اقرأ في هذا المقال
تحليل استهلاك الطاقة الكهربائية بنطاق إنترنت الأشياء الصناعي
لقد أصاب اكتشاف السلوكيات الكهربائية غير الطبيعية شركات تشغيل الطاقة في الصين بسبب العديد من أخطاء نظام الطاقة وتقليل الأرباح بسبب الاستهلاك غير الطبيعي للكهرباء، لذلك لطالما كان الاكتشاف الدقيق للسلوكيات غير الطبيعية مصدر قلق بين مؤسسات الإمداد بالطاقة، بحيث تشمل الطرق الأساسية لسرقة وتسريب الكهرباء اختلالات الطاقة والحمل غير المعتاد وشذوذ فقدان الخط.
كذلك من الضروري إجراء الكشف الدقيق عن السلوكيات غير الطبيعية لتقليل مخاطر شركات الطاقة وتوحيد استجابة المستخدم، وذلك بمساعدة الإنترنت الصناعي (IIoT)، بحيث كانت البنية التحتية للقياس المتقدم (AMI) في أنظمة الطاقة الكهربائية وتجميع المعلومات من أنظمة طاقة التوزيع، وذلك كما هو موضح في الشكل التالي (1):
كما هو مبين في بنية الكشف عن شذوذ استهلاك الطاقة المستندة إلى (IIoT) أعلاه، بحيث يتم جمع بيانات استهلاك الطاقة لمقياس الكهرباء، بما في ذلك بشكل أساسي مستشعر الكهرباء اللاسلكي القائم على إنترنت الأشياء وأداة الحصول على الكمية الكهربائية المتصلة (RS232 / RS485) وإرسالها إلى البيانات المستندة إلى السحابة المركز، ومن ثم يمكن تحليل سلوكيات استهلاك الطاقة للمستخدم من خلال خوارزميات التعلم الآلي.
كما كانت الطريقة المعتادة للتعامل مع اكتشاف الشذوذ هي بناء مخطط للحالات النموذجية ثم تحديد الحالات التي لا تتناسب مع الملف الشخصي التقليدي كحالات شاذة، أيضاً يتم استخدام سلوكيات المستخدم العادية لتدريب نموذج منتظم بواسطة خوارزمية آلات ناقلات الدعم (SVM)، كما تتم مقارنة البيانات غير المعروفة بالنموذج العادي، ثم يعتبر التشابه المنخفض سلوكاً غير طبيعي.
لذلك يتم أيضاً استخدام الأساليب الإحصائية والطرق القائمة على التصنيف والأساليب القائمة على التجميع لحل المشكلة، من بينها الطريقة الإحصائية هي طريقة تقليدية، وبالنسبة لمجموعات البيانات الضخمة؛ فإنه يعطي نتائج دقيقة من خلال التعامل مع تطبيقين مهمين.
كما اعتقدت أن خوارزمية التصنيف تُستخدم في الكشف عن الحالات الخارجية، مما يؤدي إلى مشكلتين، الأولى هي عدم وجود بيانات خارجية مصنفة والأخرى هي المتطلبات الحسابية المرتفعة نسبياً، كما يتم استخدام خوارزمية التجميع لتجميع العناصر الخارجية المحلية، بحيث يوضح طريقة لأداء الكشف عن شذوذ السلاسل الزمنية من خلال الحالات والقواعد التي تم إنشاؤها ويقدم خوارزمية تسمى (Gecko) لتجميع بيانات السلاسل الزمنية.
الأشغال ذات الصلة وطرق كشف الأخطاء
السلاسل الزمنية هي قيمة عددية لبعض “المؤشرات الإحصائية” مرتبة ترتيباً زمنياً يتكون من التسلسل، كما أنه يتم استخدامه في العديد من المجالات، بحيث طرحت وحللت مجموعة من الدراسات التحلل الطيفي وطريقة اختيار الميزة لتحويل جيب التمام المنفصل (DCT) وتحويل الموجة المنفصلة (DWT) في مجال مشكلة تصنيف السلاسل الزمنية.
كذلك تحدد خوارزمية السلاسل الزمنية نموذج التنبؤ لاستخدامه لدعم القرار السريري من خلال دمج المعلومات من الخصائص المتعددة لمخطط السلوك الكهربائي (ECG)، بحيث اقترحت إجراء استخراج ميزة لتطبيق واجهة الدماغ والحاسوب (BCI)، كما ويتم استخلاص الميزة من ميزات مخطط كهربية الدماغ (EEG) من طريقة السلاسل الزمنية التي تؤدي صورة الحركة اليمنى واليسرى.
