人工智能自动检测电源电网中的干扰

2021-03-05 13:09:03

随着过去的大型集中供应商被较小的分布式供应商所取代,网格正在发生变化。要保持如此复杂的网络稳定运行,就需要高分辨率的传感器技术-AI提供了一种方法,可以进行准确的预测并实时自动检测任何干扰或异常情况。弗劳恩霍夫研究人员通过以下方法开发了压缩技术,算法和神经网络,以使电源适合未来。

发电方式正在转变:以前,我们所有的电力都来自大型发电厂,而如今,它也来自一系列分布式能源,包括风力涡轮机,光伏系统和其他类似设施。这一转变对我们的电网产生了重大影响–对于输电网络运营商而言尤其具有挑战性。如何监测诸如相角和频率之类的电网参数的正常运行?网格的正常运行是否可能存在差异或异常?还是有停电的线路或发电厂?当今的标准测量技术不再能够可靠地提供对此类问题的答案。因此,越来越多的运营商转向其他相量测量单元(PMU)和其他数字解决方案。这些系统每秒可测量50次电流和电压的幅度和相位。此过程会生成大量数据,每天轻松生成数GB数据。

数据压缩可节省80%的数据

作为回应,位于伊尔默瑙的弗劳恩霍夫光电研究所,系统技术和图像开发IOSB的高级系统技术(AST)部门的研究人员正在寻找使用人工智能优化数据处理的方法,以期提高电网的可靠性并建立适合未来的电源系统。Fraunhofer IOSB AST部门能源部门负责人Peter Bretschneider教授说:“我们可以使用AI每天自动记录,压缩和处理多达430万个数据集。”

在工作的第一阶段,研究人员提出了一种压缩技术,可以保存80%的数据。不仅存储数据更容易,而且处理数据的速度和效率也更高。

实时自动数据处理

在第二阶段,研究人员继续利用他们收集的相量测量数据来应用神经网络,这是当今人工智能的关键组成部分之一。更具体地说,他们通过典型系统中断的示例来“喂食”神经网络。通过这种方式,算法逐渐学会了从定义的系统故障中区分出正常运行数据,并对其进行精确分类。在训练阶段之后,研究人员将神经网络应用于相量测量生成的当前数据,这些数据以前必须进行采集和手动处理。这是算法首次迈向实时的地方应用程序,对异常或故障的位置以及该干扰的类型和位置进行瞬间决策。举个例子,如果一个发电厂发生故障,则可以预料到其他发电厂的负载会突然出现尖峰。增加的负载使发电机减速,并且频率降低。这需要快速的对策,因为如果频率下降到阈值以下,则出于系统稳定性的考虑,可能会迫使操作员切断电网的各个部分。很快,我们说的是不到500毫秒。由于该算法能够在20到50毫秒内做出决定,因此留出了足够的时间来实施适当的全自动对策。

随着研究人员继续致力于控制和调节相关对策,该算法已准备好实施。发展是不感兴趣只的大运营电力输送网,而且对本地区配电网。“比喻道路网,当较小的区域性道路被永久封锁时,拥有清晰的高速公路有什么意义呢?” 布雷施奈德说。

预测未来问题的能力

尽管如此,研究人员并不仅限于今天的问题,而且还想将到目前为止尚未发生的异常因素考虑在内。Bretschneider说:“如果我们继续追求可再生能源,可能会导致我们甚至不知道的情况。” 在这里,研究人员也转向了人工智能,他们在其中对这些未知现象进行分类,并使用数字网络地图开发适当的算法。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。