蛍光体測定ユニットとシンクロファサーデータを理解する

現代の電力網は、安定性を維持するために、精密でタイム同期測定に依存しています。 蛍光体測定ユニット(PMU)は、これらのデータをキャプチャするコアデバイスです。 従来のSCADAシステムとは異なり、通常、2-4秒ごとに報告する、PMUsサンプル電圧と電流波形は、毎秒30〜120サンプル、GPSを介して1マイクロ秒以内に同期されます。 結果の測定は、合成測定器と呼ばれ、両方の拡大相と電気的レベルの監視を提供する、およびリアルタイム制御のための正確な測定値です。

Synchrophasor のデータにより、オペレータは、それが起こるように、パワーシステムの動的動作を確認することができます。 バス間の相角差は、伝送線のストレスを示し、周波数の偏差は、生成負荷の不均衡を明らかにします。 世界中の何千もの PMU が展開すると、ストリーミングデータの量は巨大です。 手動解析はもはや実現不可能であり、人工知能が不可欠である。

グリッドオペレーションにおける人工知能の役割

人工知能、特に機械学習と深い学習、高次元、時系列データから実用的なパターンを抽出する際の優れています。 PMUデータのコンテキストでは、AIアルゴリズムは、微妙なプレカスタを不安定性に検出し、高精度で欠陥を分類し、さまざまなコンピテンシーの下でシステム応答を予測することができます。 これらの機能は、反応からプロアクティブ、さらに予測まで、電力システム制御を変換しています。

ファーザーデータのための主要なAI技術

  • [] 監視学習:[] ラベル付きPMUデータで訓練された分類モデルは、99%以上の精度で欠陥タイプ(例えば、単一行から地面、三相欠陥)を識別することができ、迅速な保護リレー決定を有効にします。
  • [] 監視されていない学習:[]] クラスタリングアルゴリズムは、新しい不安定性パターンを発見するのに便利な、歴史のラベルなしで異常な動作条件を検出します。
  • [ LSTMとトランスフォーマーとのディープラーニング:[] ロングショート・ターミナル・ネットワークは、同期ストリームの一時的な依存性をキャプチャし、電圧崩壊や過渡的なスイング秒を予測するのに理想的です。
  • 補強学習:]]エージェントベースのコントローラーは、グリッドシミュレータと相互作用することで最適な是正措置を学び、自律的な緊急制御を可能にします。

これらの技術は、相互に排他的ではありません。 物理情報に基づいたニューラルネットワークと従来のパワーシステム式を組み合わせるハイブリッドモデルは、高精度と解釈性の両方を実現します。

AI統合PMUデータを活用したアプリケーション拡大

リアルタイムワイドエリアの状況認識

複数のユーティリティからPMUデータをヒューズするAI搭載ダッシュボードは、オペレータに、インターエリアの振動、電圧安定性マージン、熱過負荷のリアルタイム画像を提供します。例えば、北米のWestern Interconnectionは、低周波振動の劣化を防止するために機械学習とPMUベースのモニタリングを使用します。アラートは200ミリ秒以内に生成され、オペレータは、動作を加速したり、より広範囲にシフトしたりするなどの機能が低下したりするのを防ぐことができます。このアラートは、このシステムが動作を防止するために、より大きな問題を引き起こす可能性があることを防止するために、より効果的に動作する可能性があります。

予測保全と資産健康

トランス・インラッシュ電流のPMUの記録を分析することにより、遮断器はトランジェントを切り替え、ライン・サグ動作を切り替え、AIモデルは重要な資産の残りの耐用年数を推定することができます。 500kVトランスからのファサーデータで訓練されたディープラーニングモデルは、数週間のリードタイムで断熱劣化を予測することができ、緊急修理ではなく、計画された停電中にメンテナンスをスケジュールするユーティリティを可能にします。これにより、コストを削減し、信頼性を向上させます。

AI駆動補正による最適電力フロー

従来の最適電力の流れ(OPF)ソルバーは、リアルタイムの条件に一致しないオフラインモデルに依存しています。ライブPMUデータを摂取するAIメソッドは、電圧制約を尊重しながら、世代のセッティングと交換変圧器を調整し、損失を最小限に抑えることができます。電力研究所(EPRI)による最近のパイロットは、同期フィードバックに基づいて2秒ごとに更新された強化学習エージェントを使用して、伝送損失の5%削減を実証しました。これは、高い再生可能な貫通条件を備えたネットワークに特に価値があります。

故障検出と分類

PMUベースのAIシステムは、単一のサイクル内で障害をピンポイントすることができます。 PMU電圧波形に適用される複雑なニューラルネットワークは、欠陥タイプを分類し、ラインの長さの2%以内に95%よりも精度が向上した欠陥位置を推定します。 この速度と精度は、停電期間を削減し、オペレータは故障位置に直接修理乗員を派遣し、時間の回復時間を削減することができます。

