Виявлення штучного інтелекту в системах живлення: технічний огляд

Електромережа є критичним інфраструктурним активом, а його безперебійна операція є важливим для сучасного суспільства. Запобіжники — з перехідних лінійних шортів на постійне обладнання — мають суттєві загрози стабільності сітки, безпеки та надійності. Традиційні методи виявлення несправностей, часто на основі порогових реле та ручного аналізу, все частіше невизнаються за складністю та масштабом сучасних систем електроенергетики. Штучний інтелект (AI) пропонує потужну альтернативу, що дозволяє реально, адаптивні, і високоточні несправності виявлення та діагностики. Ця стаття забезпечує всебічне дослідження того, як техніка AI застосовуються для управління несправністю в системах живлення, охоплюють інформаційні трубопроводи, можливості, можливості операційних алгоритмів, викликів, викликів, можливості для роботи, вибору, функціональних алгоритмів, та функціональних задач, та функціональних задач, що дозволяють.

Чому стислий детекція

Вини системи електроприводів можуть бути каскадом у поширених чорнових витоках, якщо не швидко очищено. Єдиний короткий контур на лінії передачі може викликати найближчі генератори для поїздки, що призводить до частоти нестабільності та навантаження сайдинга. Фінансовий вплив непланованих відходів є важким: Інститут електроенергетики (ЕПРІ), що перебої потужності, що вартість U.S. економія понад 150 мільярдів доларів щорічно. За економікою, несправності пошкоджують дорогий обладнання, такі як трансформатори, вимикачі ланцюга, кабелі, скорочення життя активів та збільшення витрат на технічне обслуговування. Рано-точні виявлення несправностей, що дозволяють швидко з'ясувати, але швидко, що реа, що перекриваються, але, що значно ефективні схеми реімплануються, що реімплануються, що, що реімплануються, що, що, що, що реімплануються, що, що, що, що, на різних, що, швидко реімають, що, що реімплануються, швидко реімплануються, швидко реімпланують, швидко реімпланують, швидко, швидко, швидко реімплануються,

Традиційна детекція за замовчуванням: сильні та обмеження

Звичайні системи захисту використовують детермінаційні правила: якщо струм перевищує встановлений поріг за вказаний час, видається сигнал подорожі. Відстань реле вимірюють невідповідність кошторису вини. Ці методи прості, швидкі, добре протистоять. Однак вони борються з:

  • Високоякісні несправності (наприклад, деревогалерея, що дотикає рядок), що виробляють низькі поточні зміни.
  • Інтермітент несправностей, які не володіють досить довго, щоб викликати пороги.
  • Залучення несправностей, які змінюють характеристики з часом.
  • Метчність роботи], де відновлювані джерела, розподілене покоління, і двосторонній блок живлення спотворюють звичайні підписи несправностей.

Методи AI подолають ці обмеження за допомогою навчального комплексу, нелінійних відносин з даними, не вимагають чітких математичних моделей сітки.

АІ-тренінг для управління локаціями

Придбання даних та обробка даних

Визначення несправностей AI починається з високопоглиблювальних даних з фазорних вимірювань (PMUs), цифрових рекордерів несправностей, смарт-метрів, контрольних та наглядових систем управління даними (SCADA). Ключові сигнали включають трифазні напруги та струми, частоту та гармонічний зміст. Дані проаналізовані за показниками від 30 зразків на другий (SCADA) до декількох кГц (PMUs). Дозволяють етапи:

  • Denoising:] Застосування фільтрів (наприклад, хвильових трансформаторів) для видалення шуму вимірювання без розмитих функцій.
  • Неормалізація: Скальційні сигнали до нульового значення та варіабельності агрегату для забезпечення консистенції в різних умовах експлуатації.
  • синхронізація часу: Вирівнюючи дані з декількох джерел за допомогою GPS-часампс—критика для розташування несправностей.
  • Вилучення зображень: Прибуття більш високого рівня показників, таких як значення RMS, фазові кути, симетричні компоненти (позитивний, негативний, нульовий послідовність), коефіцієнти хвильового розряду.

Моделі AI в виявлення за замовчуванням

Уже кілька машинних навчальних закладів та глибоких навчальних закладів успішно застосовано:

  • Артиціальні Неуралні мережі (ANNs): Feedforward мережі, які навчаються на історичних даних про несправність, щоб класифікувати нормальні проти несправних станів. Часто використовується для розпізнавання шаблонів напругою і струмовими хвилями.
  • Підтримка Векторних машин (SVMs): Ефективність для бінарної класифікації (за замовчуванням / не несправності) навіть з обмеженими даними навчання. Вони добре працюють при кількості функцій є високою відносно зразків.
  • Децизійні дерева та випадкові ліси: Забезпечити інтерпретовані правила (наприклад, «if нуль-sequence напруга перевищує X, потім тип несправностей Y). Випадкові ліси покращують точність шляхом агрегатування декількох дерев.
  • Convolutional Neural Networks (CNNs): Застосовується безпосередньо до сирих сигналів часу або часових частот (спектрограм). CNNs захоплює локальні візерунки та перекладацький інваріант, що робить їх надійними для варіацій в місці несправності та імпедансу.
  • Результати Неуралних мереж (RNNs) та Довгий короткочасний пам'ять (LSTM):] Призначені для послідовних даних. LSTMs запам'ятовує довгострокові залежності, корисні для виявлення етичних несправностей або умов передпокою.
  • Автоенкодери: Приступили до реконструкції нормальних операційних шаблонів. Висока помилка реконструкції вказує аномалія — ідеальну для виявлення несправностей, коли дані про несправність позначені.

