Розуміння об'єктів вимірювання Phasor та даних Synchrophasor

Сучасні електромережі спираються на точний, час-синхронізований виміри для підтримки стабільності. Фасор Вимірювання вузлів (PMUs) є основними пристроями, які захоплюють ці дані. На відміну від традиційних систем SCADA, які зазвичай повідомляють кожні 2-4 секунд, ПМУС зразок напруги і струмових хвиль за показниками 30 до 120 зразків на другий, всі синхронізовані через GPS в межах одного мікросекунду. Отримані вимірювання називають синхронізаторами, які забезпечують як розмір і фазу кута електричних кількостей по всій сітці. Це високорозчинення, час вирівнювання вигляд є основою для реального часу широкореаційного моніторингу, захисту, контролю та контролю.

Синхрофазорні дані дозволяють операторам бачити динамічну поведінку системи живлення, так як це відбувається. Фази кутові відмінності між автобусами вказують на стрес на лінії передачі, а періодичні відхилення показують порушення генерування. З тисячами ПМУ розгортаються по всьому світу, обсяги потокових даних величезна. Ручний аналіз не відрізняється технікою, яка є де штучний інтелект стає незамінним.

Роль штучного інтелекту в електромережах

Штучний інтелект, зокрема машинне навчання та глибоке навчання, виводить при вилучення дієвих шаблонів з об'ємних, часових даних. У контексті даних ПМУ алгоритми AI можуть виявити тонкі прекурсори до нестабільності, класифікувати несправності з високою точністю, прогнозувати системні відповіді під різними контингентами. Ці можливості трансформуються системи управління системою живлення від реактивної реактивної та навіть передбачуваної.

Ключові методи AI для даних Phasor

  • Навчається: Моделі класифікації, які навчаються на мітках даних PMU, можуть визначити типи несправностей (наприклад, однолінійно-земні, трифазні несправності) з більшістю 99%, що дозволяє швидко захистити реле рішення.
  • Університетне навчання: алгоритми кластеризації виявляти аномальні умови експлуатації без історичних етикеток, корисні для виявлення моделей нестабільності новин.
  • Deep Learning with LSTMs and Transformers: Довго Short-Term мережі пам'яті захоплення часових залежностей в синхронних струмках, ідеально підходить для прогнозування розриву напруги або перехідних гойдалок секунд до їх виникнення.
  • Зберігання посилок: Контролери на основі агента вивчать оптимальні правильні дії, взаємодіюючи з сітчастими тренажерами, що дозволяє автономному аварійному контролі.

Ці методи не є взаємовиключними. Гібридні моделі, які об'єднують фізико-інформовані нейромережі з традиційними рівняннями системи живлення, досягають високої точності і інтерпретабельності.

Розширені програми AI-інтегрованої інформації про фізичну особу

Широка аверсія на реальному часі

На AI-powered прилади, які використовують дані PMU від декількох утиліт надають операторам когерентну, в режимі реального часу картину міжреаційних коливань, запасів напруги та теплових перевантаженнях. Наприклад, Західний зв'язок в Північній Америці використовує моніторинг на основі PMU з машинним навчанням для виявлення деградації деградації деградації в низькочастотних коливань. Встановлюємо в 200 мілісекунд, що дає операторам час регулювати поправки або активувати схеми ремедіальових дій. Це запобігає збій, що може призвести до поширених відключень.

Попереднє обслуговування та здоров'я активів

Аналізуючи записи ПМУ трансформаторних струмів, вимикачів схеми, що переходять з транзисторів, а також поведінкові системи, моделі AI можуть оцінити, що залишилися корисним життям критичних активів. Глибока модель навчання, що навчається на фазорних даних від 500 кВ трансформаторів, може прогнозувати деградацію ізоляції з керма в керма тижні, що дозволяє утилітам планувати технічне обслуговування під час запланованих операцій, а не аварійних ремонтів. Це зменшує витрати і покращує надійність.

Оптимальна потужність потоку з штучним інтелектом

Традиційні оптимальні потужності (ОПФ) розчинники спираються на автономні моделі, які не можуть відповідати умовам реального часу. Методи AI, які найсвіжіші дані ПМУ можуть регулювати точки генерації та торкнутися-мінні трансформатори для мінімізації втрат при повагі напружень напруги. Останні пілот Інституту електроенергетики (ЕПРІ) продемонстрував зниження 5% втрат передачі за допомогою агента з арматурного навчання, який оновлюється кожні два секунди на основі синхронного зворотного зв'язку. Це особливо цінно на мережах з високими відновлювальними проникненнями, де умови швидко змінюються.

Виявлення та класифікація

Система AI PMU може протизламувати несправності в рамках одного циклу. Утилізація нейромереж наноситься на хвилі напруги PMU, класифікує типи несправностей і оцінка місця розташування несправностей з точністю краще, ніж 95% в межах довжини лінії. Ця швидкість і точність зменшують тривалість відключення і дозволяють операторам здійснювати відправлення ремонтних екіпажів безпосередньо до місця розташування несправностей, час відновлення різання годин за годинами.

