Power Line'daki yenilikler Makine Öğrenmesini Takip Ediyor

Teknolojideki ilerlemeler, elektrik hizmetlerinin izleme ve yüksek gerilimli iletim hatları ve dağıtım ağlarını önemli ölçüde değiştirdi.En umut verici gelişmelerden biri, makine öğreniminin (ML) algoritmalarının izleme sistemleriyle entegrasyonudur. Bu algoritmalar daha hızlı, daha doğru bir hata tespiti, bitki örtüsü enkroachment, yapısal aşınma ve çevresel riskler - tüm operasyonel maliyetleri azaltır ve şebeke güvenilirliğini geliştirirken.

Büyü Akıllı Güç Hattı İzlemesi için Gerekli

Power hatları, modern elektrik şebekelerinin arka kemiğini oluşturur, yüzlerce mil boyunca enerji taşır. Birçok bölgede yaşlanma altyapısıyla, hava ile ilgili hava saldırıları sıklığı artıyor. ABD Enerji Bakanlığı, yüksek gerilimli tehlikelere mal olan, her yıl onlarca milyar dolar değerinde bir helikopterle, elektrik hattı başarısızlıkları nedeniyle yapılan kontroller ile - helikopterleri veya zemin devriyelerini kullanarak satırları sık sık sık sık sık sık sık sık sık kaçırabilir ve işçilere maruz kalır.

Elektrik talebi büyüdükçe ve yenilenebilir enerji kaynakları yeni şebeke komplekslerini tanıtıyor, sürekli, otomatik ve son derece güvenilir izleme ihtiyacı asla daha büyük olmamıştı. Makine öğrenme bu zorlukları, drone'lardan büyük veri akışlarını işlemeye, sabit sensörlere, uydu görüntüüne ve akıllı metreye kadar işlemeye yönelik proaktif bir bakım paradigması.

Makine Öğrenmesi Güç Hattı Denetimi Nasıl Dönüştürüyor

Makine öğrenme algoritmaları yüksek boyutlu verilerde ince desenleri tespit etmeyi başarır. Güç hattı izleme bağlamında, bu algoritmaların üç ana veri türüne uygulanır: sensör okumaları, görsel görüntü ve çevresel veriler.Ana avantajı, tarihsel başarısızlık verileri öğrenme yeteneğinde yatıyor, sürekli olarak zamanla gelişiyor ve gerçek zamanlı olarak doğru zamanlı olarak çalışır.

Sensör tabanlı Durum İzleme

Dağıtılmış sensörler kuleleri, iletkenler ve insulatörler iletken sıcaklık, gerilim, vibrasyon ve elektrik alanı gücü gibi parametreleri toplarlar. Örneğin, çatlakları ve hızlayıcıları, kısmi deşarj sensörleri erken yalıtım arızalarını tespit ederken, makine öğrenme modellerini - özellikle de kısa süreli bellek (LSTM) ağlar - bu sinyalleri bilinen başarısızlık modları ile ilişkilendirir.Gelişmiş veriler normal kalıplardan gelen verilerle ilişkilendirmek için eğitilmiştir.Bu erken algılama yollarının çoğu zaman bir uyarıda bulunur.

A 2023 çalışması, GENFLT:0)IEEE Transactions on Power Delivery[[DKT:1) tarafından yayınlanan bir LSTM tabanlı model, sıcaklık ve yük verileri üzerine eğitilmiş bir model, eksperasyon ve çekmenin %94 oranında arttığını tahmin edebilir, geleneksel istatistiksel yöntemler için% 78 ile karşılaştırır.

Drone ve Image Processing

Yüksek çözünürlüklü optik, kızılötesi ve LiDAR sensörleri, güç hattı incelemesi için standart hale gelir. Tek bir drone uçuşu, doğru yoldaki binlerce bulutu yakalayabilir. Ancak, bu görüntülerin manuel olarak incelenmesi, YOLO ve Faster R-CNN gibi hassas algılayıcılar ile incelenebilir.

Statik kusurlarının ötesinde, ML algoritmaları bitki örtüsünün enkroachmentini tespit edebilir - tehlikeli tespit bölgelerinde büyüyen ağaç dalları. Semantic segmentasyon modelleri, bitki örtüsü türlerini sınıflandırmak ve EPRI'nın ızgara modernizasyonu araştırmasını ölçmek için daha fazla bilgi sağlar[Dönetici: 1 ).

Çevre ve Hava Veri Entegrasyonu

Makine öğrenme modelleri ayrıca rüzgar hızı, sıcaklık, nem ve yıldırım grev yoğunluğu gibi dış verileri de içerir. Tarihi kesinti kayıtları ile hava modellerini korelasyonla ilişkilendirerek, hizmetler fırtına kaynaklı hasar günlerini önceden tahmin edebilir. Örneğin, 10 yıl boyunca eğitilmiş bir gradient-boosted ağaç modeli büyük bir orta sınıf hava durumu için eğitilmiştir.

