パワーシステムにおけるAIパワード故障検出:技術概要

電力網は重要なインフラ資産であり、その中断されていない操作は現代社会にとって不可欠です。 欠陥は、一時的なラインから地上の不足分まで、恒久的な機器の故障に追いつく - グリッドの安定性、安全、および信頼性に対する重要な脅威をポーズします。 伝統的な欠陥検出方法は、しばしば閾値ベースのリレーと手動分析に基づいており、現代の電力システムの複雑さと規模がますますます不十分です。 人工知能(AI)は、強力な代替品を提供し、リアルタイムの欠陥の検出、適応および包括的なデータ分析、および包括的な検査方法を提供します。

故障検出のマッターの理由

電力システム障害は、急速にクリアされていない場合は、広範囲に広がる停電にカスケードすることができます。 トランスミッションライン上の単一の短絡は、近くの発電機を旅行に引き起こし、周波数の不安定性と負荷の取除くことができます。 計画されていない停電の財政的影響は、深刻な:電力の中断が毎年150億ドルを超える電力の消費量を推定し、電力の中断が最も速く、低速な状態に保つこと、および低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速の低減、低速、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低負荷、低

従来の欠陥の検出:強さおよび限界

従来の保護システムは、決定的なルールを使用します。現在の場合、一定の時間にセットのしきい値を超えると、旅行信号が発行されます。距離リレーは、欠陥位置を推定するインピーダンスを測定します。これらの方法は、シンプルで高速で、よく根差されています。しかし、彼らは次のように苦労します。

  • []高インピーダンス障害[(例えば、線に触れるツリーブランチ))、低電流変化を生成します。
  • 断続的な欠陥]]は、しきい値を引き起こすのに十分な長さを主張しない。
  • ] 回転障害] は、特性を時間とともに変化させます。
  • [ネットワークの複雑性]]] 、再生可能ソース、分散生成、および双方向の電力が、従来の故障の署名を歪める。

AI は、複雑な非線形関係を学習し、これらの制限を克服し、グリッドの明示的な数学的なモデルを必要としない。

故障管理のためのAIワークフロー

データの収集と加工

測定ユニット(PMU)、デジタル障害レコーダー、スマートメーター、および超監視制御およびデータ取得(SCADA)システムから高解像度データが始まります。 主要信号には、三相電圧と電流、周波数、および調和的なコンテンツが含まれます。 データは、毎秒30サンプル(SCADA)から数kHz(PMU)までの速度でサンプリングされます。 事前処理手順は次のとおりです。

  • [:]]] フィルタ(例えば、ウェーブレットが変形する)を塗布して、過渡機能を強制することなく測定ノイズを除去する。
  • []正規化:[]]]] シグナルをゼロにし、異なる動作条件を一貫性を確保するために、分散を分離します。
  • []時間同期:[]]GPSタイムスタンプを使用して複数のソースからデータを一直線に並べる - 障害位置のクリティカル。
  • [] 機能抽出:]]] RMS値、相角、対称コンポーネント(陽性、負、ゼロシーケンス)、および波紋係数などの高レベルインジケーターを付与します。

故障検出におけるAIモデル

いくつかの機械学習と深い学習アーキテクチャが正常に適用されています:

  • [人工ニューラルネットワーク(ANN):[]])は、通常の対を分類するために、履歴障害データで訓練されたフィードフォワードネットワーク。 多くの場合、電圧および電流波形のパターン認識に使用されます。
  • []サポートベクターマシン(SVM):[[)は、限られたトレーニングデータでもバイナリ分類(故障/故障なし)に有効です。 それらは、サンプルに対して高い機能が含まれている場合にうまく動作します。
  • [Decision Trees and Random Forests:[]]:解釈可能なルール(例えば、ゼロシーケンス電圧がXを超えると、障害タイプY)を提供します。 ランダムフォレストは、複数のツリーを集計することによって精度を向上させます。
  • [ 直流ニューラルネットワーク(CNN):]])は、生のタイムシリーズ信号や時間頻度画像(スペクトラムグラム)に直接適用されます。 CNNは、局所的なパターンと翻訳のインヴァランスをキャプチャし、障害のある場所とインピーダンスのバリエーションに強くなります。
  • [] 直流ニューラルネットワーク(RNN)と長期短期メモリ(LSTM):])。 LSTMは、連続したデータのために設計されている。 LSTMは、進化する障害や前方条件を検出するのに便利な、長期的依存性を覚えています。
  • []Autoencoders:]は、通常の動作パターンを再構築するために訓練されました。 高再構築エラーは、ラベルされた障害データが怖がっているときに、異常に監視されていない欠陥検出のために示します。

