכה איכות מסנן נתונים רעים, אז מודל מטהר רק מדידה.

שילוב עם מערכות בקרה קיימות

רוב השירותים פועלים על מערכות EMS /SCADA עם יכולת מוגבלת לקבל קלטות גבוהה PMU או תפוקה ML.פתרונות מידידיים לפעול כגשר בין זרמי PMU ויישומים מרכז שליטה פותחים.הההההה לעבר ארכיטקטורות פתוחות (למשל, IEEE) מאפשרת שילוב זה.

פרספקטיבה עתידית

ההתכנסות של phasors ו- Machine Learning עדיין בשלבים המוקדמים שלה, אבל הכיוון ברור: לקראת ניהול רשת אוטונומית לחלוטין של נתונים.כמה מגמות מעצבות את האבולוציה הזו.

תאומים דיגיטליים ותזמון אמת

תאומים דיגיטליים – העתקים וירטואליים של הרשת הפיזית המשלבים נתונים של PMU חיים - יהפכו לכלים סטנדרטיים בתכנון ותפעול.מודלים של ML שפועלים בתאום הדיגיטלי יכולים לדמות אלפי נקודות לשנייה, המאפשרים הכשרה של מפעיל ושליטה ללא סיכון לרשת האמיתית.

למידה מבוססת פרטיות עבור Private-Preworth Analytics

ככל שהשימושים הופכים יותר מקושרים, שיתוף נתונים של PMU על פני גבולות מעלה חששות פרטיות ואבטחה. . פדרated למידה מאפשרת מודלים של ML להיות מאומנים בשיתוף פעולה מבלי להעביר נתונים גולמיים בין כלי רכב.כל כלי רכב מאמן מודל מקומי על נתוני PMU, ורק פרמטרים מודל משותפים עם מתאם גלובלי. גישה זו נבדקה בהצלחה עבור זיהוי cross-rea.

צוק איתן ו-Time Control

עם כניסת מכשירים בעלות נמוכה, ביצועים גבוהים, ML איפיון ניתן לבצע ישירות בתת-התאימות.זה מקטין את הגמישות ומבטל את התלות ברשתות תקשורת עבור פעולות בקרה מהירה.לדוגמה, תת-מצויד PMU יכול להפעיל מודל ML מקומי המזהה את האיינג'ינג וגורם גנרטורים לנוע בתוך מחזור אחד (16.7 במערכת כזו אינה אפשרית עם עיבוד מרכזי.

שילוב עם אנרגיות חדשניות ומשאבים המבוססים על חומרים

ככל שעולה חדירה מתחדשת, הדינמיקה של הרשת הופכת למשתנה יותר.הנתונים של PMU חיוניים למעקב אחר ההתנהגות של משאבים מבוססי מופנם (סולאר, רוח, אחסון סוללות) אשר חסרים את האינטרנציה של גנרטורים סינכרוניים.מודלים של ML יכולים לחזות את ההשפעה של כיסוי ענן על פלט סולארי או התגובה של חוות רוח להפרעות, המאפשרת יותר לשלוח יציבות וניהול.

מסקנה

הצומת של טכנולוגיית phasor ולמידה מכונה מייצג שינוי פרדיגמטי כיצד מערכות כוח הם מעקב, מופעל, מוגן. Phasors לספק את החלון ברזולוציה גבוהה לתוך דינמיקות רשת כי למידת מכונה צריכה ללמוד ולנבא התנהגות. בתורו, למידת מכונה פותחת את הערך המלא של הכנת נתונים phasor, הופך זרמי של מספרים לאינטליגנציה מתקדמת ויציבות לשליטה קוגניטיבית והגנתית, ופעולות מתקדמות יותר, זה כבר לא רק עבור סטודנטים אינטליגנטיים, הוא מסוגל יותר, הוא מסוגל לפתח את היתרונות של פעילות גופנית, אלא רק את היתרונות של אימון יעיל יותר, זה, זה, זה, זה יותר, זה יותר, הוא כבר יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 של הנדסה מתקדמת יותר, 000.