Phát hiện lỗi AI-Poreed trong hệ thống điện:

Hệ thống điện điện là một tài sản quan trọng, và hoạt động không bị gián đoạn của nó là cần thiết cho xã hội hiện đại. tổ chức - tổ chức -- tổ chức - ngắn nhất thời cho đến việc duy trì các thiết bị bền vững -- đặt mối đe dọa đáng kể đến sự ổn định mạng lưới, an toàn và đáng tin cậy. phương pháp phát hiện thông thường dựa trên các bản chuyển tiếp dựa trên ngưỡng và phân tích bằng tay, ngày càng không đủ khả năng cho các hệ thống điện phức tạp và quy mô hiện đại. thông minh nhân tạo (AI) cung cấp một sự thay thế mạnh mẽ, hiệu quả, hiệu quả, thích ứng thời gian thực, và chẩn đoán chính xác. Bài này cung cấp một cuộc kiểm tra toàn diện về các kỹ thuật AI được áp dụng như thế nào trong hệ thống quản lý dữ liệu, hệ thống thông tin, và các ưu tiên, các ưu tiên, các lợi thế và các thuật toán, và các ưu tiên hoạt động.

Tại sao phát hiện sai

Lỗi hệ thống điện có thể lan tràn vào các trường hợp mất điện phổ biến nếu không được giải quyết nhanh chóng. Một mạch điện ngắn trên đường truyền gần đó có thể gây ra sự cố máy phát điện, gây ra sự bất ổn định và tải lên. Ảnh hưởng tài chính của việc không dự tính trước là nghiêm trọng: Viện Nghiên cứu Điện lực (EPRI) ước tính rằng hệ thống điện bị gián đoạn làm mất đi hơn 150 tỉ đô la hàng năm. Ngoài các thiết bị kinh tế, các lỗi như máy biến đổi, ngắt mạch, cáp, tài sản ngắn và tăng giá bảo trì. Việc phát hiện lỗi thời giảm thiểu hậu quả do sự cô lập của dịch vụ sai và phục vụ phục vụ nhanh.

Phát hiện lỗi truyền thống: Sức mạnh và giới hạn

Hệ thống bảo vệ theo quy định, sử dụng các quy tắc xác định: Nếu thời gian hiện tại vượt quá ngưỡng đã định, tín hiệu đi lại được phát ra. Khoảng cách cho phép xác định vị trí lỗi.

  • lỗi tăng vọt) (v. d., một nhánh cây chạm vào một dòng) mà tạo ra những thay đổi ít hiện tại.
  • Những lỗi cố định mà không bền đủ lâu để kích hoạt ngưỡng.
  • lỗi [FLT:] mà thay đổi các đặc điểm theo thời gian.
  • Sự phức tạp nơi mà nguồn năng lượng tái tạo, phân phối thế hệ và sức mạnh hai chiều chảy biến dạng chữ ký lỗi thông thường.

Phương pháp AI vượt qua những giới hạn này bằng cách học những mối quan hệ phức tạp, phi tuyến tính từ dữ liệu, mà không cần mô hình toán học rõ ràng của lưới.

Hệ thống quản lý lỗi lỗi được điều khiển bằng AI

Cần thiết dữ liệu và xử lý sẵn

Phát hiện lỗi dựa trên AIA. Bắt đầu với dữ liệu độ phân giải cao từ đơn vị dung tích dương (MOSUs), bộ ghi âm lỗi kỹ thuật số, mét thông minh, điều khiển và thu thập dữ liệu (SCADA). Tín hiệu quan trọng bao gồm ba phần tử điện áp và dòng điện, tần số và nội dung điều hòa. Dữ liệu được lấy mẫu từ 30 mẫu trên giây (SCADA) đến vài bước sẵn có:

  • Đang tăng trưởng:) áp dụng bộ lọc (v. d., cho sóng chuyển đổi) để gỡ bỏ nhiễu đo lường mà không làm mờ đi tính năng tạm thời.
  • Không có nhiệt độ: tín hiệu cắt giảm thành 0 và đơn vị để đảm bảo sự nhất quán trong điều kiện hoạt động khác nhau.
  • : canh thời gian xếp đống dữ liệu từ nhiều nguồn dùng nhãn thời gian GPS - rất quan trọng cho địa điểm lỗi.
  • Giải cứu sinh học: Đang xác định các chỉ số cấp cao như giá trị RMS, góc thời gian, thành phần cân đối (có thể, không, và hệ số sóng.