Контроль аварійного реагування та острову

Під час екстремальних подій, таких як бурі або кібератаки, агенти AI, використовуючи дані ПМУ, повинні зробити роздільно-другі рішення для навмисно острівних порцій сітки. Контролери посилених навчальних, які навчаються на тисячі симуляційних сценаріїв, можуть визначити оптимальні межі острова і балансування навантаження на стійку критичні навантаження. Тести на синтетичну систему 2000-автобусів показують, що такі агенти підтримують частоту в ± 0,1 Гц під час проведення озеленення події, у порівнянні з ±1 Гц під звичайними контрольами.

Переваги синергетичних даних Phasor з AI

  • Попередня стабільність: AI виявляє нестійкість напруги і кутові гойдалки перед тим, як вони стають неконтрольованими, забезпечуючи десятки секунд, щоб прийняти коригувальні дії.
  • Покращена ефективність: Знизила втрати через оптимальне зменшення часу відправлення та несправностей, що призводить до зниження експлуатаційних витрат та відстрочених інфраструктурних інвестицій.
  • Попередня надійність: Раннє попередження про несправності обладнання та швидке розмитнення несправностей, мінімізація частоти та тривалості перерв.
  • Адаптивний, самозбереження контроль: AI дозволяє встановлювати сітку у відповідь на зміни умов без втручання людини, ключовою особливістю розумних мереж.

Виклики та поточні обмеження

Незважаючи на свою обіцянку, інтеграція даних AI та PMU стикається з декількома перешкодами. Якість даних є основною концентрацією: синхронізація GPS-часів повинна бути підтримується протягом 1 мкм; втрачені пакети або спорочені вимірювання можуть деградувати продуктивність моделі. Кібербезпека є ще одним критичним питанням, оскільки системи AI стають атакою векторів, якщо не правильно затверджено. Склад динаміки системи живлення означає, що багато моделей AI є чорними ящиками, що робить його важко для операторів довірити рішення. Робота полягає в тому, щоб розробити пояснювані методи AI (XAI), адаптовані до синхронізації додатків.

Витрати на інфраструктуру також залишаються бар'єром. Розгортання ПМУ на кожній підстанції коштує дорого, а мережа зв'язку повинна підтримувати низьку вантажопідйомність, високу пропускну здатність потокового передавання. Стандарти, такі як IEEE C37.118 для синхронізації даних та IEC 61850 для автоматизації підстанцій, але проблеми з взаємопроникністю зберігаються персистент. Крім того, тренінги AI моделі вимагають великих позначених даних, які є рубцевими для рідкісних подій, таких як збійні збої. Методики, такі як синтетичне покоління даних і передача навчання, будуть досліджуватися на цю адресу.

Майбутні напрямки та дослідження

Наступний фронтер – це край AI для даних PMU. Розгортаючи легкі нейромережі безпосередньо на підрозділах PMU або підстанціях, затримка рішень може бути зменшена до 5 мілісекундів, що дозволяють захистити свої дії без очікування центрального центру управління. Це важливо для швидкісних явищ, таких як підсинхронний резонанс в вітроелектростанціях.

Цифрові близнюки електромереж, які працюють в режимі реального часу, симулятори, що задаються даними ГУМУ, дозволять операторам перевірити, які сценаріїв постійно. АІ агенти навчаються в цифровому близнюку перед розгортанням на фізичних активах, зниження ризику. У.С. Кафедра лабораторії модернізації електроенергетики вже демонструють цей підхід на декількох комунальних сайтах, з перспективними результатами регулювання напруги та управління завантаженістю.

Ще одним ріжучою зоною є квантове машинне навчання для синхронної обробки. Квантові алгоритми можуть вирішувати задачі комплексної оптимізації (наприклад, зобов'язання з тисячами генераторів) замовлень на величину швидше, ніж класичними методами. Ранні дослідження з Тихоокеанського північно-заходу Національний лабораторій показує, що квантові опорні векторні машини можуть класифікувати запаси стійкості на основі PMU з однаковою точністю до класичних моделей, але з доцільним меншим рівнем підготовки зразків.

Стандартизація та співпраця прискорять прийняття. Ініціативи, такі як Північна Американська синхроПхазорська ініціатива (NASPI) та Європейська мережа операторів системи передачі (ENTSO-E) забезпечують основи для спільного доступу даних та кращих практик для інтеграції AI. Як ці зусилля зрілі, бачення повністю автономної, самозбиральної сітки стає все більш відчутним.

Висновок

Настій даних фазора високої роздільної здатності з розширеним штучним інтелектом більше не є лабораторною curiosity, але практичною необхідністю для сучасних систем електроенергетики. Від реального часу коливання дампінгу до передбачуваного технічного обслуговування та автономного острову, AI розблокує повний потенціал інвестицій ПМУ. Під час викликів, пов’язаних з якістю даних, кібербезпекою, і інтерпретабельністю залишаються, постійні дослідження та галузеві пілоти постійно перезнижуються їх. Комунальні та системні оператори, які об’єднують цю інтеграцію, будуть краще обладнані для обробки складності відновлювальних мереж, екстремальних погодних подій та підвищення вимог надійності. Синергія між синхронізацією та AI є система управління резервним управлінням.

Для подальшого читання див. НаПІ технічні звіти про застосування даних ПМУ, U.S. Відділ ініціатив з модернізації енергетичних мереж, а EPRI AI для мережних операцій, білепапка.