Rilevamento di guasti in potenza a potenza controllata da AI nei sistemi di alimentazione: una panoramica tecnica

La rete elettrica è un asset infrastrutturale critico, e il suo funzionamento ininterrotto è essenziale per la società moderna. I guasti – che vanno dai cortometraggi transienti alla linea-terra ai guasti permanenti delle apparecchiature – pongono minacce significative alla stabilità della griglia, alla sicurezza e all'affidabilità. I metodi di rilevamento dei guasti tradizionali, spesso basati su relè di algoritmi basati su soglia e analisi manuale, sono sempre più inadeguati per la complessità e la scala di diagnosi dei sistemi di potenza contemporanea.

Perché le regolazioni di rilevamento di guasto

I guasti del sistema di alimentazione possono indurre i generatori a percorrere le distanze, causando l'instabilità della frequenza e la dispersione del carico. L'impatto finanziario di interruzioni non pianificate è grave: l'Electric Power Research Institute (EPRI) stima che le interruzioni di corrente costano il ripristino dell'economia statunitense oltre 150 miliardi di dollari all'anno.

Rilevamento di guasti tradizionali: resistenze e limitazioni

I sistemi di protezione convenzionale utilizzano regole deterministiche: se la corrente supera una soglia impostata per un determinato tempo, viene rilasciato un segnale di viaggio. I relè a distanza misurano l'impedenza per valutare la posizione dei guasti. Questi metodi sono semplici, veloci e ben compresi.

  • Difetti di alta impedenza[] (ad esempio, un ramo di albero che tocca una linea) che produce cambiamenti di corrente bassa.
  • I guasti intermittenti[] che non persistono abbastanza a lungo per innescare le soglie.
  • Evolving faults[] che modificano le caratteristiche nel tempo.
  • La complessità della rete[] dove le fonti rinnovabili, la generazione distribuita e il flusso di energia bidirezionale distorcono le firme di errore convenzionali.

I metodi dell'IA superano queste limitazioni imparando relazioni complesse e non lineari dai dati, senza richiedere modelli matematici espliciti della griglia.

Il flusso di lavoro AI per la gestione dei guasti

Acquisizione e preelaborazione dei dati

Il rilevamento di guasti basato su AI inizia con i dati ad alta risoluzione da unità di misura del phasor (PMU), registratori di guasti digitali, contatori intelligenti e sistemi di controllo e acquisizione dati (SCADA) di supervisione. I segnali chiave includono tensioni e correnti trifase, frequenza e contenuto armonico. I dati vengono campionati a tassi da 30 campioni al secondo (SCADA) a diversi kHz (PMU).

  • Denoising:[]] Applicare filtri (ad esempio, trasformazioni wavelet) per rimuovere il rumore di misura senza sfocatura delle caratteristiche transitorie.
  • Normalizzazione:[ Segnali di scala a zero media e variazione unità per garantire la coerenza in diverse condizioni operative.
  • Sincronizzazione del tempo:[[]] Allineamento dei dati da più fonti utilizzando timestamp GPS, critico per la posizione dei guasti.
  • Estrazione della temperatura:[[]] Rilevamento di indicatori di livello superiore come valori RMS, angoli di fase, componenti simmetrici (positivi, negativi, sequenza zero), e coefficienti di wavelet.

Modelli AI in rilevamento di guasti

Sono state applicate con successo diverse architetture di apprendimento automatico e di apprendimento profondo:

  • Reti neurali (ANNs): Le reti di Feedforward addestrate sui dati di guasto storico per classificare gli stati normali e difettosi. Spesso utilizzate per il riconoscimento del modello in tensione e forme d'onda attuali.
  • Support Vector Machines (SVMs):[[] Efficace per la classificazione binaria (fault/no fault) anche con dati di formazione limitati. Funzionano bene quando il numero di caratteristiche è alto rispetto ai campioni.
  • Alberi di precisione e foreste casuali:[ Fornire regole interpretabili (ad esempio, “se la tensione di sequenza zero supera X, quindi il tipo di guasto Y”). Le foreste casuali migliorano l'accuratezza aggregando alberi multipli.
  • Reti neurali convoluzionali (CNN): Applicate direttamente ai segnali di serie temporali grezzi o alle immagini di frequenza temporale (spetogrammi).
  • Rete neurali ricorrenti (RNN) e Memoria a Lungo Termine (LSTM):] Progettato per i dati sequenziali.
  • Autoencoders:[]] Allenato per ricostruire i normali modelli operativi. L'errore di ricostruzione elevato indica un'anomalia, ideale per il rilevamento di guasti non supervisionati quando i dati di errore etichettati sono scarse.

Classificazione e localizzazione dei guasti

Una volta rilevata una guastatura, il sistema deve determinare il suo tipo (ad esempio, linea singola, linea-linea, doppia linea-al suolo, trifase) e la sua posizione. I modelli AI possono essere addestrati per produrre un'etichetta di tipo difettoso e una distanza stimata (in chilometri o percentuale di lunghezza della linea). Per la localizzazione, i modelli di regressione o architetture specializzate come le reti neurali di grafi (GNN) che incorporano la velocità di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di accelerazione di acquisizione della rete.

