AI'nın Güç Sistemlerinde Yanlış Tespit ve Tanısı Uygulaması

Güç Sistemlerinde AI-Powered Fault Tespit: Teknik Bir Bakış

Elektrik güç ızgarası kritik bir altyapı varlığıdır ve kesintisiz operasyon modern toplum için önemlidir. Hatalar - geçici ekipman başarısızlıklarından dolayı kısalar - gerçek zamanlı, ağlanabilir ve son derece doğru bir hata algılama ve teşhis için önemli tehditler sunar. Bu makale, güç sistemlerindeki hataların ve manuel analizlere göre, veri boru hatlarının karmaşıklığını ve ölçeklerini kapsayan, gerçek zamanlı olarak, gerçek zamanlı olarak, gerçek zamanlı, uyarlanabilir ve son derece doğru bir hata tespiti ve tanıtır.

Neden Hata Tespiti Maddeleri

Güç sistemi hataları, planlanmamış kesintilerin finansal etkisi ciddidir: Elektrikli Güç Araştırma Enstitüsü (EPRI) ABD ekonomisini yıllık 150 milyar $ üzerinde bir kesintiye uğratabilir, dönüştürücüler, devre kesiciler ve yük yük kaldırmaya yol açabilir.

Geleneksel Hata Tespiti: Güçlüler ve Sınırlar

Konvansiyonel koruma sistemleri, belirli bir süre için bir dizi eşiği aşsa, bir gezi sinyali yayınlanır. Mesafe röleleri hata yerini tahmin etmek için engellenir.Bu yöntemler basit, hızlı ve iyi düşünülmüşlerdir.

• [FONT:0) Yüksek eksenli hataları [Döntgen: 1)) (e.g., bir ağaç kolu düşük mevcut değişiklikler üreten bir çizgiye dokunur.
• [FONT:0]Kayıt hataları[Dönemli: 1) Bu, eşleri tetikleyecek kadar uzun sürmez.
• [FONT:0]Zoraj hatalarına yer verenler[Dönemli: 1) Bu değişim zamanla karakteristikleri değiştirir.
• [FONT:0)Network karmaşıklığı), yenilenebilir kaynaklar, dağıtılmış kuşaklar ve iki yönlü güç geleneksel hata imzalarını atmaktadır.

AI yöntemleri, karmaşık, doğrusal olmayan ilişkileri verileri kullanarak bu sınırlamaları aşarak, ızgaranın açık matematiksel modellerini gerektirmeden aşmaktadır.

Sahte yönetim için AI Workflow

Data Acquisition and Preprocessing

AI tabanlı hata algılaması, fasor ölçüm birimlerinden yüksek çözünürlüklü verilerle başlar (PMU) birkaç kHz (PMU) için test edilen ölçümler ve veri toplama (SCADA) sistemleri. Anahtar sinyalleri üç fazlı gerilimler ve mevcutlar, frekans ve harmonik içerik içerir.

• [FONT:0)Denoising:[Dönetici:[Dönder:[Dönderlik:) Uygulama filtreleri (örneğin, dalga geçişleri) geçici özellikler olmadan ölçüm gürültüsü kaldırmak için.
• [FONT:0) Normalleştirme:[Dönetici:[Dönlendirme:[Dönlendirme:[Dönlendirme:) Farklı işletim koşullarında tutarlılık sağlamak için sıfır kelime ve birim varyanlara işaret etmek.
• [FONT:0)Time senkronizasyon: [Dönetici:[Dönetici: · 1 ) GPS zaman damgalarını kullanarak birden çok kaynaktan gelen verileri – hata yeri için kritik.
• [FONT:0)Öyleleme:[Dönetici:[Dönetici:0))) RMS değerleri, faz açısı, simetrik bileşenler (pozitif, negatif, sıfır sıra), ve dalga katları gibi yüksek seviyeli göstergelerin türlenmesi.

