יישום AI ב גילוי ואבחון ב מערכות כוח

AI-Power-Power Systems: סקירה טכנית

רשת החשמל היא נכס תשתיות קריטי, ופעולתו הבלתי מופרעת חיונית לחברה המודרנית. Faults - החל מטווחים קו-קרקעיים ועד לכישלונות בציוד קבוע - אם איומים משמעותיים ליציבות הרשת, בטיחות ואמינות. שיטות זיהוי אשמה מסורתיות, לעתים קרובות בהתבסס על הודעות מבוססות הסף וניתוח ידני, אינם מספקים יותר ויותר למורכבות ולהיקף של מערכות כוח מלאכותיות (AI) מציעה בדיקה מקיפה של תקלות, וטכניקות ניהול יעילות, ואבחון מדויק של תכונות ניהוליות, יעילות, ובדיקה יעילה, יכולות להיות יעילות, ובדיקה יעילה מאוד, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה, ובדיקה יעילה, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה, ובדיקה יעילה מאוד, ובדיקה יעילה, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה מאוד, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה של מערכת ניהולית, ובדיקה יעילה של מערכת ניהוליתאמתית, ובדיקה יעילה מאוד, הן יכולות להיות יעילה של מערכת

למה זיהוי שגיאות

תקלות במערכת החשמל יכולות לזרז את החשיכה הנרחבת אם לא ננקה במהירות. מעגל קצר אחד על קו שידור יכול לגרום גנרטורים הסמוכים לנסיעה, מה שמוביל לאי יציבות תדירות ונפיחות.ההשפעה הפיננסית של מרחקים לא מתוכננים היא חמורה: מכון המחקר של חשמל כוח (EPRI) מעריך כי הפרעות כוח עלות הכלכלה האמריקאית על פני 150 מיליארד דולר בשנה, פגמים יקרים כמו ציוד הגנה מהירה, ולהפחית את עלויות תחזוקה מהירות.

גילוי אוטומטי: עוצמה ומגבלות

מערכות הגנה לאמנה משתמשות בחוקים ⁇ סטים: אם הזרם עולה על סף קבוע למשך זמן נתון, אות טיול מונפק.מרחק ממסרים מודדים את חוסר ההסכמה להעריך את המיקום של האשמה.שיטות אלה פשוטות, מהירות, ובאופן טוב, עם זאת, הם נאבקים עם:

• (ב) ,0) ,ב"מ, פקד עץ על קו) אשר יוצר שינויים נמוכים בהווה.
• (ב) ,0) ,לא נותר זמן רב מספיק כדי לעורר סף.
• (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ,0.10.10 מורכבות:00 Network ComplexofLT:1), שם מקורות מתחדשים, מדור מבוזר וכוח דו-כי-פיי זורם לעוות חתימות קונבנציונאליות.

שיטות בינה מלאכותית מתגברות על מגבלות אלה על ידי למידה של מערכות יחסים מורכבות ולא לינאריות מהנתונים, מבלי לדרוש מודלים מתמטיים מפורשים של הרשת.

סוללת העבודה של AI לניהול Fault

רכישת נתונים וקידום

גילוי אשמה מבוסס בינה מלאכותית מתחיל עם נתונים ברזולוציה גבוהה מיחידות מדידה phasor (PMUs), מקליטי תקלות דיגיטליות, מ"ר חכם, ובקרת פיקוח ורכישת נתונים (SCADA) אותות מרכזיים כוללים מתחים תלת-phase וזרמים, תדירות, ותוכן הרמוני. נתונים הוא מדגם בשיעורים מ -30 דגימות לשנייה (SCADA) למספר הרץ (Usמעבדים: צעדים מוקדמים: צעדים כוללים:

• (ב) ,0) ,ההתמרו: [17] , [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ⁇ :0) ⁇ : 1FLT:1 , סיגנל אותות לאפס משמעות וחלישות יחידה כדי להבטיח עקביות בתנאים תפעוליים שונים.
• (ב) ⁇ :0) הזמן מסונכרן: 1FLT:1 Aligning נתונים ממקורות מרובים באמצעות GPS פעמים-פעמים - קריטי עבור מיקום אשם.
• (FLT:0) מיצוי חומרים: FLT:1 , מניעת אינדיקטורים ברמה גבוהה יותר כגון ערכי RMS, זוויות שלב, רכיבים סימטריים (חיוביים, שליליים, אפס רצף), ואפקטי גל.