緊急対応とアイランドコントロール

嵐やサイバー攻撃などの極端なイベントでは、PMUデータを使用したAIエージェントは、意図的にグリッドの島部分に分割秒単位の決定を下す必要があります。 シミュレーションされたシナリオの何千もの訓練された補強学習コントローラーは、最適な島境界と生成負荷バランスを決定することができ、重要な負荷を持続することができます。 そのようなエージェントが、このようなエージェントが、従来の制御下 ±1Hz の間隔を維持している合成2000バスシステムショーのテスト。

AIを用いた蛍光体データの同期化の利点

  • 強化された安定性:] AI は、制御不能になる前に、受信者の電圧の不安定性と角度のスイングを検出し、補正アクションを取るために秒の10を提供します。
  • 改善された効率:[]]最適なディスパッチと断層緩和による損失を削減し、運用コストを削減し、インフラ投資を延期します。
  • 信頼性を増加させる:[] 早期の機器の故障と断食の早期警告は、中断の頻度と期間を最小限に抑えます。
  • [適応性、自己治癒制御:[]AIは、スマートグリッドアーキテクチャの重要な特徴である、人間の介入なしで条件を変更する応答に自分自身を再構成するグリッドを有効にします。

課題と現在の制限

約束にもかかわらず、AIとPMUデータの統合はいくつかのハードルに直面しています。 データ品質は主要な懸念です。GPS時間の同期は1μs以内に維持されなければならない。 紛失したパケットやスプーフィッド測定はモデルのパフォーマンスを劣化させる可能性があります。 サイバーセキュリティは、AIシステムが適切に硬化しない限り、攻撃ベクトルになるため、別の重要な問題です。 パワーシステムダイナミクスの複雑さは、多くのAIモデルがブラックボックスであり、オペレータが信頼できるために困難に陥ります。 決定は、AIシステムが適切に調整可能な方法を説明するために開発されます。

インフラコストも障壁を維持します。すべてのサブステーションでPMUをデプロイすると高価であり、通信ネットワークは低レイテンシ、高帯域幅のストリーミングをサポートしなければなりません。 IEEE C37.118などの標準は、サブステーションの自動化ヘルプのための同期データとIEC 61850のために、しかし相互運用性の問題が主張する。 さらに、トレーニングAIモデルは、ケーシング障害などのまれなイベントのための大きなラベル付きデータセットを必要とします。 合成データ転送やこの生成方法などのテクニックは、この世代に移行し、この学習を学習しています。

今後の方向性・新興研究

次のフロンティアは、PMUデータのためのエッジAIです。 PMUユニットやサブステーションゲートウェイに直接軽量ニューラルネットワークを展開することにより、決定レイテンシを5ミリ秒未満に減らすことができます。中央制御センターを待つことなく、保護レベルのアクションを有効にします。 これは、風土のサブ同期共鳴などの高速現象にとって重要です。

ライブPMUデータが供給するリアルタイムシミュレーションを実行する電力網のデジタルツインズは、オペレータが継続的にどのようなシナリオをテストすることができます。AIエージェントは、物理的な資産の展開前にデジタルツインで訓練され、リスクを軽減します。 米国エネルギーのグリッドモダナイゼーションラボコンソーシアムは、電圧規制と混雑管理のための有望な結果を持ち、すでにいくつかのユーティリティサイトでこのアプローチを実証しています。

もう一つの最先端領域は、シンクロファサー加工のための量子機械学習です。量子アルゴリズムは、数千の発電機の最適化の問題(例えば、数千の発電機とのユニットのコミットメント)の注文を、古典的な方法よりも高速で解決することができます。太平洋北国立研究所からの早期の研究では、量子サポートベクトルマシンは、古典的なモデルに等しい精度でPMUベースの安定性マージンを分類することができますが、指数関数的に少ない訓練サンプル。

標準化とコラボレーションが採用を加速します。北米シンクロファサー・イニシアティブ(NASPI)や欧州伝送システム・オペレーターネットワーク(ENTSO-E)などの取り組みは、PMUデータとAI統合のためのベストプラクティスを共有するためのフレームワークを提供します。これらの取り組みが成熟すると、完全に自律的、自己治癒的なグリッドのビジョンはますますます有形になります。

コンテンツ

高度な人工知能を備えた高解像の相続データの融合は、もはや実験室の好奇心ではなく、現代の電力システムのための実用的な必要性ではありません。 リアルタイムの振動から予期せぬメンテナンスと自律的な島々への減衰、AIはPMU投資のフルポテンシャルを解除します。 データの品質、サイバーセキュリティ、および解釈に関する課題は、継続的に研究および業界パイロットがそれらを克服しています。 ユーティリティとシステムオペレーターは、このソリューションを装備し、将来の電力と統合を最適化します。 これにより、このソリューションは、より一層の電力を装備し、より効率的なシステムが、より効率的なシステムを構築することができます。

さらなる読書については、 ]NASPI の PMU データ アプリケーションに関する技術的なレポート、 ]]]、エネルギーグリッドの近代化イニシアティブの米国部門、および [[]]])、EPRI のグリッド操作ホワイトペーパーのための AI 。