Yanlış Tespitte AI Modelleri

Çeşitli makine öğrenimi ve derin öğrenme mimarlıkları başarıyla uygulandı:

• [FONT=0)Artificial Neural Networks (ANNs):[[Dönetici: 1) Sürekli hata verileri normal vs. hata durumlarını sınıflandırmak için eğitilmiştir. genellikle gerilim ve mevcut dalgaformlarında örüntü tanıma için kullanılır.
• [FONT:0)Depres Vector Machines (SVMs): İkili sınıflandırma (fault/no hatası) sınırlı eğitim verileriyle bile etkili.
• [FONT:0)Decision Trees ve Random Forests:[Dönetici:0) Decision Trees ve Random Forests:[Dönemli kurallar (örneğin, sıfır-sequence gerilimi X'i aşıyorsa, o zaman hata tipi Y”).
• [FONT=0)Convolutional Neural Networks (CNNs):[Dönetici sinyalleri veya zaman frekans görüntülerine doğrudan uygulanır (spectrogramlar). CNNs yerel desenler ve çevirisel değişmezlik yakalar, onları hata ve yanlışlıkta varyasyonlara sağlamleştirir.
• [FONT=0)Recurrent Neural Networks (RNNs) ve Long Short-Term Memory (LSTM): [Dönetici verileri için Tasarlanmış durumda. LSTMs, gelişmekte olan hataları veya ön-fault koşullarını tespit etmek için kullanışlıdır.
• [FONT:0)Autoencoders:[Dönetici:[Döneticileri yeniden inşa etmek için eğitildiler. Yüksek rekondasyon hatası, etiketli veriler yetersiz olduğunda denetimsiz hata tespiti için bir anomali gösterir.

Hata Sınıf ve Yerelleştirme

Bir hata tespit edildiğinde, sistem bir hata türü (örneğin, tek hat-to-ground, line-to-ground, üç-fay) ve yerini belirlemek için eğitilmelidir. AI modelleri hata tipini ve tahmini bir mesafeyi artırmak için eğitilmiştir (toplama, regresyon modelleri veya grafik sinir ağları gibi özel mimariler için).

AI-Driven Hata Yönetimi

• [FONT:0) Gerçek zamanlı hız:[Dönemli:[Dönetici:0) Modern AI modelleri, özellikle kenar cihazlarda kullanılan hafif sinir ağları, birkaç milisaniye içinde hataları tespit edebilir ve sınıflandırabilir - geleneksel rölelerden daha hızlı.
• [FONT:0]Adaptability:[Dönetici:[Dönetici:[Dönetici: 0) AI sistemleri otomatik olarak yeni veriler gelir, nesil karışımda değişikliklere uyum sağlar, yükleme kalıpları ve ağ topoloji (örneğin, yeniden yapılandırıldıktan sonra).
• [FONT:0)Kapital hataların kesinleştirilmesi: AI, kablolarda kısmi deşarj veya dönüştürücü onarımlar gibi önceki başarısızlıkları tespit edebilir.
• [[Düzücük analizi:[Dönemli analizler:[Dönetici: 0) AI, şebekedeki birden fazla sensörden sinyalleri ilişkilendirir, tek nokta ölçümlerine görünmez olan hataları tespit eder.
• [FONT:0]Redüklenmiş sahte alarmlar:[Dönetici: · 8 ) Sistemin normal yetimlerini öğrenerek, AI, geçicileri geçişten gerçek hataları ayırt edebilir, yükleme değişiklikleri veya ölçüm hataları, gereksiz gezileri azaltır.
• [FONT:0]Cost verimliliği:[Dönlenmeler, ekipman hasarlarını önlemek ve optimize edilmiş bakım programları önemli operasyonel tasarruflara tercüme eder.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Çeşitli hizmetler ve araştırma projeleri pratikte AI tabanlı hata tespitini göstermiştir. Örneğin, ABD Enerji Bakanlığı (DOE) ARPA-E programı, makine öğreniminin tamamını tespit etmek ve bulmak için makine öğrenimi kullanarak finanse edilen projelere destek verdi.In distribution networks, services like Enel has used a Chinese useful apps by a CNN-LSTM model to analyze on binlerce hata kaydı, 98.5% sınıflandırması ve hata yerinin hat uzunluğunın% 5'ini kullanarak.In distribution networks, services like Enel has used a simple-impedance faults, these operational reasons of the correct locations.