Класифікація та локалізація

Після виявлення несправностей система повинна визначити її тип (наприклад, однолінійна лінія-наземна лінія, лінія-на-лінійна, подвійна лінія-на-земна, трифазна) і її розташування. Моделі AI можуть бути навчені виводити етикетку типу несправності та номінальну відстань (в кілометрах або відсотках довжини лінії). Для локалізації, моделі регресивності або спеціалізованих архітектури, таких як граф нейромережі (ГНН), які включають топологію мережі. Точна локалізація прискорює відвантаження екіпажу і зменшує тривалість виходу.

Переваги управління сховищем AI-Driven

  • Реал-часова швидкість: Сучасні моделі AI, особливо легкі нейромережі, що розгортаються на крайових пристроях, можуть виявити і класифікувати несправності в декількох мілісекундах, які єпарабельними або швидше, ніж звичайні реле.
  • Адаптивність: AI-системи автоматично перенапружуються як нові надходження даних, адаптуються до змін у змішуванні, навантажувальних паттернів та топології мережі (наприклад, після перенастроювання).
  • ]Сенситивність до збоїв зміщувача: AI може визначити умови, які передують збій, такі як часткове розряду в кабелів або ізоляції деградації в трансформаторах, що дозволяє прогнозувати технічне обслуговування.
  • Multivariate analysis: AI-кореспонденти з декількох датчиків по всій сітці, виявлення несправностей, які невидимі до одноточкових вимірювань.
  • Освітлені помилкові сигнали: Освітлення нормальної мінливості системи, AI може відрізняти від перемикання, зміни навантаження, або помилки вимірювання, зменшення зайвих поїздок.
  • Попереджає відходи, зниження пошкодження обладнання та оптимізація графіків обслуговування перевести в значні експлуатаційні заощадження.

Real-World Applications and Case Studies

Кілька комунальних послуг та дослідницьких проектів показали виявлення несправностей AI на практиці. Наприклад, Департаменту енергоресурсів (DOE) Програма ARPA-E фінансується проектами з використанням машинного навчання на даних PMU для виявлення та знаходження несправностей у системах моніторингу широкихarea. Нездатне впровадження китайської утиліти використовували гібридну модель CNN-LSTM для аналізу десятків тисяч випадків записів, досягнення точності класифікації 98,5% та зменшення помилок розташування несправностей до 5% довжини лінії. У розподільчих мережах утиліти, як Enel, розгорнуті AI на інтелектуальних метрах даних для виявлення несправностей високої чіткості, що традиційні реле, пропущені, зменшення дикого успіху в умовах сухого зрілості.

Виклики до подолання

Незважаючи на перспективні результати, прийняття AI в управлінні несправностями, що стикається з декількома перешкодами:

  • Data Quality and available: Високоякісні дані про несправність міток є рубцевими. Нормальні операційні дані рясні, але несправності є рідкісними подіями. Синтетичні дані покоління та передача навчання досліджуються на цій сторінці.
  • Модель перекладальність: Моделі глибоких знань часто чорні коробки. Комунальні послуги та регулятори вимагають пояснювальних рішень, особливо коли захисна реле повинна бути довіржена. Виключні методи AI (XAI) такі як SHAP і LIME отримують тяговий шлях.
  • Cybersecurity: Самі системи AI можна атакувати через адвертарні вводи. Забезпечення надійності від шкідливої маніпуляції даних є критичним для надійності сітки.
  • Інтеграція з обладнанням для спадщини: Багато підстанцій все ще використовують електромеханічні або твердо-державні реле. Ретрофтинг з AI-розбірними контролерами вимагає ретельного планування та інвестицій.
  • Вальдація та сертифікація: Системи захисту електромереж повинні пройти суворе тестування для відповідності стандартам (наприклад, IEEE C37.118, IEC 61850). Моделі AI повинні бути втілені за широким спектром сценаріїв перед розгортанням.

Майбутні напрямки

На наступний рівень еволюції AI в управлінні несправностями буде ймовірно захоплювати:

  • Федерований навчання: Тренінгові моделі з використанням декількох утиліт без використання сировини, збереження конфіденційності при поліпшенні узагальнення моделі.
  • Edge обчислення: Розгортання легковагих моделей безпосередньо на інтелектуальних електронних пристроях (IEDs) і реле для зменшення потреби зв'язку та пропускної здатності.
  • Digital twins: Створення цифрових реплікацій в реальному часі всієї сітки для моделювання сценаріїв несправностей та моделей AI в безпечному середовищі.
  • Граф нейромережі: Оберігання топології мережі для поліпшення виявлення несправностей і розташування, особливо в сітках з високою поновлювальним проникненням.
  • Інтеграція з відновлюваною енергією: Як перетворюються ресурси на основі інвертора стають домінуючими, моделі AI повинні адаптуватися до нових характеристик несправностей (наприклад, низький струм несправності від сонячних інверторів).

AI не є заміною для традиційного захисту, але потужної аугментації. Поєднуючи швидкість і надійність звичайних реле з інтелектом машинного навчання, системи електромереж можуть досягати недійсних рівнів стійкості. Постійні дослідження та пілотні проекти вказують на майбутнє, де несправності не просто виявлені і очищені, але очікувані і не допускаються.

Для подальшого читання див. ПРИ звіт про AI для модернізації сітки, ].ЄС опитування щодо глибокого навчання для діагностики несправностей системи, а U.S. DOE AI для Grid ініціатив.