Vantaggi della gestione di guasti AI-Driven

  • Velocità di recupero:[] Modelli moderni di AI, in particolare reti neurali leggere impiegate su dispositivi di bordo, in grado di rilevare e classificare i guasti entro pochi millisecondi, comparabili o più veloci rispetto ai relè convenzionali.
  • Adattibilità:[] I sistemi AI si ripercorrono automaticamente quando arrivano i nuovi dati, adattandosi alle modifiche della miscela di generazione, dei modelli di carico e della topologia della rete (ad esempio, dopo la riconfigurazione).
  • Sensibilità ai difetti incipienti:[] L'IA può identificare le condizioni che precedono il fallimento, come lo scarico parziale nei cavi o il degrado dell'isolamento nei trasformatori, consentendo la manutenzione predittiva.
  • Multivariate analisi:[] AI correla i segnali da più sensori attraverso la griglia, rilevando i guasti che sono invisibili a misurazioni a singolo punto.
  • Ridotto falsi allarmi:[] Imparando la normale variabilità del sistema, l'IA può distinguere i veri errori dal commutare transienti, dai cambiamenti di carico o dagli errori di misura, riducendo i viaggi inutili.
  • Efficienza dei costi:[] Prevenire fuoriuscite, ridurre i danni alle apparecchiature e ottimizzare i programmi di manutenzione si traducono in significativi risparmi operativi.

Applicazioni e studi di casi reali nel mondo

Per esempio, i progetti di ARPA-E del Dipartimento dell’Energia (DOE) finanziati dal programma ARPA-E utilizzando l’apprendimento automatico sui dati PMU per rilevare e individuare i guasti nei sistemi di monitoraggio di vasta area. Una notevole implementazione da parte di un’utilità cinese ha utilizzato un modello ibrido CNN-LSTM per analizzare decine di migliaia di record di errori, raggiungendo l’accuratezza della classificazione del 98,5% e riducendo l’errore di posizione in errore.

Sfide per il superamento

Nonostante i risultati promettenti, l'adozione dell'IA nella gestione dei guasti affronta diversi ostacoli:

  • Qualità e disponibilità dei dati:[[ I dati di errore etichettati di alta qualità sono scarse. I dati operativi normali sono abbondanti, ma i difetti sono eventi rari.
  • L'interpretabilità della moda:[ I modelli di apprendimento profondo sono spesso scatole nere. I servizi di utilità e regolatori richiedono decisioni spiegabili, soprattutto quando un relè protettivo deve essere attendibile.
  • Cybersecurity:[] I sistemi AI possono essere attaccati tramite input avversari. Garantire la robustezza contro la manipolazione dei dati dannosi è fondamentale per l'affidabilità della rete.
  • Integrazione con hardware legacy:[ Molte sottostazioni utilizzano ancora relè elettromeccanici o solidi.
  • Valida e certificazione:[[] I sistemi di protezione anti-griglia devono essere sottoposti a test rigorosi per soddisfare gli standard (ad esempio, IEEE C37.118, IEC 61850). I modelli AI devono essere convalidati su una vasta gamma di scenari prima dell'implementazione.

Le direzioni future

La prossima evoluzione dell'IA nella gestione dei guasti sarà probabilmente coinvolgente:

  • L'apprendimento basato:[] Modelli di formazione in più utility senza condividere dati grezzi, preservando la privacy mentre migliora la generalizzazione del modello.
  • Edge computing:[[]] Dimostrando modelli leggeri direttamente su dispositivi elettronici intelligenti (IEDs) e relè per ridurre la latenza di comunicazione e le esigenze di larghezza di banda.
  • Gemelli digitali:[] Creare repliche digitali in tempo reale dell'intera griglia per simulare scenari di errore e formare modelli AI in un ambiente sicuro.
  • Graph reti neurali:[] Ivaggiando la topologia della rete per un migliore rilevamento e localizzazione dei guasti, soprattutto nelle griglie con elevata penetrazione rinnovabile.
  • Integrazione con energia rinnovabile:[] Poiché le risorse basate sull'inverter diventano dominanti, i modelli AI devono adattarsi a nuove caratteristiche di guasto (ad esempio, a bassa corrente di guasto da inverter solari).

L'AI non è un sostituto per la protezione tradizionale ma un'aumentazione potente. Combinando la velocità e l'affidabilità dei relè convenzionali con l'intelligenza dell'apprendimento automatico, i sistemi di alimentazione possono raggiungere livelli di resilienza senza precedenti. I progetti di ricerca e pilota in corso indicano un futuro in cui i difetti non sono solo rilevati e sgomberati ma prevedibili e prevenuti.

Per ulteriori informazioni, vedere il ] Rapporto EPRI sull'AI per la modernizzazione della griglia[[], il []IeEE indagine sull'apprendimento profondo per la diagnosi di guasto del sistema di potenza[, e il ]U.S. DOE AI per l'iniziativa Grid.