מודלים של AI ב Fault Detection

כמה מכונות למידה ואדריכלות למידה עמוקה כבר מוחל בהצלחה:

• רשתות ניאל מלאכותיות (ANNs): irFLT:1 הזנת רשתות מתקדמות מאומן על נתונים היסטוריים של תקלות כדי לסווג נורמלי לעומת מצבים פגומים.
• (FLT:0) מכונות Vector (SVMs): 1FLT:1 יעיל עבור סיווג בינארי (fault/no Wrong) אפילו עם נתונים מוגבלים של הכשרה.הם עובדים היטב כאשר מספר התכונות הוא גבוה יחסית לדגימות.
• (ב) ,0) עץי ענישה וזרמים אקראיים: ⁇ FLT:1 , לספק כללים מפרשיים (למשל, "אם מתח אפס-השוויון עולה על X, ואז סוג ה- Y") יערות אקראיים משפרים את הדיוק על ידי העלאה של עצים מרובים.
• (FLT:0convolutional Neural Networks (CNN): אנדרל 1) יישום ישירות אותות עת גולמי או תמונות של זמן- ⁇ (spectrograms) CNN ללכוד דפוסים מקומיים ו invariance תרגום, מה שהופך אותם חזקים כדי וריאציות במיקום אשם ומניעה.
• (FLT:0) רשתות ניאלריות חוזרות (RNN) ו- Long Short- Memory Conditions (LSTMRE) 1 (SLSTMREFLT:1) המיועדות לנתונים אפשריים. LSTMs זוכרים תלות ארוכת טווח, שימושית לגילוי תקלות מתפתחות או תנאי טרום-קו.
• (FLT:0) אוטומטינקודים: FLT:1ired כדי לשחזר דפוסים הפעלה נורמליים.שגיאה שיקום גבוה מצביעה על אנומליה - אידיאלי עבור גילוי לקויה ללא פיקוח כאשר נתונים מזוהים הוא בקושי.

Fault Classification and Localization

ברגע שהאשמה מזוהה, המערכת חייבת לקבוע את סוגה (למשל, קו אחד אל-קרקע, קו-ליין, קו כפול-קרקע, שלוש-phase) ואת המיקום שלה.מודלים AI ניתן לאמן כדי לייצר תווית פגומה ומרחק מוערך (בקילומטרים או אחוז של אורך קו).

היתרונות של ניהול AI-Driven

• (FLT:0) מהירות בזמן אמת: מודלים מודרניים של AI, במיוחד רשתות עצביות קלות קלות משקל פרוסות על מכשירים קצה, יכול לזהות ולסווג תקלות בתוך כמה אלפיות שניות - ניתן להשוות או מהר יותר מאשר הודעות קונבנציונליות.
• (FLT:0) ,Adaptancy: FLT:1 מערכות AI מהדהדות באופן אוטומטי כמידע חדש מגיע, להסתגל לשינויים בתערובת של הדור, בדפוסי עומס וטופולוגיה ברשת (למשל, לאחר התחדשות).
• (FLT:0) רגישות לפגמים בלתי אפשריים: ⁇ FLT:1) AI יכול לזהות תנאים כי כשלון , כגון פריקה חלקית בכבלים או ירידה ב בידוד בהפיטורים, המאפשר תחזוקה חיזויית.
• ניתוח:0 (Multivariate analysis:FLT:1 AI) מתואם אותות מחיישנים מרובים ברחבי הרשת, זיהוי תקלות בלתי נראות למדידות חד-נקודות.
• (FLT:0) פרסמו אזהרות כוזבות: FLT:1 על ידי לימוד הוורידות הרגילה של המערכת, AI יכול להבחין פגמים אמיתיים מהחלפת טראנסים, שינויים עומס או שגיאות מדידה, צמצום נסיעות מיותרות.
• יעילות:0 (FLT:1) מניעת חומרים, נזק בציוד מופחת, ותוכנית תחזוקה אופטימיזציה תרגם חיסכון תפעולי משמעותי.

