Power Systems의 AI 전원 결함 탐지: 기술 개요

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

왜 결함 탐지 매트

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

전통적인 결함 탐지: 힘과 한계

전통적인 보호 시스템은 세례적인 규칙을 사용합니다: 현재 주어진 시간 동안 세트 문턱을 초과하면, 여행 신호가 발행됩니다. 거리 릴레이는 결함 위치를 추정하기 위하여 임피던스를 측정합니다. 이 방법은 간단하고 빠르며 잘 서서 서 있습니다. 그러나 그들은 다음과 같이 투쟁합니다.

  • 높은 임피던스 결함 (예:), 낮은 전류 변경을 생산하는 나무 분지 접촉).
  • Intermittent Errors 임계값을 트리거하기 위해 충분히 긴 지속하지 않는.
  • 실행 오류 를 변경하는 특성은 시간이 지남에 따라.
  • Network complexity 재생 가능한 소스, 분산 세대 및 양방향 전력이 기존의 결함 서명을 찡그림하는 곳.

AI 방법은 그리드의 명시적 수학 모델없이 데이터의 복잡한 비선형 관계를 학습함으로써 이러한 제한을 극복합니다.

Fault Management를 위한 AI 워크플로우

데이터 취득 및 사전 처리

AI 기반 결함 검출은 phasor 측정 단위 (PMU), 디지털 결함 기록기, 똑똑한 미터 및 감독 통제 및 자료 취득 (SCADA) 체계에서 고해상도 자료로 시작합니다. 중요한 신호는 삼상 전압 및 현재, 빈도 및 조화되는 내용을 포함합니다. 자료는 몇몇 kHz (PMU)에 초당 30 표본에서 표본에 표본에 표본으로 표본으로 표본으로 입니다. 전처리 단계는 다음을 포함합니다:

  • Denoising: 필터 적용(예:파렛변) 은 블러링 트랜스미터 기능 없이 측정 소음을 제거하기 위해.
  • Normalization: 다른 운영 조건에서 일관성을 보장하기 위해 0개의 의미와 단위 가변 신호를 확장합니다.
  • Time 동기화: GPS 타임스탬프를 사용하여 여러 소스에서 데이터를 정렬하여 결함 위치를 결정합니다.
  • 특징 추출: RMS 값, 위상 각도, 대칭 구성 요소(긍정, 부정적인, 제로 시퀀스), 파렛 계수와 같은 고수준 지표를 제공.

Fault Detection의 AI 모델

몇몇 기계 학습 및 깊은 학습 건축술은 성공적으로 적용되었습니다:

  • 인공 신경 네트워크 (ANNs): 정상적인 대를 분류하는 역사적인 결함 자료에 훈련되는 Feedforward 네트워크. 전압과 현재 파형의 패턴 인식에 사용.
  • Support Vector Machines (SVMs): 제한된 교육 데이터와도 바이너리 분류 (fault/no 결함)에 효과적인. 그들은 잘 작동 할 때 기능의 수는 샘플에 높은 상대.
  • Decision Trees and Random Forest: 해석 가능한 규칙(예: "0-sequence Voltage가 X를 초과한 경우, 오류 유형 Y")을 제공합니다. 무작위 숲은 여러 나무를 합쳐서 정확도를 향상시킵니다.
  • Convolutional Neural Networks (CNNs):] 원시 시간 시리즈 신호 또는 시간 주파수 이미지 (spectrograms)에 직접 적용. CNNs는 로컬 패턴과 번역 invariance를 캡처하고 결함 위치와 임피던스의 변화에 견고하게 만듭니다.
  • Recurrent Neural Networks (RNNs) 및 롱 Short-Term Memory (LSTM):] 순차적인 데이터를 위해 설계. LSTMs는 진화 결함 또는 사전 결함 상태를 검출하기 위해 장기적인 의존성을 기억합니다.
  • Autoencoders: 정상 작동 패턴을 재구성하는 훈련. 높은 재구성 오류는 잘못된 데이터가 스카이스 때 unsupervised 오류 감지에 대한 anomaly-ideal을 나타냅니다.

Fault 분류 및 현지화

이 시스템은 끊임없이 변화하는 시스템입니다. 이 시스템은 끊임없이 변화하는 시스템입니다. 이 시스템은 끊임없이 변화하는 시스템의 변화에 대한 인식을 갖는 것입니다. 이 시스템은 끊임없이 변화하는 시스템의 변화에 대한 인식을 갖추게 됩니다. 수많은 자원을 활용한 자원을 활용한 자원을 활용한 자원을 활용하고 있습니다. 수많은 자원을 활용한 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용하고, 자원을 활용할 수 있습니다.

AI-Driven 결함 관리의 이점

  • Real-time speed: 현대 AI 모델, 특히 경량 신경망은 가장자리 장치에 배치되어 몇 밀리 초 이내에 결함을 감지하고 분류 할 수 있습니다. 기존 릴레이보다 더 빠르고.
  • Adaptability: 새로운 데이터로 자동 AI 시스템 재훈련은 세대 혼합, 로드 패턴 및 네트워크 토폴로지 (예: 재구성 후)의 변경에 적응.
  • 누적 결함에 대한 저항: AI는 변압기의 케이블 또는 절연 분해에 부분 방전과 같은 전례 실패를 식별 할 수 있습니다, 예측 유지 보수를 가능하게.
  • Multivariate 분석: 그리드의 여러 센서에서 신호를 상관하고, 단점 측정에 보이지 않는 오류를 감지합니다.
  • ]중소 경보: 시스템의 정상적인 가변성을 학습함으로써 AI는 전환 일시적, 부하 변화, 또는 측정 오류로부터 정품 결함을 구별할 수 있습니다. 불필요한 여행.
  • 비용: 예방된 정전, 감소된 장비 손상, 최적화된 유지 보수 일정은 상당한 운영 절감으로 번역됩니다.

Real-World 응용 프로그램 및 사례 연구

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Overcome에 도전

결과를 전파에도 불구하고, 결함 관리에 AI 채택은 여러 장애물을 직면 :

  • 데이터 품질 및 가용성:고품질 라벨 결함 데이터는 무서운다. 정상적인 운영 데이터는 풍부하지만 결함은 드문 이벤트이다. 합성 데이터 생성 및 전송 학습은이 주소를 탐구한다.
  • 모델 해석성: 딥러닝 모델은 종종 블랙 박스입니다. 유틸리티 및 규제 기관은 특히 보호 릴레이가 신뢰할 수 있을 때 설명할 수 있는 결정이 필요합니다. SHAP 및 LIME과 같은 설명 가능한 AI(XAI) 기술은 견인을 얻고 있습니다.
  • Cybersecurity: AI 시스템은 자기가 모험 입력을 통해 공격 될 수 있습니다. 악의적인 데이터 조작에 대한 견고성을 보장하는 것은 그리드 신뢰성에 중요합니다.
  • 레거시 하드웨어와 통합: 많은 변전소는 여전히 전기 기계 또는 고체 릴레이를 사용합니다. AI-capable 컨트롤러와 개조는 주의적인 계획 및 투자를 요구합니다.
  • Validation and Certification:] 그리드 보호 시스템은 표준을 충족하기 위해 엄격한 테스트를 받아야 합니다 (예: IEEE C37.118, IEC 61850). AI 모델은 배포하기 전에 다양한 시나리오에 유효성 검사되어야 합니다.

미래 지향

오류 관리에서 AI의 다음 진화는 다음과 같습니다.

  • Federated Learning: 원시 데이터를 공유하지 않고 여러 유틸리티를 통해 교육 모델, 모델을 일반화 개선하면서 개인 정보 보호 보존.
  • Edge 컴퓨팅: 지능형 전자 장치(IED)에 직접 경량 모델을 배포하고 통신 대기시간과 대역폭을 줄이기 위해 릴레이를 설정합니다.
  • 디지털 트윈: 전체 그리드의 실시간 디지털 복제를 만들고 결함 시나리오를 시뮬레이션하고 안전한 환경에서 AI 모델을 훈련합니다.
  • Graph neural network:] 네트워크 상부를 활용해 개선된 결함 검출 및 위치, 특히 높은 재생 가능한 침투를 가진 그리드에서.
  • 재생 에너지와 통합: 인버터 기반 자원이 지배적 인 것처럼, AI 모델은 새로운 결함 특성에 적응해야합니다 (예 : 태양 인버터에서 낮은 결함 전류).

AI는 전통적인 보호 그러나 강력한 낙관을 위한 보충이 아닙니다. 기계 학습의 정보와 전통적인 릴레이의 속도 그리고 신뢰성을 결합해서, 힘 체계는 탄력의 전례한 수준을 달성할 수 있습니다. 지속적인 연구 및 조종사 프로젝트는 결함이 다만 검출하고 명확하게 그러나 예상하고 막히지 않는 미래를 나타냅니다.

더 읽기를 위해, ]EPRI는 그리드 현대화에 대한 AI 보고서], ]] 전력 시스템 결함 진단에 대한 깊은 학습에 대한 IEEE 조사, 그리고 ] 그리드 이니셔티브에 대한 U.S. DOE AI .