Power Line İzlemede Makine Öğrenmesinin Temel Faydaları

ML tabanlı izlemenin dağıtımı, tüm varlık yaşam döngüsü boyunca ölçülebilir operasyonel ve finansal avantajlar sağlar.

Erken Başarısızlık Tespiti ve Tahmin Edici Bakım

Belki de en önemli fayda, sabit bir programdaki bileşenleri değiştirmek yerine, veriler yalnızca bir kesinti hatasına işaret ettiğinde müdahale edebilir. Bu gereksiz yedek maliyetleri azaltır ve varlık ömrünü uzatır. Örneğin, 500 kule filosunda vibrasyon analizi, görsel denetim için görünmez olan 12 tane cıvata yorgunluk başarısızlığı tespit etti.

Tahmin edici modeller ayrıca yeraltı kablo ortaklarında ve ek iletken splicesteleri tespit eder. kısmi deşarj kalıpları analiz ederek, ML, Benign koro ve zararlı yaylama arasında ayırt edebilir, yanlış alarmları hassas ekipmandan azaltabilirsiniz.

Otomasyon Yoluyla Maliyet Azaltımı

Otomatik görüntü analizi pahalı helikopter devriyeleri veya zemin mürettebatı için ihtiyaç ortadan kaldırır. Güney Doğu Birleşik Devletleri'nde rutin devriyelerden ziyade yüksek öncelikli onarımlara odaklanmak için % 65 indirim bildirdi.

Geliştirilmiş İşer ve Kamu Güvenliği

Yüksek gerilimli güç hattı denetimleri ciddi riskler oluşturur: kulelerden, elektrotlardan ve helikopter kazalarından düşer.İnsanları otonom dronelarla değiştirir ve zemin tabanlı sensörlerle değiştirirken, bu tehlikelerin neredeyse ortadan kaldırır. Ayrıca, sagging iletkenlerinin erken tespiti veya kutuplamaların tespiti, bazı hizmetler için felaket çizgi hataların riskini azaltır. Kaliforniya'da, faydalı olan vahşi yangınlar nedeniyle milyarlarca dolar değerindeki yangınlar sorumluluğa neden oldu.

Geliştirilmiş Grid Reliability ve Müşteri Memnuniyeti

Planlanmamış kesintiler, daha yüksek müşteri memnuniyeti ve düzenleyici cezalardan kaçınma anlamına gelir. Birkaç pilot programda, ML-güdümlü izleme kullanarak hizmetler ortalama kesinti süresi (SAIDI) ilk yıl içinde% 25-30 oranında azaltılır.Bir hatanın tam yerini ve doğasını aynı zamanda yukarı doğru bir şekilde hızlandırmaya çalışır - doğrudan bayraklı kuleye veya yaylara devam ederler.

Modern ML-Based İzleme Sistemi

Ölçekte makine öğreniminin uygulanması, veri satın alma, kenar işleme, bulut analizi ve insan-makücut arayüzünün dikkatlice tasarlanmış bir mimari gerektirir.

Gerçek Zaman Uyarıları için Edge Computing

Zamana duyarlı algılamalar için - buz yüklemesi veya bir aracın bir kutup vurması nedeniyle bir çizgi gibi - merkezi buluta geç iletişim kurmayları kabul edilemez. Modern sistemler kenar cihazları üzerinde hafif ML modelleri dağıtır (örneğin, NVIDIA Jetson modülleri veya özel FPGA tahtaları) kulelerde veya uçaklarda çalışır, bu modeller yerel olarak geçiş yapar, uzun vadeli analizler için buluta agreyerek.

Data Fusion ve Multi-Modal Öğrenme

Tek sensör türü tam bir durumsal farkındalık sağlar. Gelişmiş sistemler termal kameralardan veri süzüyor, mikrofonlar, vibrasyon sensörleri ve hava istasyonları. Bir dönüştürücü tabanlı multi-modal modeli, düşük rüzgar hızı ve yüksek akım ile birlikte, bayraklı bir yük koşulu ile aniden artış gösterebilir - görünür bir hatanın da mevcut olmamasına yardımcı olur. Fusion ayrıca geçici anomaliler (örneğin, bir hat üzerinde bir kuş iniş) ve gerçek kusurları ile birleşir.

Sürekli Öğrenme ve Model Yeniden Eğitim

Power line ortamları mevsimler, hava ve bitki döngüsü ile değişir. Statik ML modelleri, minimum etiketli verilerle birlikte zaman geçtikçe daha iyi bir şekilde düzeltilmiş modeller için sürekli öğrenme hatları kullanır.Veriler, hataları doğru bir şekilde tekrarlayarak, periyodik olarak yeniden eğitim modellerini geliştirmek için kullanır. Domain adaptasyon teknikleri, bir coğrafi bölgede eğitilmiş modeller, en az etiketli verilerle başka bir şekilde iyi şekilde iyi şekilde eğitilir.

