الهندسةالهندسة الكهربائية

تشخيص أعطال المنظومة الكهربائية باستخدام الشبكة الذكية

الهدف من بناء الشبكة الذكية لتشخيص أعطال المنظومة الكهربائية

 

لعبت شبكات (SDN) دوراً مهماً في إعادة بناء الشبكة الكهربائية إلى عناصر أقل تعقيداً ومرونة، وعلاوة على ذلك قامت (NN) بإنشاء أرضية صلبة في العديد من القطاعات من خلال التنبؤ بحالة سلوك النظام وتقديم تنبؤات دقيقة بناءً على البيانات التاريخية، ومع ذلك كان الباحثون يعملون على تقنيات نمذجة مختلفة لتنفيذ (NN) في شبكة الطاقة للتنبؤ بأداء مزود الطاقة وتشخيص الأعطال.

 

كما تعتبر أخطاء مكونات الشبكة مشاكل كبيرة في توزيع الطاقة، لذلك تم اقتراح طريقة للتنبؤ “بخطأ المرحلة” باستخدام ذاكرة طويلة المدى وآلات متجهة داعمة، وهي مصنفة بهامش مرتفع في (NNs)، كما تم التقاط البيانات باستخدام شبكة “الذاكرة طويلة المدى” (LSTM) ذات فترة زمنية طويلة، كذلك تم جمع حوالي (500) عينة من الجهد والتيار الكهربائي والطاقة النشطة أثناء التشغيل العادي.

 

أيضاً تم إدخال البيانات في النظام المقترح ونتج عنها معدل دقة بنسبة 97٪ في التنبؤ بأخطاء الرحلة، بحيث تم تقديم حلاً جديداً لتوزيع مرحلات التغذية للتنبؤ “بمستويات الأعطال”؛ حتى يتم تنفيذ هذه التقنية بمدخلين رئيسيين هما الجهد والتيار للقواطع الكهربائية، كما تم حساب تيار الخلل باستخدام نظرية ثيفينين وتمت مقارنة القياس الفعلي.

 

حيث أظهر ناتج خوارزمية (NN) دقة حوالي (98 ٪) مع معدل خطأ أقل من (2 ٪) علاوة على ذلك؛ فقد تم اقتراح منهجاً منظماً يحقق في خطأ عناصر إلكترونيات القدرة في ظل ظروف عمل مختلفة، كما وضع الباحثون النظريات والمعدلات من خلال عناصر حاسمة في تحويل الطاقة، ومع ذلك؛ فإن دورة حياة هذه المكونات تتأثر بعدد متزامن من العمليات.

 

طبق المختصون العديد من تقنيات التعلم الآلي التي أخذت في الاعتبار حالة التشغيل، وعدم توازن البيانات للمحولات الفعالة في التنبؤ بالفشل، كما تم استخدام نماذج احتمالية متعددة مثل آلات ناقلات الدعم (SVM) وخريطة التنظيم الذاتي (SOM)، حيث أظهرت النتائج النهائية تبايناً مع أفضل تنبؤ لتصنيف المجموعة.

 

النظام الاصطناعي المقترح للتنبؤ باستقرار المنظومة الكهربائية

 

تم اقتراح نظاماً اصطناعياً للتنبؤ باستقرار شبكة الطاقة بعد إزالة العطل، بحيث يعتمد على متغيرات الإدخال المستخدمة، وهي عبارة عن تماثيل الخطأ مثل قيم ما قبل الخطأ وأثناء الخطأ وقيم ما بعد الخطأ، بحيث تم تستخدم (NN) المقترحة وظيفة “الانتروبيا” المتقاطعة كوظيفة التكلفة لتحسين الأوزان، ويتم استخدام (softmax) كوظيفة التنشيط. تم تقسيم البيانات إلى ثلاث مجموعات، وهي 60٪ للتدريب و 20٪ للتحقق وأخيراً 20٪ للاختبار.

 

كما أظهرت نتائج المحاكاة دقة إجمالية تبلغ 99.3٪، وتم تقديم “الجانب الإحصائي” للتنبؤ باضطرابات جودة الطاقة التي قد تؤثر على شبكة الطاقة نفسها، حيث استخدم الباحثون “نموذج ماركوف” المتعدد المخفي، كما تم استخدام مجموعة البيانات الخاصة باضطراب جودة الطاقة وحالة الطقس كبيانات رئيسية لتدريب النموذج.

 

بالإضافة الى اقتراح نموذجاً للتنبؤ وتقييم تحليل الغاز المذاب في محولات المحطات الفرعية بناءً على التاريخ السابق للتشغيل، بحيث تم استخدام تقنية التحسين لحل مشكلة التركيب، كما تم جمع البيانات من سبعة محولات فرعية، وتم تسجيل الحالة الصحية للمحول باستخدام نظام مراقبة التحكم الإشرافي والحصول على البيانات (SCADA).

 

أيضاً تم استخدام متوسط ​​الخطأ المطلق القياسي والنسبة المئوية لفحص أداء الانحدار، وذلك بعد اختبار مكثف، بحيث كان خطأ التنبؤ لكل غاز مذاب ناتج عن زيادة درجة حرارة الزيت في مؤشر المحول منخفضاً جداً، حيث كان (15٪) لـ (H2)، (7٪) لـ (C2H2)، (5٪) لـ (C2H4)، و(5٪) لـ (C2H6)، (1.5٪) لـ (CH4).

