Hiểu các đơn vị đo lường Phaseor và dữ liệu đồng bộ

Hệ thống điện hiện đại dựa trên các hệ thống chính xác, định lượng thời gian để duy trì sự ổn định. Đơn vị đo độ trễ (MOSU) là các thiết bị chính thu dữ liệu này. Không giống như hệ thống SCADA truyền thống, thường báo cáo mỗi 2-4 giây, hệ thống điện áp và sóng điện áp mẫu với tốc độ 30 đến 120 mẫu trên giây, tất cả được đồng bộ hóa qua GPS trong vòng một phần giây. Những phép đo kết quả được gọi là các máy đồng bộ, cung cấp cả kích thước và góc độ điện trên toàn mạng. Sự phân giải này là nền tảng thời gian thực sự, kiểm soát và kiểm soát thời gian thực sự.

Dữ liệu đồng bộ cho phép các nhà điều hành thấy hành vi năng động của hệ thống năng lượng như nó xảy ra. góc giữa xe buýt cho thấy căng thẳng trên đường truyền, và độ lệch tần số cho thấy sự mất cân bằng của thế hệ hàng ngàn máy tính được vận hành trên toàn thế giới, lượng dữ liệu truyền tải là rất lớn. phân tích bằng tay không còn khả thi nữa, đó là nơi trí thông minh nhân tạo trở nên không thể thiếu.

Vai trò của trí thông minh nhân tạo trong các chiến dịch lưới

Thông minh nhân tạo, đặc biệt máy học và học tập sâu, vượt trội tại các mẫu hành động có thể chiết xuất từ dữ liệu cao không gian, các dữ liệu thời gian. trong bối cảnh của dữ liệu của PMU các thuật toán AI có thể phát hiện các tiền đề tinh tế đến sự bất ổn định, phân loại lỗi với độ chính xác cao, và dự đoán hệ thống phản ứng dưới các tính chất phức tạp khác nhau. các khả năng chuyển đổi hệ thống điều khiển sức mạnh từ phản ứng sang hoạt động và thậm chí dự đoán.

Name

  • Việc học siêu cao: mô hình phân loại được đào tạo theo loại dữ liệu có nhãn chữ MEMU có thể xác định lỗi (v. d., một dòng đến mặt đất, ba lỗi, ba dấu gạch) với hơn 99% độ chính xác, cho phép các quyết định tiếp sức bảo vệ nhanh chóng.
  • Học không giám sát:] phát hiện các thuật toán xếp chồng điều kiện hoạt động không có nhãn lịch sử, hữu ích để khám phá các mẫu hình bất ổn mới lạ.
  • Tập tin bằng LSTMs và Biến hình: ) Mạng bộ nhớ ngắn (Cấp bênh) ghi lại quan hệ phụ thuộc thời gian trong luồng đồng bộ, lý tưởng cho sự sụp đổ điện áp hoặc chuyển động tạm thời trước khi chúng xảy ra.
  • Học thêm:) bộ điều khiển dựa trên đặc vụ học những hành động sửa chữa tối ưu bằng cách tương tác với trình mô phỏng mạng, cho phép tự động điều khiển khẩn cấp.

Những kỹ thuật này không phải là duy nhất chung. mô hình lai kết hợp mạng lưới thần kinh hình thành vật lý với phương trình hệ thống năng lượng truyền thống đạt được độ chính xác cao và khả năng giải thích.

Ứng dụng mở rộng của dữ liệu i-I tích hợp của i

Ý thức về tình hình hiện tại

Các bảng điều khiển có sức mạnh điện tử AI kết nối dữ liệu của PMU từ nhiều tiện ích cung cấp các nhà điều hành với một hình ảnh tích hợp, thời gian thực của dao động liên kết, lề điện áp và quá tải nhiệt. Ví dụ, Liên kết phía Tây ở Bắc Mỹ sử dụng máy tính để phát hiện sự suy giảm độ phân hủy thấp trong độ phân giải thấp. Cảnh báo được tạo ra trong vòng 200 phần nghìn giây, cho các nhà điều chỉnh thời gian để điều chỉnh kết nối hay kích hoạt kế hoạch hoạt lại hệ thống. Điều này ngăn chặn sự thất bại phân hủy có thể dẫn đến sự mất điện bị mất điện.

