แนะ นํา ให้ AI ในระบบพลังงาน
ความต้องการไฟฟ้าทั่วโลกยังคงเพิ่มขึ้น ขับเคลื่อนด้วยการขับเคลื่อนของระบบขนส่งข้อมูล การขยายตัวของศูนย์ข้อมูล และการเติบโตของอุตสาหกรรม ในขณะเดียวกัน ระบบไฟฟ้าต้องรองรับแหล่งกําเนิดที่ต่อเนื่องและโครงสร้างพื้นฐานที่ถาวรได้
วิธี ที่ พลัง งาน เพิ่ม ขึ้น
แหล่ง ข้อมูล และ การ ประมวล ผล ก่อน
ระบบ AI รับข้อมูลจากแหล่งย่อย ๆ ส่วนมาก: ระบบไฟฟ้าและระบบส่งคลื่นไฟฟ้าในปัจจุบัน เซ็นเซอร์อุณหภูมิบางส่วน จอภาพการปล่อยของเครื่องตรวจจับบางส่วน ส่งสัญญาณป้องกัน และหน่วยเมตร ข้อมูลมักจะมีสัญญาณรบกวน, ความถี่สูง, และมีความไม่ขึ้นกับระบบย่อยข้อมูล การสื่อสารเอไอในปัจจุบัน ทําความสะอาดอัตโนมัติ, และถอดสัญญาณที่เคยใช้มาก่อนหน้านี้ เช่น เครือข่ายของ convolutional perition (CNN) สามารถเรียนรู้การตรวจจับรูปแบบการบันทึกข้อมูล (CNCN) ในขณะที่ระบบย่อยข้อมูล (LSTM) จับภาพการขึ้นทะเบียนข้อมูลการขึ้นทะเบียนข้อมูล (LST) จับภาพการขึ้นทะเบียนเวลาได้
รุ่น ของ การ เรียน รู้ เครื่อง เพื่อ การ ตรวจ วินิจฉัย โรค อะ โน มา ลิ
แบบจําลองที่ครอบคลุม (เช่น ป่าแบบสุ่ม, ต้นไม้แบบเกรเดียน-บูสติ้ง) จะถูกฝึกบนข้อมูลทางประวัติศาสตร์ที่ถูกกํากับไว้ เพื่อจําแนกประเภทการปฏิบัติการที่ผิดปกติของผู้ป่วยปกติ เช่น autocodes หรือการแยกแยกประเภทของป่า โดยไม่ได้รวมเข้ากับข้อผิดพลาดของนิยาย -- วิกฤตสําหรับโหมดความล้มเหลวที่เกิดใหม่ แนวทางการจําแนกและควบคุมด้วยตนเองยังทําให้แบบจําลองสามารถเรียนรู้จากข้อมูลขนาดใหญ่ที่ยังไม่ได้ระบุ และมีความเชี่ยวชาญที่จํากัดได้อีกด้วย
การลดเวลาจริงและขอบการลดเวลา
ระยะเวลาที่สั้นลงเป็นปัจจัยสําคัญ: ไม่กี่มิลลิวินาที สามารถทําให้เกิดความแตกต่างระหว่างการแฟลชโค้งที่บรรจุอยู่ และการหมดสติแบบร้ายแรง รูปแบบการวิเคราะห์แบบเมฆแบบธรรมดาทําให้ล่าช้าที่ยอมรับไม่ได้ เอกซ์เอไอ -- การเพิ่มรุ่นที่เบากว่าโดยตรงบนตัวควบคุมตรรกะแบบโปรแกรม (LELCs) หรืออุปกรณ์อิเล็กทรอนิกส์ที่ชาญฉลาด (IED) -- ออกแบบแบบย่อยได้ เช่น การเดินแบบขอบสามารถเดินทางผ่านวงจรวงจรที่ตรวจจับได้ภายในหนึ่ง เมื่อมันทํางานพร้อมกัน ก็จะส่งตัวตรวจผลเข้าสู่ศูนย์ปฏิบัติการ
โปรแกรม สําคัญ ๆ ของ AI ใน การ ตรวจ สอบ และ วินิจฉัย
การซ่อมแซมก่อนกําหนด
การ บํารุง รักษา แบบ ชีวภาพ ใช้ เอ็ม แอล เพื่อ พยากรณ์ ว่า จะ มี การ ใช้ ชีวิต ที่ เป็น ประโยชน์ ต่อ ไป (RUL) ของ ทรัพย์สิน ต่าง ๆ เช่น เครื่อง แปรรูป, เครื่อง หักเห, และ แบตเตอรี่.