יישומים אמיתיים ו Case Studies

מספר כלי רכב ופרויקטים מחקר הראו זיהוי תקלות מבוסס בינה מלאכותית בפועל.לדוגמה, תוכנית מחלקת האנרגיה של מחלקת האנרגיה של ארה"ב (DOE) ARPA-E במימון פרויקטים באמצעות למידת מכונה על נתוני PMU כדי לזהות ולאתר תקלות במערכות ניטור רחבות-אזוריות. יישום בולט על ידי שימוש במודל היברידית של CNN-LSTM כדי לנתח עשרות אלפי תקלות, להשיג 98%.5% ולהפחית שגיאות של רשתות AIFremed.

אתגרים לOvercome

למרות תוצאות מבטיחות, אימוץ AI בניהול תקלות עומד בפני כמה מכשולים:

• איכות וזמינות של נתונים: 1FLT 1 באיכות גבוהה נתונים שגויים הוא בקושי.נתונים תפעוליים נורמליים בשפע, אבל פגמים הם אירועים נדירים. דור נתונים סינתטיים ולמידה העברה נחקרים כדי לטפל בזה.
• (FLT:0)Model Affairability: FLT:1 מודלים למידה עמוקה הם לעתים קרובות קופסאות שחורות. Utilities ו הרגולטורים דורשים החלטות ניתנות לתיאור, במיוחד כאשר יש לסמוך על ממסר הגנה.
• (FLT:0)Cybersecurity: מערכות בינה מלאכותית 1:1 יכולות להיות מותקפות באמצעות קלטות מחלוקות.הבטחת עמידות נגד מניפולציה של נתונים זדוניים היא קריטית לאמינות הרשת.
• (FLT:0) אינטגרציה עם חומרה מורשת: FIRLT:1 ; substations רבים עדיין משתמשים בממסרים אלקטרו-מכניים או מוצקים של המדינה.
• (FLT:0) והסמכת: FLT:1 , מערכות הגנה גריידית חייבות לעבור בדיקות קפדניות כדי לעמוד בסטנדרטים (למשל, IEEE C37.118, IEC 61850).

כיוונים עתידיים

האבולוציה הבאה של AI בניהול תקלות תהיה כרוכה:

• (FLT:0) למידה מוגברת: מודלים של 1FLT:1 הדרכה על פני מספר רב של כלי רכב ללא שיתוף נתונים גולמיים, שמירה על פרטיות תוך שיפור כללי המודל.
• (FLT:0) מחשוב: 1.FLT:1 ,הפצה של מודלים קלים ישירות על מכשירים אלקטרוניים חכמים (IEDs) וממסרים כדי להפחית את השקיפות התקשורתית ואת צרכי רוחב הפס.
• (FLT:0) תאומים: FLT:1 יצירת העתקים דיגיטליים בזמן אמת של הרשת כולה כדי לדמות תרחישים פגומים ול להכשיר מודלים של בינה מלאכותית בסביבה בטוחה.
• (FLT:0)Graph עצבי רשתות:FLT:1מינוף הרשת העליונה עבור זיהוי לקוי משופר ומיקום, במיוחד ברשת עם חדירה מתחדשת גבוהה.
• (FLT:0) אינטגרציה עם אנרגיה מתחדשת:FreaLT:1; כמו משאבים המבוססים על חומרים בלתי-מיותרים הופכים דומיננטיים, מודלים של בינה מלאכותית חייבים להתאים למאפיינים חדשים של תקלות (למשל, אשמה נמוכה הנוכחית של מופנים סולאריים).

AI הוא לא תחליף להגנה מסורתית, אלא חיזוק חזק.על ידי שילוב המהירות והאמינות של הודעות קונבנציונליות עם האינטליגנציה של למידת מכונה, מערכות כוח יכול להשיג רמות חסרות תקדים של חוסן.המחקר המתמשך ופרויקטי הטייס מצביעים על עתיד שבו תקלות אינן רק מזוהה ומפוכחות אך צפויות ונמנעות.

(ב) ראו את דוח ה-FLT:0EPRI על AI for netמודרניזציהFelo: 1 (ה) , סקר FLT:2IEEE על למידה עמוקה עבור אבחון לקויי מערכת חשמל:5, ו-FLT:4U.S. DOE עבור יוזמה גריד'ר:5 ).