Table of Contents

Вирощування потреби в управлінні активними мережами

Затрата електроенергії в економіку США оцінюється $150 млрд щорічно, згідно з кафедрою енергетики. За межами фінансової пальти, чорної дробильної служби, як лікарні, водні системи, комунікації. Історично утиліти відповіли провалів реактивно-відновлювальної влади після виходу. Але нова хвиля інновацій пересуває парадигм на ], випереджаючи і запобігаючи виходам, перш ніж вони трапляються. Поєднуючи передові дані, смарт-інфраструктури, планування громад, рухова сітка є більш резисторною, що рухається.

Розширена аналітика даних та машинне навчання

Моделі машинного навчання тепер здатні обробляти мільйони точок даних від смарт-метрів, датчиків сітки, метеорологічних станцій і записів управління рослинністю. Ці алгоритми вивчають візерунки, які передують збої - наприклад, коливання напруги, обмеження навантаження або незвичайні показання температури на трансформаторах. Визначити ці прекурсори, комунальні послуги можуть відправляти екіпажі для інспектування або ремонту обладнання перед збою.

Попереднє прогнозування моделей в дії

Наприклад, Pacific Gas and Electric (PG&E)] використовує машинне навчання для аналізу історичних даних про вихідний час з прогнозами погоди в реальному часі для прогнозування дикого з’єднання. Їх система генерує показники ризику для конкретних ліній передачі, що дозволяють цільову деенергацію тільки де потрібно — збільшуючи вплив клієнтів при запобіганні катастрофічних пожеж. Видання опубліковано PG&E повідомляло 26% покращення точності прогнозування після реалізації цих алгоритмів.

Джерела даних та інтеграційні виклики

Ефективне машинне навчання вимагає різноманітних, якісних даних. Комунальні послуги комбайна SCADA читання, AMI (проводиться система обліку) даних, супутникове зображення для рослинного загартування, а також соціальних медіа живить звіт за флікерування вогнів. Однак, інтегруючи ці різні струмки залишаються проблемою через системи спадкоємності та силоси даних. Edge обчислення виявляються як розчин, обробка даних локально на підстанціях, щоб зменшити затримки та пропускну здатність попиту.

Технології Smart Grid

Розумна сітка не єдина технологія, але екосистема датчиків, мереж зв'язку та автоматизованих контрольних систем. Ці системи дозволяють здійснювати моніторинг напруги, струму та частоти в мережі розподілу. При виявленні несправності — сай, деревне відділення, що контактує з рядком—сміжки можуть автоматично ізолювати уражену ділянку і переоцінити потужність з інших кормів, часто в мілісекундах.

Самохідні сітки

Самозбереження можливостей є одним з найбільш ударних інтелектуальних мережних інновацій. Використання розподілений інтелект, редивертори та секційніізатори спілкуються один з одним для реконфігурування топології мережі. Наприклад, якщо первинний живильник не зникає, система може закрити вимикачі краватки для відновлення служби з сусіднього живильника. За даними U.S. Відділ модернізації енергомереж , ранні приймки самозбиральної технології зменшили клієнтську дальність до 40%.

Розширена інфраструктура вимірювання (AMI)

Смарт-метри надають двостороннє зв'язку між клієнтами та комунальними службами. За рахунок зарахування, дані АМІ дозволяють оптимізувати напругу, відповідувати попит та виявляти вихід до індивідуального домогосподарства. При втраті лічильника утиліта може захопити локальну віддачу та відвантажувальні бригади без очікування клієнтів. Франція Linky] смарт-метр розгортання, що охоплює понад 35 мільйонів домогосподарств, підвищило швидкість виявлення відходів в середньому за 30 хвилин на захід.

Попереднє обслуговування

Забороненене обслуговування —фіксуюче обладнання тільки після того, як він не зникає — вводиться до непланованої несправності та часто збуджує збої. Випереджувальний сервіс пересуває підхід до безперервного моніторингу показників охорони здоров’я, таких як розчинений аналіз газу в трансформаторах, рівень вібрації в обертанні машини, а також теплове зображення на перемикачі.

Мережа датчиків та IoT

Бездротові датчики, що прикріплені до критичних активів, передають дані на хмарні аналітичні платформи. Алгоритми виявляють аномалії, такі як підвищення температури масла або часткового розряду в кабеліх. Florida Power & Light (FPL) розгорнуто понад 10 000 датчиків на своїх розподільчих трансформаторах і знижених частотах перетворювача на 15% щорічно. Утиліта тепер виконує технічне обслуговування тільки при предикційних моделях вказує на високу ймовірність збою, економія мільйонів у трудових та замінних витратах.

Цифрові Близнюки для підстанцій

Цифровий близнюк - це віртуальна репліка фізичного активу, що оновлюється даними датчика в режимі реального часу. За допомогою симуляції умов стресу - як теплохвильова або світлова бура -оператори можуть прогнозувати, які компоненти, ймовірно, не вдається. ABB] і Семенс] розроблені цифрові близнюки для підстанцій, що дозволяє утиліти для запуску «What-if» сценаріїв без ризику фактичних операцій сітки. Цей проактивний інсайт дозволяє точного планування підлог, мінімізації клієнтського зруйнування.

Прогнозування погоди та кліматичне моделювання

Екстремальні погодні події — урагани, крижані бурі, дикий вогонь та теплові хвилі — провідна причина масштабних енергозабезпечень. Покращується прогнозування погоди, поєднана з кліматом, дає утилітам більш тривалий час приготувати інфраструктуру та розгортати екіпажі.