Mô hình AI trong việc phát hiện lỗi

Một số máy học và kiến trúc sâu đã được áp dụng thành công:

  • Mạng thần kinh nghệ thuật (NNN): ) Cung cấp các mạng lưới tiếp tục được đào tạo về dữ liệu lỗi lịch sử để phân loại các trạng thái thường gặp lỗi. Thường được dùng để nhận dạng mẫu trong điện áp và dạng sóng hiện thời.
  • Máy tính hỗ trợ (SVMs): hiệu quả cho phân loại nhị phân (không có lỗi) ngay cả với dữ liệu đào tạo hạn chế. Chúng hoạt động tốt khi số tính năng cao so với mẫu.
  • Cây Số và rừng ngẫu nhiên: cung cấp các quy tắc có thể giải thích (v. d., “nếu điện áp không- tái tạo vượt quá X, sau đó lỗi gõ Y gõ).
  • Mạng thần kinh tương đối (CNN): ) Ứng dụng trực tiếp đến các tín hiệu thời gian sống hoặc ảnh thời gian tần số (tiểu đồ tần xuất). CNNs nắm bắt các mẫu địa phương và tính không biến đổi, khiến chúng trở nên mạnh mẽ để thay đổi trong địa điểm và khả năng ghi chú lỗi.
  • Mạng thần kinh hiện thời (RNNs) và bộ nhớ ngắn (LSTM): được thiết kế để tạo dữ liệu liên tục. LSTM nhớ các quan hệ phụ thuộc lâu dài, hữu ích để phát hiện lỗi tiến hóa hoặc điều kiện trước khi có lỗi.
  • Bộ mã hoá:) đã được huấn luyện để tái tạo lại các mẫu hoạt động bình thường. Lỗi tái tạo cao ngụ ý một sự kiện bất thường - do giám sát phát hiện lỗi khi có ghi nhãn dữ liệu lỗi là khan hiếm.

Lỗi phân loại và cục bộ

Một khi bạn nhận ra lỗi, hệ thống phải xác định kiểu (v. d., một hàng đến mặt đất, hàng ngang, đường thẳng đến mặt đất, đường thẳng hai hàng, ba bánh xe) và vị trí của nó. Mô hình AI có thể được đào tạo để xuất một nhãn lỗi và khoảng cách ước tính (theo số km hoặc phần trăm chiều dài). Đối với cấu hình cục bộ, mô hình hồi quy hay cấu trúc chuyên biệt như mạng thần kinh đồ thị (GN) mà trong kết hợp mạng đang tăng lên. Việc tăng tốc độ chính xác để sửa chữa phi hành đoàn và giảm thời gian ra.

Lợi thế của việc quản lý lỗi Al-Driven

  • Tốc độ thời gian ngược: ) Mô hình AI hiện đại, đặc biệt là mạng thần kinh nhẹ được triển khai trên thiết bị cạnh, có thể phát hiện và phân loại lỗi trong vòng vài phần nghìn giây - có thể tương tác hay nhanh hơn các tiếp tân thông thường.
  • Khả năng truy cập mạng:) Hệ thống Al tự động đào tạo lại khi dữ liệu mới đến, thích nghi với những thay đổi trong sự kết hợp thế hệ, các mẫu tải và địa hình mạng (v. d., sau khi tái cấu hình).
  • Sự nhạy cảm với những lỗi lầm không rõ ràng: Al có thể xác định những tình trạng trước khi thất bại, chẳng hạn như sự giải phóng một phần trong dây cáp hoặc sự thoái hóa trong việc biến đổi, giúp bảo trì dự đoán.
  • Phân tích phân tích phân tích:) tương quan với các tín hiệu đa cảm biến trên mạng lưới, phát hiện lỗi mà không thể thấy được với các phép đo một điểm.
  • Những báo động giả được ghi đè: ) Bằng cách học tính biến đổi bình thường của hệ thống, AI có thể phân biệt lỗi thật sự và không chuyển đổi tạm thời, tải xuống thay đổi, hoặc đo lường lỗi, giảm các chuyến đi không cần thiết.
  • Hiệu suất chung: đã ngăn chặn các vụ mất mát, giảm thiết bị hư hại, và tối ưu hóa thời gian bảo trì dịch thành những khoản tiết kiệm hoạt động đáng kể.

