استهلاك المستخدم للطاقة الكهربائية وتحسين طابع الخدمة

طبيعة استهلاك المستخدم للطاقة الكهربائية وتحسين الخدمة

غالباً ما تكون هناك خسائر في نقل وتوزيع شبكة الطاقة، بحيث تنقسم الخسائر بشكل أساسي إلى خسارة فنية (TL) وخسارة غير فنية (NTL)، كما أن السبب الرئيسي للخسارة غير الفنية هو الاستهلاك غير الطبيعي للكهرباء من خلال سلوكيات المستخدمين مثل سرقة الكهرباء والاحتيال وما إلى ذلك، بحيث سيؤثر سلوك استهلاك الكهرباء غير الطبيعي للمستخدمين على عملية إرسال شبكة الطاقة الإقليمية ويتداخل مع إدارة السلامة لإمدادات الطاقة ويجلب مخاطر خفية لأمن شبكة الطاقة.

وفي الوقت نفسه ومع إصلاح سوق الطاقة الوطنية، تظهر شركات توليد وتوزيع طاقة مستقلة وسرقة طاقة المستخدمين ستضر بشكل مباشر بأرباح شركات الطاقة وتعطل عمل سوق الطاقة، كما تعتبر السلوكيات غير الطبيعية في استهلاك الكهرباء للمستخدمين عامة في مختلف البلدان.

ووفقاً لإحصائيات غير مكتملة؛ تمثل الخسائر غير الفنية في الصين والهند والبرازيل والمكسيك (6.42٪ ، (26.2٪ ، 16.85٪ ، 15.83٪) من استهلاك الطاقة الوطني، لذلك؛ فإن الصين لديها قاعدة سكانية كبيرة وطلب كبير على الكهرباء وزيادة استهلاك الكهرباء، لذلك يمكن أن تصل الخسارة الاقتصادية السنوية بسبب سرقة الكهرباء في جميع أنحاء البلاد إلى عدة مليارات من الدولارات.

ومع تحديث وتطوير الشبكة الذكية و”البنية التحتية المتقدمة للقياس” (AMI)؛ فقد بدأ استخدام العدادات الذكية على نطاق واسع، وذلك بالمقارنة مع عدادات الكهرباء التقليدية، كما أنه يمكن لعدادات الكهرباء الذكية جمع بيانات المستخدم بشكل أكثر دقة وكفاءة، كما ويمكنها الحصول على كميات هائلة من بيانات استهلاك الكهرباء للمستخدم، مما يوفر دعماً نموذجياً لتحليل واكتشاف سلوك استهلاك الكهرباء غير الطبيعي للمستخدمين.

في المقابل؛ فإن استخدام “العدادات الذكية” لنقل البيانات هو أيضاً عرضة للهجمات في الاتصالات والشبكات، وفي الوقت الحاضر يمكن لصوص الكهرباء استخدام تقنية “التخزين الرقمي” وتكنولوجيا اتصالات الشبكة لمهاجمة العدادات الذكية، وبالتالي العبث بالبيانات لتقليل فواتير الكهرباء، كما أن الهجمات على العدادات الذكية “غير مرئية”.

أيضاً تستخدم الطرق التقليدية للكشف عن الاستهلاك غير الطبيعي للكهرباء للمستخدمين بشكل أساسي التحقق اليدوي في الموقع من معلومات عداد الكهرباء والحكم من خلال الخبرة وتركيب معدات المراقبة، بحيث تتميز هذه الطرق بكفاءة كشف منخفضة وتكلفة عالية، ولا يمكنها تحديد سلوك استهلاك الكهرباء غير الطبيعي بسرعة وبدقة، كما ومن الصعب اكتشاف التلاعب في الاتصالات والشبكات.

الأعمال ذات الصلة وطريقة الكشف نموذج الإحصاء

تجمع طريقة الكشف القائمة على النموذج الإحصائي بشكل أساسي بين بيانات كهرباء العداد الذكي من جانب المستخدم وجهد شبكة التوزيع والتيار الكهربائي والطاقة وبيانات حالة الشبكة الأخرى وطوبولوجيا الشبكة لإنشاء نموذج إحصائي لاكتشاف الاستخدام غير الطبيعي للكهرباء، كما يصعب على معظم المستخدمين التلاعب بالبيانات لتحقيق تنسيق البيانات لاكتشاف التشوهات.

على سبيل المثال يتم استخدام طريقة “المربعات الصغرى الموزونة” لتقدير حالة النظام من خلال طوبولوجيا نظام التوزيع والجهد الكهربائي لكل عقدة والقدرة التفاعلية، كما ويحدد الوظيفة الموضوعية للنظام لاكتشاف الشذوذ، بحيث تتميز هذه الطريقة بدقة عالية في الكشف ومعدل اكتشاف خاطئ منخفض، ومع ذلك تعتمد هذه الطريقة على طوبولوجيا ومعلمات شبكة التوزيع الكهربائية.