故障分類とローカリゼーション

障害が検出されると、システムは、そのタイプ(例えば、単一行から行、ラインツーライン、二重行から地上、三相)とその場所を決定する必要があります。 AIモデルは、障害型ラベルと推定距離(ラインの長さのキロまたは割合)を出力するために訓練することができます。 局所化、回帰モデルまたはネットワークトポロジーを組み込むグラフニューラルネットワーク(GNN)などの特殊なアーキテクチャは、新興国である。 正確な局部の乗員速度と分裂時間を減らす。

AI駆動型故障管理の利点

  • []リアルタイム速度:[]]モダンAIモデル、特にエッジデバイスに展開された軽量ニューラルネットワーク、従来のリレーよりも、数ミリ秒以内の欠陥を検出し、分類することができます。
  • [適応性:[]]] AIシステムは、生成ミックス、負荷パターン、ネットワークトポロジーの変化に合わせて、自動的に新しいデータが到着し、ネットワークトポロジー(例えば、再構成後)を変更します。
  • [] 従順な障害に対する感度:[]] AIは、ケーブルの一部排出や変圧器の絶縁劣化などの障害を予測し、予測的なメンテナンスを有効にすることができます。
  • [多変量解析:[]]AIは、複数のセンサーから信号を、単一ポイント測定に見えない欠陥を検出します。
  • ] 誤警報を発生:[]] システムの正常な変動性を学ぶことで、AIは、不要な旅行を減らす、過渡、負荷変化、または測定エラーを切り替えることから、本物の障害を区別できます。
  • Costの効率:]]は、機器の損傷を防止し、最適化されたメンテナンススケジュールは、重要な運用削減につながります。

リアルワールド・アプリケーションと事例

複数のユーティリティと研究プロジェクトは、AIベースの障害検出を実践しています。 例えば、米国のエネルギー省(DOE)ARPA-Eプログラムが、Pデータ上で機械学習を使用してプロジェクトを資金を供給し、広域監視システムにおける障害を検出し、発見しました。 中国のユーティリティによる注目すべき実装は、数千の障害記録を分析するために、98.5%の分類精度を達成し、より詳細な手順の誤差を削減するAIの不足分を低減するAIの追跡システムを使用していました。 これらは、AIが、従来のAIが不足しているAIが検出されるように、AIが不足していると判断しました。

克服への挑戦

有望な結果にもかかわらず、AIは障害管理における採用はいくつかのハードルに直面しています。

  • データ品質と可用性:]高品質ラベル付きの障害データが希少です。通常は動作データは豊富ですが、障害はまれなイベントです。合成データ生成と転送学習は、このアドレスに探しています。
  • [モデルの解釈性:]]ディープラーニングモデルは、多くの場合、ブラックボックスです。ユーティリティと規制当局は、保護リレーが信頼される必要がある場合に、説明可能な決定が必要です。 SHAPやLIMEなどの説明可能なAI(XAI)技術は、牽引を獲得しています。
  • [サイバーセキュリティ:]] AIシステム自体は、広告主の入力を介して攻撃することができます。 悪意のあるデータ操作に対する堅牢性を確保することは、グリッドの信頼性のために不可欠です。
  • 従来のハードウェアとの統合:[]]] 。 多くのサブステーションは、電気機械的またはソリッドステートリレーを使用します。 AI 対応のコントローラーとの改装は、慎重な計画と投資を必要とします。
  • [] 評価および認証:[[ グリッド保護システムは、標準を満たす厳格なテストを受けなければならない(例えば、IEEE C37.118、IEC 61850)。 デプロイ前に、AIモデルは、展開前に、幅広いシナリオで検証する必要があります。

今後の方向性

障害管理におけるAIの次の進化は、次のようなものがあります。

  • []Federated Learning:[]] 複数のユーティリティを学習し、モデルの一般化を改善しながらプライバシーを保護します。
  • [エッジコンピューティング:]]]インテリジェントな電子機器(IED)に直接軽量モデルを展開し、通信遅延や帯域幅のニーズを削減するリレー。
  • デジタルツイン:]] グリッド全体でリアルタイムのデジタルレプリカを作成して、障害シナリオをシミュレートし、安全な環境でAIモデルを訓練します。
  • [ グラフニューラルネットワーク:[]]] 障害検知と位置を改善するためのネットワークトポロジーを、特に高い再生可能な貫通でグリッドに関与する。
  • 再生可能エネルギーとの統合:[]]] インバーターベースのリソースが優勢になるように、AIモデルは、新しい障害特性(例えば、ソーラーインバータからの低故障電流)に適応しなければなりません。

AIは従来の保護のための取り替えではなく、強力な拡張です。機械学習の知性と慣習的なリレーの速度そして信頼性を結合することによって、電力システムは、非前例のないレベルの弾性を達成することができます。継続的な研究とパイロットプロジェクトは、欠陥が検出され、クリアされたが予測され、防止されるだけでなく、将来のことを示しています。

さらなる読書については、AIに関するEPRIレポート(グリッドモダニゼーション])、「電力システム障害診断のディープラーニングに関するIEEE調査」、「]]]」を参照してください。