 

كما تم تحديد خطأ التنبؤ في حدود 2٪ لكل تنبؤ بمستوى الغاز، كذلك كانت دقة التنبؤ الإجمالية بين (84٪) و (97٪)، كذلك نظام مراقبة لإنترنت الأشياء على نطاق واسع (IoT) في المناطق الريفية، حيث نشر الباجثون حوالي (19) عقدة طويلة المدى (LoRa) على مساحة تبلغ أبعادها [800 متر × 600 متر]، وذلك مع بوابة وصول لجمع بيانات فاصلة مدتها دقيقة واحدة.

 

أيضاً وصلوا الى أن نسبة تسليم الحزم (PDR) للشبكة المعشقة المقترحة قد حققت حوالي (88.49٪)، بينما حققت الطوبولوجيا النجمية التقليدية (58.7٪)، وتمت إضافة أن هدف المشروع هو استكشاف إمكانات بنية نشر شبكة إنترنت الأشياء في المناطق التي تتطلب إرسالاً بعيد المدى.

 

طريقة تجميع التحسين المقترحة للبيانات المختلطة للشبكات الذكية

 

تعتمد هذه الطريقة القائمة على (SDN) على خوارزمية الإخراج على مجموعة من خوارزميات (k-mean) و (k-mode)، كما قدم المؤلفون أن الخوارزمية المقترحة تفي بتجربة الخصوصية التفاضلية بدقة فعالة، بحيث اعتمد بنية طبقات استشعار موفرة للطاقة لمعالجة الطاقة التي يستهلكها عدد كبير من عقد إنترنت الأشياء.

 

لذلك فقد عزم الباحثون على أن الإطار المقترح مقسم إلى ثلاث طبقات، وهي طبقات الإحساس والبوابة والتحكم، كذلك استخدموا بروتوكول جدولة السكون والعمل مع توقع فترات سكون الشبكة، علاوة على ذلك تم نشر (300) عقدة محاكاة في منطقة كبيرة، كان منها (250) عقدة للاستشعار و (50) عقدة للبوابات، وذلك بعد إجراء اختبارات مكثفة، حيث أظهرت النتائج انخفاضاً كبيراً في استهلاك الطاقة مما أدى إلى تحسين استخدام الموارد واستهلاك الطاقة.

 

التحفظات المرتبطة بإجراءات التحسين المقترحة للبيانات

 

لاحقاً تمت مناقشة مخاوف النشر الكثيف للخلايا الصغيرة التي تكون واجهات غير متناسقة وعمليات التسليم المتكررة وعمليات التوصيل الواسعة، بحيث قدم الباحثون (SDN) للجيل التالي من بنية الشبكات اللاسلكية (NWN) عن طريق تحليل مستوى التحكم من مستوى البيانات، كذلك استخدم المؤلفون تصميم تقنيات الوصول إلى الراديو الافتراضية (RATs) لدعم الخدمات المختلفة.

 

كما تم استنتاج أن وحدة التحكم الجديدة المحددة بالبرمجيات (SDNC) قادرة على التنبؤ بمسار حركة المستخدم بالقرب من نقطة الوصول (AP) لتنفيذ التسليم، وبعد إجراء اختبارات مكثفة، تمت إضافة مبدأ التحقق من صحة النهج المقترح وبالتالي تم تسريع عملية التسليم وتقليل زمن الوصول الإجمالي.

 

ووصولاً الى ادراج الكمية الكبيرة من البيانات التي يتم إنشاؤها من منصات البيانات الضخمة مثل شبكات مراقبة الصحة التي تتطلب معالجة وتحليل في الوقت الفعلي، حيث أن العديد من هذه البيانات ليست ضرورية وتسبب تأخيراً في المعالجة والتخزين.

 

وأخيراً تم تشكيل بنية تحتية مخصصة لشبكات (SDN)، بحيث تتكون من شبكة مستشعر طاقة طويلة المدى لإنترنت الأشياء تسمى شبكة إدارة الشبكة (GMN)، حيث يتكون (GMN) من جزأين:

 

  • قسم (WSN)، والذي يتم تنفيذه على كل (DT) لكل منطقة، بحيث يتم تثبيت قائمة من المستشعرات على كل محول مثل مستشعر درجة الحرارة ومستشعر مستوى الزيت ومستشعر ضوضاء الطنين ومستشعر التحميل الزائد، كما تمثل هذه المستشعرات فحص الحالة الصحية لكل (DT)، وكل واحد من هذه المستشعرات مرتبط بجهاز إرسال (RF) باستخدام اتصال (LoRa WAN) بعيد المدى.

 

  • الجزء الثاني من العمارة هو مركز البيانات اللاسلكي الثابت، بحيث يتكون مركز البيانات من مسارات متعددة لتوفير التكرار مع استعادة المسار للتسامح مع الخطأ، بحيث ستستخدم الشبكة وحدة تحكم (SDN) كعقدة دخول إلى مركز البيانات الثابت.

 

 

المصدر
I. N. da Silva et al., "Intelligent systems for the detection of internal faults in power transmission transformers" in Advances in Expert Systems, Rijeka, Croatia:InTech, 2012.R. Amin, M. Reisslein and N. Shah, "Hybrid SDN networks: A survey of existing approaches", IEEE Commun. Surv. Tut., vol. 20, no. 4, pp. 3259-3306, Oct.–Dec 2018.S. Zhang, Y. Wang, M. Liu and Z. Bao, "Data-based line trip fault prediction in power systems using LSTM networks and SVM", IEEE Access, vol. 6, pp. 7675-7686, 2018.Y. Di et al., "Fault prediction of power electronics modules and systems under complex working conditions", Comput. Ind., vol. 97, pp. 1-9, 2018.

مقالات ذات صلة

اترك تعليقاً

زر الذهاب إلى الأعلى