Elektrik şebekesi modern toplumun arka kemiğini oluşturur ve alt istasyonlar, yapay Zeka (AI) ve Nesnelerin İnterneti (IoT) ile birliktelikli ve zaman temelli bir program takip eder: Bir dizi yıl sonra ekipmanlarını başarısız veya yerine getirirken, yaklaşımlar pahalı ve verimsizdir.Bu makaleye ek olarak, AI'nın ve ağarmasına ve bakımlarını sürekli olarak takip eder.
Tahmin edici Bakım Anlayışı
Tahmin edici bakım (PdM), gerçek koşula bakılmaksızın sabit bir programdır, tahmin edici bir bakım, sadece bir problemin geliştiği durumlarda, ekipman başarısız müdahalelerin başarısız olması ve felaket başarısızlıklarının önlenmesini öngören bir veriye dayalı bir stratejidir.
Onun özünde, tahmin edici bakım üç elemente dayanıyor: algılama, veri iletimi ve analiz. IoT sensörleri, sıcaklık, vibrasyon, kısmi deşarj, gaz basıncı ve mevcut. Bu veriler akışları genellikle bulut tabanlı, AI modellerinin analiz ettiği ve erken bir bozulma işaretlerini tespit ettiği bir platforma aktarılır.Bir model bir uyarı yaratırken, bakım ekiplerinin optimal zaman içinde araştırma ve müdahale etmesini sağlar.
Tahmin edici bakım için önbellek geçiş, şebeke modernizasyonunun önemli bir ayağıdır.Tek bir dönüştürücü başarısızlığın milyonlarca onarıma ve kayıp gelire mal olabileceği durumlarda, bu iyileştirmeler dönüştürücü bakım maliyetleri% 25 ila% 70 azaltılabilir.
AI'nın alt istasyondaki rolü Predictive Bakım
AI, geniş miktarda sensör verilerini işleme ve insan operatörlerinin kaçıracağı karmaşık kalıpları öğrenme yeteneği getiriyor. Makine öğrenimi (ML) modeller hem normal çalışma koşullarını ve bilinen başarısızlık olayları içeren tarihsel veriler üzerinde eğitilir.Bir kez dağıtılanda, bu modeller sürekli olarak öğrenilen temel hatların doğrultılmasına karşı canlı verilerle karşılaştırır.
Anomaly Tespit için Makine Öğrenme
Anomaly algılama, alt istasyon bakımında AI'nın en yaygın uygulamaları biridir. Kontrolsüz öğrenme teknikleri, otoencoders ve kümeleme algoritmaları gibi, sıra dışı algoritmaların etiketlenmesi olmadan okumalarını belirleyebilir. Örneğin, bir şekilde çözülmemiş gaz seviyelerinin dönüştürücü bir şekilde yükselmesi - kabul edilebilir sınırlar içinde - bir hatadan önce bir hatanın bulunduğu bir model tarafından bayraklanabilir.
Derin öğrenme modelleri özellikle zaman serisi verileri için etkilidir. Uzun kısa süreli bellek (LSTM) ağlarını ve konvolutional sinir ağları (CNNs), bir devre kesicinin haftalar veya aylar boyunca yavaş yavaş yavaş bozulması gibi sensör akışlarında zamansal bağımlılıkları yakalayabilir.Bu modeller, bir varlığın geri kalanını tahmin edebilir, bakım için kesin bir pencere sağlayabilir.
Varlık Sağlığı için Önlemsel Modeller
Anomaly algılamanın ötesinde, AI modelleri, ekipman sağlığının dijital gösterimini oluşturmak için kullanılır. Örneğin, bir dönüştürücü sağlık indeksi birden fazla giriş değişkenlerini birleştirerek hesaplanabilir - petrol sıcaklığı, yük, vibrasyon, gaz analiz ve kısmi deşarj aktivite - tek bir puana kadar, bu puanlar alt istasyonlarda bakım için öncelik verir.