Bảo trì và bảo vệ sức khỏe

Bằng cách phân tích các bản thu âm của Bộ chuyển đổi, chuyển đổi mạch, và các hoạt động của đường dây, mô hình AI có thể ước tính vẫn hữu ích cho cuộc sống của những tài sản quan trọng.

Name

Dữ liệu tối ưu tối ưu (OPF) Các bộ giải quyết dựa trên các mô hình ngoại tuyến có thể không khớp với điều kiện thời gian thực. Phương pháp Al đã hấp thụ dữ liệu PMU có thể điều chỉnh thế hệ thiết lập điểm và các bộ thay đổi biến đổi để giảm thiểu sự mất mát trong khi tôn trọng các hạn chế điện áp. Một phi công gần đây của Viện Nghiên cứu Điện lực điện tử (EPRI) đã chứng minh giảm 5% số thiệt hại trong việc truyền tải bằng cách cập nhật một chất tăng cường độ học tập mỗi hai giây dựa trên phản hồi đồng bộ đồng bộ. Tính năng này đặc biệt có giá trị với sự thâm nhập điện thế cao, khi điều kiện này thay đổi nhanh chóng.

Phát hiện lỗi và phân loại

Hệ thống AI dựa trên hệ thống định vị của PMU có thể xác định lỗi trong vòng một chu kỳ. Mạng thần kinh tiến hóa áp dụng cho sóng điện áp PMU phân loại lỗi và ước tính vị trí lỗi với độ chính xác hơn 95% trong vòng 2% chiều dài dòng. Tốc độ và độ chính xác này giảm thời gian ra và cho phép các nhà điều hành gửi các thủy thủ đoàn trực tiếp đến vị trí lỗi, cắt thời gian phục hồi theo giờ.

Đáp ứng khẩn cấp và điều khiển việc đảo

Trong các sự kiện cực đại như bão hoặc tấn công mạng, các đại lý Al phải sử dụng dữ liệu của Bộ thông tin của Bộ thông tin Liên lạc phải chia ra từng phần của mạng lưới. Các bộ điều khiển học tập được huấn luyện trên hàng ngàn kịch bản mô phỏng có thể xác định ranh giới và sự cân bằng tối ưu của đảo và thế hệ để duy trì những vật chứa quan trọng. Các thử nghiệm trên hệ thống tổng hợp 2000-bus cho thấy các tác nhân duy trì tần số trong vòng vội. 0.1z trong một sự kiện trên đảo, so với vội vàng dưới sự điều khiển thông thường.

Lợi ích của dữ liệu Phasor với AI

  • Sự ổn định định định định định định phát hiện ra điện thế bất ổn định và trục quay góc trước khi trở nên không kiểm soát được, cung cấp 10 giây để có hành động sửa chữa.
  • hiệu suất được bảo vệ:) giảm thiểu tổn thất thông qua việc giảm thiểu tối ưu thông tin và lỗi dẫn đến chi phí hoạt động thấp hơn và giảm chi phí đầu tư cơ sở hạ tầng.
  • [FLT:] tăng đáng tin cậy: cảnh báo sớm về sự hỏng thiết bị và giải phóng các lỗi nhanh giảm tần số và thời gian ngắt quãng.
  • Tự chủ, tự chữa lành: ) Al cho phép mạng lưới tự tái cấu trúc để đáp ứng với việc thay đổi điều kiện mà không cần sự can thiệp của con người, một tính năng chủ chốt của cấu trúc mạng lưới thông minh.

Những thử thách và giới hạn hiện tại

Mặc dù nó hứa hẹn, sự tích hợp dữ liệu của AI và PMU phải đối mặt với nhiều chướng ngại. Chất lượng dữ liệu là mối quan tâm chính: sự đồng bộ về thời gian GPS phải được duy trì trong vòng 1 BAR ; mất gói hay đo lường bị lỗi có thể làm giảm hiệu suất mô hình. Sự an ninh mạng là một vấn đề quan trọng khác, vì hệ thống AI trở thành tấn công véc tơ nếu không được cứng. Sự phức tạp của hệ thống năng lượng là hộp đen, khiến cho các nhà điều hành khó khăn để tin quyết định. Việc làm việc đang tiến hành để giải thích hiệu suất AI (AI) hợp với ứng dụng phù hợp.