althyTime Anomaly perition (การตรวจจับโรคทางร่างกาย)
อัลกอริทึมที่ควบคุมไม่ได้ สามารถขยายค่าจากค่าพื้นฐานที่เรียนรู้ได้เล็กน้อย เช่น การเพิ่มความบิดเบือนของเสียงรบกวน ซึ่งแสดงถึงความล้มเหลว เมื่อรวมกับการมองเห็นภาพภาพ ผู้ประกอบการได้รับสัญญาณรบกวนที่เคลื่อนไหวได้
การ วินิจฉัย ผิด โดย อัตโนมัติ และ การ วิเคราะห์ ราก สาเหตุ
เมื่อเกิดความผิดพลาด โดยระบุสาเหตุที่แน่นอน -- ไม่ว่าจะเป็นการฟาดด้วยฟ้าผ่า, อุปกรณ์, หรือข้อผิดพลาดของเครื่องดําเนินการ -- อาจใช้เวลาหลายชั่วโมง เครื่องยนต์ตรวจวัดพลังงานของเหตุการณ์เปรียบเทียบลายเซ็นกับฐานข้อมูลชนิดข้อผิดพลาดที่รู้จัก เครือข่ายของเบเซเชียนและแบบจําลองการจําแนก ขอบเขตการแบ่งพื้นที่ออกเป็นพื้นที่ โดยการจัดอันดับของแหล่งราก โดยการใช้ตัวดําเนินการระบบระบบยุโรปหนึ่ง เอไอลดเวลาลง เพื่อวินิจฉัยว่าใช้เวลา 90 นาทีที่ต่ํากว่า 10 นาที
การ มอง ใน แง่ ดี และ การ แบก ภาระ
AI ยังสนับสนุนประสิทธิภาพการทํางานโดยการไหลของพลังงานอย่างเหมาะสม ตัวทดลองการเรียนรู้บังคับการควบคุมนโยบายควบคุมการบังคับ การเปลี่ยนระบบธนาคาร และปรับค่าประปา
ประโยชน์ จาก การ ใช้ เครื่อง มือ อิเล็กทรอนิกส์ ใน ระบบ พลังงาน
เพิ่มความยืดหยุ่นและลดเวลาลง
การ ตรวจ พบ ข้อ ผิด พลาด ที่ กําลัง จะ เกิด ขึ้น ใน ตอน ต้น จะ ป้องกัน ไม่ ให้ เกิด การ กลั่น แกล้ง กัน.
การ บันทึก ค่า ใช้ จ่าย ใน การ ดําเนิน งาน
การบํารุงรักษาก่อนกําหนดลดค่าใช้จ่ายการซ่อมแซมโดยตรง แต่ออมเงินเพิ่มมากขึ้น: การโทรออกฉุกเฉินน้อยลง, การจัดรายการของอะไหล่ที่จัดอันดับของส่วนย่อยที่เหมาะสมที่สุด และอายุการใช้งานที่ยืนยาวขึ้น
ความ ปลอด ภัย ที่ เพิ่ม ขึ้น
ระบบ เอ ไอ สามารถ ตรวจ สอบ สถานี ย่อย ต่าง ๆ ที่ อยู่ ใน ระยะไกล และ ทํา ให้ บริเวณ ที่ เป็น อันตราย มี การ ปล่อย จรวด ออก มา โดย ไม่ ต้อง ทํา อะไร เลย เช่น จําลอง การ ถ่าย ภาพ ด้วย อุณหภูมิ จะ ตรวจ จับ ความ ร้อน ที่ มี มาก เกิน ไป ก่อน ที่ จะ เป็น อันตราย ที่ จะ เกิด อาร์ค แฟลช ซึ่ง ทํา ให้ มี การ ทํา การ ควบคุม ตัว เอง โดย ไม่ ต้อง ให้ ลูก เรือ เข้า ไป ใน อุโมงค์.