Edge AI for Real-Time Decision Making
Latency ve bant kısıtlamaları, analiz için buluta tüm ham sensör verilerini göndermek için pratik hale getirir. Edge AI, doğrudan IoT ağ geçidinde bulunan hafif modeller veya akıllı sensörler üzerinde çalışır.Bu modeller gerçek zamanlı olarak kesintiye uğrayabilir ve bağlantılarını tetikleyebilir - kritik bir eşiğin aşılırsa - bulut işlemesini beklemeden. Edge AI, veri akışının hacmini azaltır, tasarruf ve bulut maliyetlerini azaltır.
IoT'nin alt istasyonda izlemedeki rolü
IoT tahmin edici bakım sistemidir: AI'nın işleve ihtiyacı olan verileri sunar. Modern alt istasyonlar, fiziksel ve elektrik parametrelerini sürekli ölçen bir dizi akıllı sensörler ile donatılmıştır. Bu cihazlar endüstriyel iletişim protokolleri ile bağlantılıdır, merkezi bir veri platformuna besleyen bir ekosistem oluşturur.
Sensörler ve Data Collection
Bir alt istasyondaki anahtar sensör türleri şunlardır:
- [FONT:0]Temperature sensörler[[[Dönetici: 1 ) - transformatörlerde petrol ısısını izlemek, anahtar odalarda ısıyı izlemek ve devre kesicilerde ısı ile iletişim sıcaklığı.
- [FONT=0]Vibration sensörler[[Dönetici: 1) - musluk değiştiricileri, fanlar, pompalar ve dönen makinelerde mekanik aşınma tespit.
- [FONT:0)Partial deşarj (PD) sensörler[Dönetici 1) - dönüştürücüler, kablolar ve GIS (gas-i izolasyon değiştirici) ile yalıtım bozulmalarını tespit edin.
- [DGA) Çözülmüş gaz analizi (DGA) monitörler ) - hidrojen, mehane ve transformatör yağı gibi gazları ölçmek, iç yay veya aşırı ısıtmayı gösteren.
- [FONT:0)Current ve gerilim dönüştürücüler[Dönder: 1) Elektrik yükü ve güç kalitesi verileri sağlar.
- [FONT:0)Humidity ve gaz basıncı sensörleri) - mühürlenen geçiş bölmelerinin içinde doğru koşullar sağlar.
Kablosuz IoT sensörleri giderek daha fazla telli yüklemeleri değiştiriyor ve yükleme maliyetlerini azaltır ve uzun mesafeler boyunca veri aktarmaya izin veriyor.The Wireless IoT servers are more replace teld installations, reduce installation costs and enable retrofitting of traditional substations without wide downtime. Protocols such as LoRaWAN, Zigbee, and kablosuzHART allows low-power servers to communicate data over longmeter.
İletişim protokolleri ve Data Transmission
Substation IoT cihazları, alt istasyon otomasyon için tasarlanmış standartları kullanarak iletişim kurar ve farklı üreticilerden cihazlar arasında karşılıklılık sağlar. Veriler genellikle alt istasyon ağ geçidi veya kenar sunucusu tarafından toplanır ve bu da, verilerin bulut veya MQT ile önceden belirlenmiş bir analitik platformuna gönderilir.
AI Systems ile entegrasyon
Başarılı entegrasyon, yüksek seviyeli verileri depolamak için sağlam bir veri boru hattı gerektirir ve gelen sensör okumaları. Zaman serisi veritabanı (örneğin, InfluxDB, TimescaleDB) yaygın olarak yüksek seviyeli verileri depolamak için kullanılır. AI modelleri daha sonra ana akımlar veya gerçek zamanlı uyarı noktaları olarak ayarlanır.
Örneğin, bir fayda, 50 tane alt istasyonda 50 dönüştürücüye sıcaklık ve PD sensörleri dağıtabilir. IoT ağ verilerini LSTM ve XGBoost modellerine benzeyen bir AI motoruna gönderiyor.Ensemble bayrakları bir başarısızlık riski altındayken (örneğin, önümüzdeki 30 gün içinde% 85 olasılık) bir uyarı mobil uygulama aracılığıyla bakım ekibine gönderilir.
AI ve IoT Entegrasyonunun Faydaları
AI ve IoT kombinasyonu, şebeke operatörleri için somut operasyonel ve finansal fayda sağlayan sinerjik sistemler yaratır.
Azalmış Downtime
Tahmin edici bakım, bir başarısızlıktan önce müdahale etme hizmetleri sağlar. Planlanan bakım pencereleri sırasında onarımları planlı bakımlamaları yaparak, planlanmamış downtime en aza indirilebilir. Elektrik Güç Araştırma Enstitüsü (EPRI) tarafından yapılan bir araştırma, AI tabanlı tahmin edilebilir bakım, tüm bölgeleri etkileyebilecek karalamaları önlemek için alt istasyondan aşağıya kadar azaltılabilir.
Maliyet Tasarrufları Maliyet Tasarrufları
Büyük bir güç dönüştürücüyü yeniden kurmak, yalnızca sabit programlarda olduğu gibi, sabit bir süre boyunca maliyetlerin ve bu tür varlıkların ömrünü erken yakalayarak genişletebilir. Ek olarak, bakım işi daha verimli kullanılır - mürettebatlar sadece sabit programlarda olduğu zaman gönderilir.Bu, aşırı zaman, seyahat maliyetleri azaltır ve yedek parçalar için maliyetleri azaltır.
Geliştirilmiş Güvenlik
Substation ekipmanları yüksek gerilimlerde çalışır ve personel başarısızlık olayları sırasında yaklaşması için tehlikeli olabilir. Tahmin edici uyarılar operatörlerin felaket bir başarısızlık meydana gelmeden önce enerji ekipmanlarını uzaktan ayırmalarını sağlar, milisler, patlamalar veya toksik gazlar serbest ortamda sürekli izleme ihtiyacına izin verir.
Genişletilmiş Ekipman Yaşam
Erken bozulmaya hitap ederek - örneğin, gaz seviyelerini çözünen veya titreşim trendleri artırıldığında gevşek bağlantıların gaz seviyelerinin yükselmesi veya sıkılaştırılması – operatörler, reaktif veya önleyici yaklaşımlarla hizmette uzun süre boyunca ekipman tutabilir. yüzlerce alt istasyondan fazla, bu büyük sermaye değiştirme döngüleri ve büyük yatırımlar uzanır.
Geliştirilmiş Grid Reliability ve Resilience
Toplanan talep veya aşırı hava sırasında online kalan bir alt istasyon, şebekenin genel istikrarına yardımcı oluyor. Predictive bakım, çöp veya gerilim dengesizliğini yükleyebilecek başarısızlıklara yardımcı oluyor. değişken çıkışlarla daha yenilenebilir enerji kaynakları bağlantılı olarak, güvenilir alt istasyon ekipmanlarına ihtiyaç daha da büyük hale gelir. AI-güdümlü içgörüler, şebekeyi dengelemeye yardımcı oluyor.
Uygulamada Zorluklar
Açık avantajlarına rağmen, alt istasyonlarda tahmin edici bakım için AI ve IoT dağıtma engellerden yoksun değildir. Utilities, teknik, organizasyonel ve finansal zorluklarla tam potansiyelin farkına varmak için ele alınmalıdır.
Data Quality and Volume
Tahmin edici modeller sadece üzerinde eğitildiği veriler kadar iyidir. Alt istasyonlar genellikle gürültülü veri nesli ve transferleri araştırılıyor ve veri puanlarını eksikler.Süresel veriler temizleme ve etiketleme iş yoğundur. Dahası, birçok başarısızlık olayı nadir, sentetik veri nesli gibi tahminlere yol açan veri kümesleri.
Siber güvenlik endişeleri
IoT sensörleri ve AI platformlarını alt istasyon ağlarına bağlamak saldırı yüzeyi genişletiyor. Bir uzlaşmacı sensör, AI sistemine yanlış verileri besleyebilir, yanlış tahminlere veya hatta tehlikeli eylemleri kullanarak algılamak için yanlış bilgiler verebilir. Alt istasyonlar kritik bir altyapıdır ve IEC 62443 ve NERC CIP gibi siber güvenlik standartları takip edilmelidir.
Interoperability and Standards
Birçok alt istasyon birden çok satıcıdan ekipman içerir, her biri özel iletişim protokolleri ve veri biçimleri ile. Birleştirilmiş bir varlık sağlığı görüşü, standartların (örneğin, IEC 61850, DNP3, Modbus) ile ilgili olarak, OpenFMB inisiyatifi basitleştirmek için, gerekli arayüzleri gerektirir.
İlk Yatırım ve ROI
Kapsamlı bir AI-IoT sistemi işe yaradılı bir şekilde çalışmak önemli ölçüde sermaye gerektirir: sensörler, ağ altyapısı, yazılım lisansı ve yetenekli personel. Utilities, hesapların ön değerdeki finansal hataları, genişletilmiş varlık yaşamı ve bakım işi için mücadele etmek gerekir.
Skill Gaps
Her iki makine öğrenimi ve elektrik mühendisliğini anlayan veri bilim insanları nadir. Utilities, mevcut personele sahip olmak veya tasarım, dağıtmak ve AI modellerini korumak için yeni yetenek almak gerekir. Ek olarak, alan ekipleri tahmin edici uyarılar hakkında bilgi edinmek ve hareket etmeyi öğrenmeli, bu da veriye dayalı bir karar verme alışkanlıklarından kültürel geçiş gerektirir.
Future Yol Tarifi
AI ve IoT teknolojilerinin evrimi, alt istasyon bakımı için yeni olasılıkları açmaya devam ediyor. Çeşitli eğilimler izlemeye değer.
Dijital Twins
Dijital ikiz, bir ısı dalgası sırasında% 20 oranında artış gösteren bir alt istasyon sanal bir çoğaltmadır. Gerçek zamanlı durumlarını kullanarak gerçek zamanlı durumlarını optimize etmek için dijital ikizler "if" senaryoları test etmek için dijital ikizler "ne-if" senaryoları ile daha erişilebilir hale geliyor - örneğin, bir ısı dalgası sırasında dönüşüme yol açan sıcaklık ne olur? Bu operatörler bakım programlarını optimize etmek ve operasyonel stratejileri riske atarak daha erişilebilir hale getiriyor.
5G ve Next-Generation Connectivity
5G ağları düşük gecikmeli, yüksek bant genişliği ve büyük cihaz bağlantı sunar, onları alt istasyon IoT için ideal hale getirir. 5G ile, yüksek çözünürlüklü video analizi, denetim için gerçek zamanlı robotlar kontrolü ve büyük ölçekli sensör akışları güvenilir bir şekilde desteklenebilir. Özel 5G ağları görev-kritik uygulamalar için deterministik iletişim sağlamak için yardımcı ortamlarda pilotlaşmıştır.
Özerk Bakım Sistemleri
Robotik ve AI'daki gelişmeler, tüm otonom alt istasyonlara doğru ilerliyor. Sıcaklık kameraları ve ultrasonik sensörler dış denetimleri gerçekleştirebiliyor. İstasyon robotları geçiş odalarına girebilir ve verileri toplayabilir. AI orkestraları bu cihazlar, en iyi denetim rotaları planlar ve insan müdahalesi olmadan bakım eylemleri başlatıyor.
Açıklanabilir AI (XAI)
AI tahminlerine güvenmeleri için, bir modelin neden yüksek risk olarak bir varlık olduğunu anlamaları gerekir.Açıklanabilir AI teknikleri, SHAP ve LIME gibi, hangi sensör okumalarının en çok bir tahmine katkıda bulunduğuna dair öngörüler sağlar. Bu, mühendisler modelleme çıktılarını doğrulamaya ve güven inşa etmeye yardımcı olur.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
AI ve IoT tarafından desteklenen tahmin edilebilir bakım artık bir futuristik konsept değildir - veri kalitesi ile ilgili pratik, kanıtlanmış bir stratejidir, ağ istasyonlarının güvenliğini ve verimliliğini sürekli olarak takip ederek, ekipman sağlığını ve tahmin etmeyi, hizmetlerin pahalıya mal olmasını, daha kaliteli, siber güvenlik, geçici bir güç oluşturmaya yardımcı olabilir.