Chi phí cấu trúc cũng vẫn là rào cản. Triển khai máy tính cá nhân ở mỗi trạm con là đắt tiền, và mạng truyền thông phải hỗ trợ sự hỗ trợ ít hiệu quả, băng thông rộng cao. Tiêu chuẩn như IEEE37.118 cho dữ liệu đồng bộ và IEC 61850 để hỗ trợ các vấn đề tự động phụ, nhưng sự tương tác với nhau vẫn còn tồn tại. Hơn nữa, việc huấn luyện mô hình AI đòi hỏi thiết lập dữ liệu lớn, rất hiếm gặp những sự cố hiếm như ciding shit. Technique như dữ liệu tổng hợp và việc chuyển đổi dữ liệu đang được khám phá để tìm địa chỉ này.

Những hướng đi trong tương lai và nghiên cứu sâu

Biên giới kế tiếp là cạnh AI cho dữ liệu của PMU. Bằng cách triển khai mạng thần kinh nhẹ trên các đơn vị PMU hoặc các cổng phụ, các độ phân giải có thể giảm xuống dưới 5 phần nghìn giây, cho phép các hành động bảo vệ mà không cần đợi trung tâm điều khiển. Đây là yếu tố quan trọng cho các hiện tượng tốc độ cao như cộng hưởng phụ ở trang trại gió.

Hai mạng điện tử điều khiển các mô phỏng thời gian thực được cung cấp bởi dữ liệu của Bộ Trưởng Phòng Nghiên Cứu Năng Lượng Hiện Đại sẽ cho phép các nhà điều hành kiểm tra những gì tiếp tục. Các đại lý AI sẽ huấn luyện trong cặp song sinh kỹ thuật số trước khi triển khai tài sản vật lý, giảm rủi ro. Bộ Nghiên cứu Mạng lưới điện năng của Mỹ đang trình bày cách tiếp cận này tại một số nơi tiện ích, với những kết quả hứa hẹn cho việc điều hành điện áp và tắc nghẽn quản lý.

Một khu vực khác sắc nét là máy lượng tử học để xử lý xử lý đồng bộ xử lý. Các thuật toán lượng tử có thể giải quyết các vấn đề tối ưu hóa (v.g., cam kết với hàng ngàn máy phát điện) thứ tự nhanh hơn các phương pháp cổ điển. Các nghiên cứu ban đầu từ phòng thí nghiệm quốc gia Thái Bình Dương cho thấy rằng hỗ trợ máy tính lượng tử có thể phân loại các lề chuẩn dựa trên hệ thống tối ưu tối ưu với độ chính xác bằng với mô hình cổ điển nhưng với ít mẫu đào tạo theo cấp số nhân.

Tiêu chuẩn hóa và hợp tác sẽ tăng tốc cho việc nhận con nuôi. Sáng kiến như Bộ đồng bộ Bắc Mỹ (NAPSORIS) và Mạng lưới điều khiển hệ thống truyền (E) cung cấp các khuôn khổ chia sẻ dữ liệu PMU và các thực hành tốt nhất cho sự kết hợp AI. Khi các nỗ lực này đã trưởng thành, tầm nhìn của hệ thống tự động, tự phục hồi sẽ ngày càng rõ ràng hơn.

Kết luận

Sự hợp nhất của các dữ liệu giả có độ phân giải cao với trí tuệ nhân tạo tiên tiến không còn là sự tò mò về phòng thí nghiệm nữa mà là một sự cần thiết cho hệ thống năng lượng hiện đại. từ sự dao động thời gian thực để dự đoán sự bảo trì và tự động đảo, AI mở rộng tiềm năng toàn bộ đầu tư của PMU. Trong khi những thách thức liên quan đến chất lượng dữ liệu, an ninh mạng, và khả năng giải thích vẫn còn, và các phi công công công công công nghiệp đang đều đặn vượt qua chúng. các hệ thống điều khiển và hệ thống kết hợp này sẽ được trang bị tốt hơn để xử lý sự phức tạp của các sự kiện có tính năng tái tạo, cực đoan, và sự kiện tăng cường độ bền vững.

Để đọc thêm, xin xem Báo cáo kỹ thuật về ứng dụng dữ liệu của hệ thống thông tin REMU , Bộ đầu tiên [FLT:] Bộ đầu tư năng lượng , và [VLT:] AI] cho mục tiêu màu trắng [FL: 5.