Meydanlar ve Sınırlar

Onun sözüne rağmen, makine öğrenimi bir gümüş mermi değildir. Utilities yaygın olarak kabul edilmesi için birkaç engelle karşı karşıyadır.

Data Quality and Labeling

ML modelleri, yüksek doğruluk elde etmek için etiketli verilerin büyük hacimlerini gerektirir. Gerçek hataların toplanması ve binlerce görüntünün oluşturulması, ancak her olası hata tipi için sınırlı kutular için, pahalı ve zaman alıcıları kaçırmak için kullanılabilir. Sentetik veri nesli, jeneratif adversarial ağları (GANs) kullanarak gerçekçi bir hata görüntüleri oluşturmak için, hala araştırma sırasında ortaya çıkan bir çözümdür.

Model Yorumability

Ürünler ve düzenleyiciler, neden açıklanamaz AI (XAI) yöntemleri, SHAP değerleri veya Grad-CAM ısımaps gibi, otomatik hat kesme noktalarına güvenerek, yüksek sıcaklık, spesifik titreşim frekansına olan bir uyarıya güven veren bir diziye güvenmeyi tavsiye eden bir uyarıda bulunuyor.

Siber güvenlik ve Data Privacy

Daha fazla sensörler ve kenar cihazları bağlantılı olduğu gibi, saldırı yüzeyi genişliyor. Bir uzlaşmacı ML modeli gerçek hataları görmezden gelebilir (önemli saldırılar) veya ekonomik hasarlara neden olmak için sahte alarmlar üretmek. Utilities, şifreleme, donanım güvenlik modülleri ve sürekli model, siber tehditlere karşı korumak için geçerli olabilir.

Legacy Systems ile entegrasyon

Birçok elektrikli fayda kontrol odası hala mirasa güveniyor SCADA sistemleri ve kağıt tabanlı iş emirlerine güvenmektedir. ML çıktıları mevcut varlık yönetimi yazılımına entegre etmek ve kesinti yönetim sistemleri özelleştirilmiş API'ler gerektirir ve çoğu zaman işlem yeniden tasarlanabilir iş emirlerine yatırım yapmak için gerekli olabilir.

Future rotası ve Gelişen Teknolojiler

Alan hızla gelişiyor, birkaç trend önümüzdeki beş ila on yıl boyunca güç hattı izlemesini daha da artırmak için hazırlanıyor.

Beyaz Twins for the Grid

Dijital ikiz, fiziksel bir güç hattının gerçek zamanlı sanal bir kopyası, sensörlerden gelen verilerle sürekli olarak güncellenir ve drone'lar ve hava beslemeleri. Makine öğrenme algoritmaları "if" senaryoları – doubling yükü veya yeni bir rüzgar çiftliği eklemek gibi – stres puanlarını ve bakım programlarını tahmin etmek için.The U.S. Department of Energy's Grid Modernizasyon Girişimi, çeşitli dijital ikiz pilotları finanse eder, tüm varlık yönetimi için erken söz verir. [...]

Onboard AI ile Özerk Bir Drone

Sonraki nesil dronelar, navigasyon için ML'yi kullanarak, engel önleme ve GPS veya insan pilotlarına güvenmeksizin tespiti yapacak. Skydio gibi şirketler zaten bu tür platformlar için tasarlanmış güç hatları devriyeleri için.Bu dronelar, yalnızca cep telefonu bağlantılarına yüklendiğinde buluta rutin denetimler gerçekleştirebiliyor.

Bakım Planlaması için Generative AI

Büyük dil modelleri (LLMs) ve jeneratif AI yakında Tower 47'de şarj edilebilir; tahmini mürettebat saat 2 saat; gerekli araçlar: sıcak çubuk, tork wrench, 2 3/8” cıvataları azaltır. Örneğin, LLM'nin termal görüntü analizi ile beslediği bir yanıt için: "Replace ater fiksiyonel çalışma hızları.

Enerji Sensörleri

Geniş sensör dağıtımına en büyük engellerden biri, Çin ve Avrupa'da yıllarca sürekli izleme sağlayabilir. Araştırmacılar, iletkenin etrafındaki manyetik alandan güç alan enerji hasat cihazları geliştiriyorlar. ultra-low-power ML ile birlikte, bu tür sensörler bakımsız on yıllardır sürekli izleme sağlayabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi, bir manuel, periyodik ve reaktif bir süreçten otomatik, sürekli ve öngörülebilir bir disipline dönüşmektedir.Kapalama sensörü verileri, drone görüntüleri ve çevresel girdiler, hizmetler daha önce hataları tespit edebilir, maliyetleri azaltır, işçi güvenliğini artırır ve bugün daha güvenilir elektrik sunarken, bu yeniliklerle ilgili en iyi şekilde yorumlanabilirlik ve entegrasyon devam eder ve AI, dijital ikizler ve otonom sistemler dünya çapındaki şebeke operatörleri için ML'ye söz verir.