การ ทดแทน พลัง งาน ที่ สามารถ ฟื้น คืน มา ได้ ดี กว่า
สุริยะ และ ลม เป็น สิ่ง ที่ ไม่ แน่นอน และ ไม่ แน่นอน.
ปัญหา และ ข้อ จํากัด
คุณภาพและความไวต่อข้อมูล
AI รุ่นดีเท่าที่ข้อมูลที่ถูกฝึกมา หลายระบบใช้เซนเซอร์มรดกที่มีอัตราการรับข้อมูลน้อยหรือการลงข่าวไม่สมบูรณ์ รูปแบบข้อมูลที่ออกจําหน่าย, timetamps ที่สูญหาย และป้ายป้ายผิดพลาดลดประสิทธิภาพ การลงทุนในการปรับปรุงเซ็นเซอร์และการจัดการข้อมูลเป็นปัจจัยจําเป็นสําหรับการใช้งาน AI
ความ ไม่ ปลอด ภัย ทาง อินเทอร์เน็ต และ ความ ไม่ แน่นอน
ระบบ AI ที่ควบคุมทรัพย์สินของตารางสร้างพื้นผิวการโจมตีใหม่ การป้อนข้อมูลแบบย่อ สามารถหลอกเครื่องตรวจจับประตูมิติ หรือตัวโจมตีสามารถทําการเพิ่มข้อมูลการเจาะระบบได้ การเข้ารหัสแบบ Robint, ประมวลผลข้อมูล, และตรวจสอบอย่างต่อเนื่อง จําเป็นต่อการป้องกันการแสวงหาประโยชน์ โครงสร้างการปรับเปลี่ยน (เช่น ARCCIP ในทวีปอเมริกาเหนือ) บังคับใช้ความต้องการที่เข้มงวดในการจัดทําการออกแบบระบบ AI
ความ สามารถ และ ความ ไว้ วางใจ
ผู้ ทํา งาน มัก จะ ลังเล ใจ ที่ จะ ทํา ตาม คํา แนะ นํา ที่ ว่า “กล่อง ดํา ” ถ้า ผู้ ทํา งาน คน หนึ่ง แนะ ให้ ทํา แบบ ลวก ๆ แต่ ไม่ สามารถ อธิบาย ได้ ว่า ทําไม ผู้ ควบคุม อาจ ไม่ สนใจ เรื่อง นี้ ผู้ ควบคุม อาจ ไม่ สนใจ เรื่อง นี้
การ เข้า ไป พัวพัน กับ โครง สร้าง ที่ เป็น มรดก ตก ทอด
ระบบไฟฟ้าส่วนใหญ่เกี่ยวข้องกับอุปกรณ์ที่เก่ากว่าทศวรรษอื่น ๆ ที่มีระเบียบการสื่อสารแบบจุลภาค (เช่น DNP3, Mods, IEC 61850) การปรับโครงสร้างเอไอใหม่ในสภาพแวดล้อมเหล่านี้ต้องใช้อุปกรณ์ที่แปลและจัดการระบบความล่าช้า entercycy ต้องวางแผนอย่างรอบคอบในการอัพเกรดเพื่อหลีกเลี่ยงการแทรกแซงวิกฤต
การ ชี้ นํา ใน อนาคต สําหรับ AI ใน ระบบ พลังงาน
ฝาแฝดดิจิตอลและการเรียนรู้แบบจําลอง
ฝาแฝดดิจิตอล -- จําลองระบบพลังงานทางกายภาพเสมือน -- ป้องกันไม่ให้โมเดล AI ฝึกและรับรองได้ ในสภาพแวดล้อมที่ไร้ความเสี่ยง บุคลากรการเรียนรู้ที่เพิ่มความอันตราย สามารถสํารวจสถานการณ์ได้หลายล้านอย่าง (เกิดข้อผิดพลาดทางอินเตอร์เน็ต การโจมตีอย่างรุนแรง) ในการทดลองจําลองก่อนใช้งานอุปกรณ์สด กองทุนย่อยสําคัญหลายแบบ ได้สร้างแฝดสําหรับระบบสื่อสารและเครือข่ายกระจายสื่อแล้ว
การ เรียน รู้ อย่าง พิถีพิถัน เพื่อ การ ร่วม มือ กัน
ความสามารถในการสอนสามารถแบ่งปันข้อมูลต้นแบบได้โดยไม่ต้องเปิดเผยข้อมูลลับผ่านการเรียนรู้ที่เติมเข้าไป ทุกรายการที่มีประโยชน์ จะรถไฟต้นแบบบนข้อมูลของตนเอง และมีการปรับปรุงรุ่นเท่านั้น (gadits) เท่านั้น ที่ถูกรวมไว้ที่เซิร์ฟเวอร์ศูนย์ วิธีนี้เร่งการทํางานและเคารพความเป็นส่วนตัวและขอบเขตการกํากับ
AI สําหรับกริดออโตโนมี่และเซลฟ์ ⁇ Healing
การ วิจัย ใน ระยะ ยาว จะ มุ่ง ไป ยัง ตาราง เวลา ที่ สามารถ ปรับ ปรุง ตัว เอง ให้ ดี ขึ้น ได้ หลัง จาก เกิด ความ ผิด — การ ทํา ให้ ส่วน ต่าง ๆ ของ ส่วน ที่ ได้ รับ ความ เสีย หาย และ การ ซ่อมแซม เป็น เวลา หลาย วินาที.
ความร่วมมือระหว่างมนุษย์กับมนุษย์
การ ตรวจ สอบ แบบ อัตโนมัติ จะ ช่วย ให้ ผู้ ใช้ มี ความ เข้าใจ มาก ขึ้น และ ช่วย ให้ เขา รู้ ว่า จะ ทํา อย่าง ไร เพื่อ จะ มี ความ สามารถ ใน การ คิด และ การ กระทํา ที่ ดี ขึ้น
การ ที่ ปัญญาประดิษฐ์ จะ รวม ตัว กัน เข้า กับ การ ตรวจ สอบ และ การ วินิจฉัย ไม่ ใช่ แค่ การ ปรับ ปรุง ใหม่ ๆ เท่า นั้น แต่ เป็น การ ปรับ เปลี่ยน ขั้น พื้น ฐาน ใน การ ปรับ ตัว ให้ เข้า กับ ระบบ พลังงาน ที่ ปรับ ตัว ได้ ง่าย ขึ้น และ มี ประสิทธิภาพ มาก ขึ้น
2559 สําหรับการอ่านเพิ่มเติม ดู [FLT: 0] สืบค้นเมื่อ Power &hamp; บทความพิเศษเกี่ยวกับ AI ในระบบพลังงานไฟฟ้า , กรมพลังงานพลังงานใหม่ (FLT:2]. กรมพลังงาน กรมพลังงาน AI สําหรับการวิจัยแบบกริด (FT:3) และ[FLT: 4] แผนกพลังงานคอมพิวเตอร์ของกรมพลังงานแห่งเอไอ (FIFT).