Моделі високої роздільної здатності

Сучасні моделі погоди тепер проходять на підкілометровому дозволі, прогнозуючи локалізовані вітрові пости, блискавки та снігові навантаження. Комунальні послуги інтегрують ці прогнози в моделі прогнозування, які оцінюють кількість та розташування потенційних збів. Наприклад, Duke Energy] використовує IBM Weather Company дані для очікувань бурових ударів 48 годин заздалегідь, попередньо надаючи ремонт екіпажів та запасних стовпів у високоросійських районах.

Зміщення ризику пожежі

Зміна клімату має інтенсивні дикого вогнегасу, що заспокійливі утиліти для інновації. Моделі тепер фактор в рослинній вологості, швидкості вітру, відносній вологості і щільності палива для створення щоденних карт ризику. Каліфорнійські утиліти, такі як Південна Каліфорнія Edison і San Diego Gas & Електричний] були розгорнуті програми безпеки громадського харчування (PSPS) на основі цих показників ризику. Хоча спірні, відключення були перероблені за допомогою машинного навчання для зменшення постраждалих клієнтів 30% без збільшення протипожежних ставок.

Розподілені джерела енергії (DERS) та мікрогрейди

Інтеграція сонячних панелей, зберігання акумуляторів, електромобілів та резервних генераторів в сітку створює як виклики, так і можливості для запобігання виходам. При керованому інтелектуальному використанні DER може забезпечити локалізацію резервної потужності та зменшити навантаження на лінії передачі.

Мікророси як острові системи

Мікроросли можуть відключатися від основної сітки і автономно функціонувати під час виходу — процес називається «острів». Лікарня, університети, критичні об'єкти все частіше встановлюють мікрополоси з системами управління, які автоматично виявляти збій сітки і переключають до місцевого покоління. Принцтонський університет мікрогрейд, наприклад, зберігають кампус, що працює під час гіріганської сані, в той час як навколишні райони втратили електрику на дні.

Віртуальні електростанції

Агрегатуючі акумулятори та смарт-мотори в віртуальну електростанцію (ВПС) дозволяє комунальні послуги для відправлення збереженої енергії під час пікового попиту або сітчастих надзвичайних ситуацій. Sunrun і PG&E] - пілотування ВЕС в Каліфорнії, які можуть перенести до 100 МВт навантаження, щоб потужність 75,000 будинків, які координують тисячі домашніх батарей. Це знижує ризик появи чорнових водонагрівачів під час опалювальних хвиль без будівництва нових пікерних рослин викопного палива.

Кібербезпека в Grid Resilience

Як сітчаста сітка стає більш цифрованою, кібератак позбавляє зростаючу загрозу надійності. Добре підібрана кібератакка може відключити системи моніторингу, алгоритми пошкодженого контролю або навіть викликати фізичну шкоду обладнання. Запобігання відходів сьогодні вимагає надійного проведення заходів з кібербезпеки.

Мережеві сегментації та інструкційне виявлення

Утиліти приймають рамки кібербезпеки НІС, відрізкові операційні технології (OT) від корпоративних мереж ІТ. Системи виявлення вторгнення моніторують для аномальних моделей трафіку, які можуть вказувати на порушення. North American Electric Reliability Corporation (NERC) представила обов'язкові критерії захисту (CIP) стандарти для забезпечення базових практик безпеки по всіх операторів системи сипучих.

Машинне навчання для виявлення загроз

AI-driven Security Platforms аналіз мережевих колод для виявлення нульових денних експлуататорів та загроз внутрішньої безпеки. Наприклад, Darktrace] використовує несупервісне машинне навчання для моделі нормальної поведінки для мережевих контролерів та оповіщень операторів до відхилень, часто перед атакою викликає операційний вплив. Комунальні послуги, які інвестують в таку проактивну кібербезпеку, знижують ризик тривалих відтінків, викликаних рансомware або державно-попередженими атаками.

Планування взаємодії та відповідальності

Не існує технологій, що не існує. За допомогою спільнот, які забезпечують, що локальні ресурси – як резервні генератори, збережені води, так і волонтерські мережі, які координують, коли сітка не зникає.

Сприяє підвищенню ефективності

Багато міст встановлюються підйомні хаби — це центри, оснащені сонячними панелями, зберіганням акумуляторів та аварійними зв’язками. Під час проведення робіт ці хаби надають критичні послуги, такі як зарядка пристрою, живлення медичного обладнання та охолодження. Місто Портландського бюро аварійного управління має пілотовані резистентні хаби у вразливих районах, використовуючи зв’язок зворотного зв’язку для модернізації локація та послуг.

Замовник-Підготовка

Утиліти розширюють програми навчання клієнтів з безпеки за овертайм: використовуючи генератори безпечно, відключаючи прилади для запобігання перепадів, і звітності знизилися дроти. Деякі навіть пропонують стимули для клієнтів, щоб встановити смарт-панелі, які можуть автоматично відключати некриті навантаження під час відключення, зменшуючи штам на резервні системи. При поінформованому клієнті діють проактивно, в цілому час відновлення скорочуються.

Висновок

Майбутнє запобігання відключення електроенергії полягає в шарованому підході: машинне навчання, яке прогнозує збої перед ними, смарт-мережі, які загоюються самі, прогнозування технічного обслуговування, що поширюється на життя активів, а партнерські відносини, які посилюють стійкість. Хоча система не може усунути всі види відходів, поєднання цих інноваційних методів вже забезпечує безмірні скорочення частоти виходу, тривалості і вартості. Як змін клімату посилюється екстремальна погода і цифрові загрози, продовжуючи інвестиції в ці стратегії, будуть важливими для збереження вогнів на мільйонах будинків і бізнесу.