طريقة الكشف على أساس نظرية اللعبة

تفترض هذه الطريقة أن سلوك اتخاذ القرار لكل مستخدم يهدف إلى تعظيم اهتماماته الخاصة، كما ويتم كشف المستخدمين غير الطبيعيين بناءً على الاختلاف بين مجموعة قرارات المستخدم المسروق والمستخدم العادي، بحيث تم تأسيس نموذج لعبة شركة توزيع المستخدم لمكافحة السرقة وتطبيق اختبار نسبة الاحتمالية على اكتشاف الشذوذ وأنشاء نموذج لعبة من خلال مناقشة المزيد من المعطيات مثل سعر الكهرباء ونسبة السرقة، حيث خضعت هذه الطريقة لمحاكاة نظرية فقط ولم يتم التحقق منها بعد.

طريقة الكشف القائمة على البيانات

مع تحسين أنظمة المراقبة عبر الإنترنت من جانب المستخدم وأنظمة إدارة معلومات الطاقة الكهربائية، تلقت طرق الكشف التي تعتمد على البيانات المزيد والمزيد من الاهتمام، كما تنقسم طرق الكشف التي تعتمد على البيانات بشكل أساسي إلى ثلاثة أنواع، وهي:

النهج القائم على التصنيف: تستخدم الطريقة القائمة على التصنيف خصائص بيانات استهلاك الكهرباء لتصنيف العادي وغير الطبيعي، بحيث يستخدم نموذج الكشف لشبكة الثقة العميقة ذات القيمة الحقيقية ويستخدم خوارزمية اليراع لحل الحل الأمثل المحلي، كما ويكشف أخيراً الشذوذ من خلال التصنيف، وفيما بعد يستخدم نموذج الغابة العشوائية المتناثرة لتصنيف سلوك استهلاك الكهرباء على جانب استهلاك الكهرباء واكتشاف السلوك غير الطبيعي للشبكة الكهربائية.

الطريقة القائمة على الكتلة: تقسم هذه الطريقة بشكل أساسي “مجموعة البيانات” إلى مجموعات “بيانات فرعية مختلفة” وفقاً للخصائص من خلال خوارزمية محددة، بحيث يستخدم خوارزميات تجميع مختلفة لاكتشاف الخسائر غير الفنية بمقدار 10 كيلو فولت، كما ويقارن تأثيرات الكشف للخوارزميات المختلفة، بحيث استخدم الطريقة المثلى لتجميع غابات المسار للكشف.

الطريقة القائمة على الانحدار: تستخدم هذه الطريقة بشكل أساسي التنبؤ بالحمل قصير المدى للمستخدمين، كما وتحكم على النقاط غير الطبيعية بناءً على الانحراف بين استهلاك الطاقة الفعلي والكمية المتوقعة، بحيث يستخدم نموذج ذاكرة طويل المدى للشبكة العصبية التلافيفية قائم على آلية الانتباه لاكتشاف الشذوذ، وفي حالة حماية خصوصية المستخدم؛ فإنه يتم استخدام استخراج الميزات للتنبؤ ببيانات السلاسل الزمنية لاكتشاف العيوب مثل فشل أو إيقاف تشغيل عداد الكهرباء.

لذلك يتوافق هذا النموذج مع توقيت اكتشاف الشذوذ الصناعي، كما ويمكنه اكتشاف فشل أو إيقاف تشغيل الأجهزة المتطورة بسرعة، بحيث تعمل هذه الطريقة على تحسين استخراج ميزة الشبكة العصبية التلافيفية من خلال آلية الانتباه وتستخدم نموذج الذاكرة طويل وقصير المدى لمعرفة خصائص الاستهلاك، وذلك للكشف بدقة عن خلل معدات الحافة الصناعية.

وصف المشكلة المرتبطة بطبيعة ومصداقية الاستهلاك

يحكم الكشف غير الطبيعي عن استهلاك الكهرباء للمستخدم بشكل أساسي على المستخدمين غير الطبيعيين من خلال الدرجة غير الطبيعية لبيانات استهلاك طاقة المستخدم، كما سيؤدي سلوك استهلاك الكهرباء غير الطبيعي للمستخدم إلى اختلافات في بيانات استهلاك الكهرباء من بيانات استهلاك الكهرباء للمستخدمين العاديين من نفس النوع. سيتغير كل من منحنى استهلاك الكهرباء ومنحنى التيار ومنحنى الجهد ومنحنى الطاقة وبيانات استهلاك الكهرباء الأخرى خلال فترات السلوك غير الطبيعية هذه.

كذلك يمكن الحكم على الخلل من خلال درجة الاختلاف بين بيانات استخدام الكهرباء غير الطبيعية وبيانات استخدام الكهرباء العادية، وفي هذا الطرح يتم الكشف عن الشذوذ من خلال استهلاك المستخدم للكهرباء، ومن أجل تقليل تكاليف الكهرباء؛ فإنه يتبنى المستخدمون غير العاديين طرقاً مختلفة لسرقة الكهرباء للعبث باستهلاك المستخدم للكهرباء، لذلك تعتبر بيانات استهلاك المستخدم للكهرباء غير طبيعية واستهلاك الكهرباء متاح، والذي يمكن أن يكشف بشكل فعال عن المستخدمين غير الطبيعيين.