Overcome için meydan okumalar

Umut verici sonuçlara rağmen, AI hata yönetiminde kabul birkaç engelle karşı karşıyadır:

• [FONT:0]Data kalitesi ve kullanılabilirlik:[Dönetici etiketli hata verileri azdır. Normal işletim verileri boldur, ancak hatalar nadir olaylardır. Sentetik veri nesil ve transfer öğrenme bunu ele almak için araştırılır.
• [FONT:0) Model yorumlanabilirlik:[Döneticileri genellikle siyah kutular. Utilities ve düzenleyiciler açıklanabilir kararlar gerektirir, özellikle de koruyucu bir röle güvenilir olmalıdır.Açıklanabilir AI (XAI) teknikleri SHAP ve LIME gibi.
• [FONT:0]Cybersecurity:[Dönetici:[Döneticileri) AI sistemleri kendilerini geri dönüşümlü girişler yoluyla saldırıya uğratabilir. Kötü niyetli veri manipülasyonuna karşı sağlamlık, şebeke güvenilirliği için kritiktir.
• [FONT:0)Kültürel donanımla ilgili olarak: Birçok alt istasyon hala elektromekanik veya sağlam devlet rölelerini kullanıyor. AI-yeterli kontrolörler ile birlikte optimize etmek dikkatli planlama ve yatırım gerektirir.
• [FONT=0]Validation and sertifikasyon: Grid koruma sistemleri standartları karşılamak için titiz bir teste tabi olmalıdır (örneğin, IEEE C37.118, IEC 61850). AI modelleri dağıtımdan önce geniş bir dizi senaryo üzerinde doğrulanmalıdır.

Future Yol

AI'nın bir sonraki hatası yönetimindeki evrimi muhtemelen içerecektir:

• [FONT:0]Federated learning:[Dönetici:[Dönetici: 0,0) Katı verileri paylaşmadan birçok ürünle ilgili eğitim modelleri, modeli genelleştirmeyi geliştirirken mahremiyeti korumak.
• [FONT:0)Edge Bilgisayar: [Döneticileri doğrudan akıllı elektronik cihazlar üzerinde (IEDs) ve bant genişliği ihtiyaçlarını azaltmak için hafif modeller çalıştırın.
• [FONT:0) Dijital ikizler:[Dönetici:[Dönetici:0) Tüm şebekenin gerçek zamanlı dijital kopyalarını güvenli bir ortamda hata senaryolarını ve AI modellerini simüle etmek için gerçek zamanlı dijital kopyalar yaratmak.
• [FONT=0) Grafik sinir ağları:[Dönetici: 1) Ağ topolojisini gelişmiş hata algılama ve yer için, özellikle yüksek yenilenebilir penetrasyon ile ızgaralarda kullanın.
• [FONT=0) Yenilenebilir enerji ile ilgili olarak: İsviçre bazlı kaynaklar baskın hale gelirken, AI modelleri yeni hata özelliklerine uyum sağlamalıdır (örneğin, güneş dönüştürücülerinden düşük hata akımı).

AI geleneksel koruma için bir yedek değil, güçlü bir augmentasyon. Geleneksel rölelerin makine öğreniminin istihbaratı ile hız ve güvenilirliğini birleştirerek, güç sistemleri, mevcut araştırma ve pilot projeler sadece tespit edilen ve temizlenmediği bir gelecek gösterir.

Daha fazla okuma için, ESRAT:0)EPRI, şebeke modernizasyonu için AI'ya rapor verir[Dönetici:2).IEEE, güç sistemi hatası için derin öğrenme üzerine yapılan anket).