Các chương trình và nghiên cứu về trường hợp trên thế giới

Một số dự án hỗ trợ và nghiên cứu đã chứng minh các dự án phát hiện lỗi dựa trên AI dựa trên lỗi lầm trên diện rộng. Ví dụ, Bộ năng lượng Hoa Kỳ đã sử dụng mô hình tổng hợp CNN-LSTM để phân tích hàng chục ngàn hồ sơ lỗi, đạt được 98.5% độ chính xác phân loại và giảm địa điểm lỗi của đường dây thông tin xuống 5%. Trong mạng phân phối, tính chất điện tử, tính năng được triển trên các dữ liệu thông minh để xác định các lỗi truyền thống, giảm các rủi ro trong việc sử dụng các tính năng dự phòng cháy khô.

Những thử thách để vượt qua

Dù có nhiều kết quả hứa hẹn, nhưng việc sử dụng phương pháp quản lý lỗi là một số trở ngại:

  • chất lượng và sẵn sàng:) dữ liệu có nhãn chất lượng cao. Dữ liệu hoạt động thường rất nhiều, nhưng lỗi là hiếm. Thế hệ dữ liệu tổng hợp và việc chuyển tiếp đang được khám phá để giải quyết vấn đề này.
  • Khả năng giải thích theo trình tự: Mô hình đào sâu thường là hộp đen. Các tiện ích và quy định đòi hỏi các quyết định có thể giải thích được, đặc biệt khi cần phải tin tưởng một bộ tiếp âm bảo vệ. Các kỹ thuật AI (XAI) giải thích như pulP và LIME đang được kéo dài.
  • Hệ thống định tuyến (FLT:0) an ninh: hệ thống Al có thể bị tấn công bởi các đầu vào đối kháng. Việc cố gắng mạnh mẽ chống lại các dữ liệu gây nguy hiểm là rất quan trọng cho sự đáng tin cậy trong mạng lưới.
  • Mô phỏng phần cứng di sản: Nhiều trạm phụ vẫn sử dụng các rơ-le cơ khí hoặc khối rắn. Tương thích với bộ điều khiển AI- CM có thể điều khiển cần thiết phải cẩn thận lên kế hoạch và đầu tư.
  • Hệ thống bảo vệ lưới phải trải qua thử nghiệm nghiêm ngặt để đáp ứng tiêu chuẩn (v. d., IEE C37.118, IEC 618).

Hướng tương lai

Sự tiến hóa tiếp theo của AI trong việc quản lý lỗi rất có thể sẽ bao gồm:

  • Học tập theo cách: ) Mô hình huấn luyện trên nhiều tiện ích mà không cần chia sẻ dữ liệu thô, bảo tồn sự riêng tư trong khi cải thiện mô hình tổng quát.
  • Máy tínhEdge:) đang triển khai các mô hình nhẹ nhàng trực tiếp trên thiết bị điện tử thông minh (IDs) và các bộ chuyển tiếp để giảm nhu cầu độ mờ giao tiếp và băng thông.
  • cặp song sinh tội phạm: tạo ra các bản sao số thời gian thực của toàn bộ mạng lưới để mô phỏng các trường hợp lỗi và huấn luyện mô hình AI trong môi trường an toàn.
  • Mạng thần kinh của dân Graph:).
  • Khi tài nguyên dựa trên sự nghịch đảo trở nên chiếm ưu thế, các mô hình AI phải thích nghi với các tính chất lỗi mới (v. d. tô nhỏ, lỗi nhỏ từ máy đảo năng lượng mặt trời).

AI không phải là một sự thay thế cho sự bảo vệ truyền thống mà là một sự gia tăng mạnh mẽ. kết hợp tốc độ và sự đáng tin cậy của các rơle truyền thống với trí thông minh của máy học, hệ thống năng lượng có thể đạt được mức độ bền vững chưa từng thấy. dự án nghiên cứu và phi công cho thấy một tương lai mà không chỉ có lỗi phát hiện và rõ ràng nhưng được dự đoán và ngăn chặn.

Để đọc thêm, xin xem báo cáo [FLT: 0] về AI cho sự hiện đại hóa , phỏng vấn [FLT:] về việc học sâu về các lỗi hệ thống điện , và . DOE] cho sáng kiến của Mạng [FL:5].