وفي هذا الطرح؛ فإنه يتم استخدام طريقة “السلاسل الزمنية” لاكتشاف السلوكيات الشاذة لمستخدمي الطاقة، كما سيتم استخدام النموذج المعني بهذه السلاسل، مثل المعادلة التالية، كما تمثل [x (t)] و [O (t)] المدخلات والمخرجات على التوالي، بحيث يتم الإشارة إلى وظيفة النبض للمدخلات إلى المخرجات بواسطة الدالة [fi (t)].
حيث أن (*) يمثل الالتفاف، لذلك فإن الضوضاء الإضافية هي [di (t)] و [x (t1) ، x (t2) ، ⋯ ، x (tn)]، كما أنه يمكن كبتها على النحو التالي:
حيث أن [tv + 1 = tv]، وطالما يتم الحصول على [fi (t)] لكل قناة إرسال؛ فإنه يمكن اكتشاف الخارج من خلال خصائص النظام للمعطيات، كذلك يمكن الحصول على [di (t)] من خلال نموذج السلاسل الزمنية، أيضاً تم اقتراح خوارزمية استخراج ميزات السلاسل الزمنية، والتي تصنف أو تتراجع الميزات المتاحة في المرحلة المبكرة من التعلم الآلي وتستخدم مرشح أهمية الميزة للجمع بين طرق استخراج الميزات المحددة، بالإضافة الى مستويات معالجة البيانات، وهي موضحة في الشكل التالي (2):
استخراج ميزات السلاسل الزمنية الهرمية
لاستخدام بيانات استهلاك الطاقة للكشف عن أنشطة استهلاك الطاقة غير الطبيعية، تتمثل إحدى أفضل الطرق في التعامل معها كمشكلة تصنيف سلاسل زمنية باستخدام خوارزميات التصنيف الخاضعة للإشراف، لذلك؛ فإن مفتاح حل المشكلة هو استخراج ميزات السلاسل الزمنية، كما تُستخدم ميزات السلاسل الزمنية المستخرجة بشكل أساسي للعثور على قواعد توزيع العينات غير الطبيعية بالإضافة إلى المعلومات من أنشطة استهلاك الطاقة العادية.
وفي هذا القسم؛ فإنه يتم تقديم طريقة استخراج ميزة التسلسل الزمني الهرمي التي تستخرج ميزات السلاسل الزمنية لاستهلاك الطاقة بشكل منهجي، بحيث تتكون الميزات من ميزات موجزة وميزات التحول وميزات التحويل وميزات التحلل، وذلك كما هو موضح في الشكل التالي (3).
ميزات الملخص: تعتبر ميزات الملخص هي متغيرات إحصائية تصف توزيع العينات على فترات زمنية مختلفة، كما وتسمى أيضاً المتغيرات الإحصائية للنافذة الزمنية، بحيث تتكون ميزات الملخص من الاتجاه المركزي ودرجة التباين وشكل التوزيع، مثل القيمة القصوى والحد الأدنى للقيمة والوسيط ومتوسط القيمة والتباين.
كما أن هذه الميزات متشابهة حيث يتم استخراج جميع الميزات من مقطع إطار زمني من السلسلة الزمنية، ومع ذلك يشير مقطع النافذة الزمنية إلى مجموعة من بيانات السلاسل الزمنية مفصولة بوقت البدء ووقت الانتهاء، كما يظهر مبدأ استخراج ميزات الملخص في الشكل التالي (4).
لذلك يتم تعريف بعض الميزات الرمزية على النحو التالي، حيث تشير (X) إلى نافذة زمنية [t1، tn]، كما وتشير (xti) إلى قيمة استهلاك الطاقة في الوقت (ti).
ميزات التحويل (التحويل اللوغاريتمي): السمتان المهمتان للتوزيع المتغير المستمر هما الاتجاه المركزي ودرجة التباين، ووفقاً لنظرية الحد المركزي؛ فإنه من المعقول افتراض أن استهلاك الطاقة للمستخدم يخضع للتوزيع الطبيعي، وبمعنى آخر هذا يعني أنه على الرغم من أن استهلاك المستخدم للكهرباء متغير، إلا أنه يجب توزيعه جيداً حول قيمة وسيطة.
تحويل فورييه: هو تحليل “مجال التردد” وهو تحويل بيانات المجال الزمني (xt) إلى بيانات مجال التردد (xf) باستخدام تحويل فورييه، وذلك لاستكشاف ميزات البيانات من منظور آخر، كما يمكن أن يعكس تحليل المجال الزمني فقط تغيرات “اتساع الإشارة” بمرور الوقت، ومن الصعب الكشف عن مكونات “تردد الإشارة” وحجم مكونات التردد الكهربائي، لذلك تم استخدام طريقة “تحويل فورييه” لتحليل التردد لبيانات استهلاك الكهرباء لاستخراج المزيد من المعلومات الكهربائية المتعلقة بالبيانات، والتي يمكن تحديدها بالمعادلة التالية:
