التنبؤ بالحمل لمحولات القدرة في ظل ظروف تشغيل مختلفة للمحطات الفرعية

ضرورة التنبؤ بالحمل لمحولات الطاقة في ظل ظروف تشغيل مختلفة

يتكون التنبؤ بالحمل قصير الأجل (STLF) عادةً من التنبؤ بالحمل لكل ساعة من يوم واحد إلى أسبوع واحد قبل ذلك. من الحقائق المعترف بها أن حمل المحولات هو عامل رئيسي في انهيار نظام العزل، وذلك عندما يكون المحول مثقلاً بما يتجاوز تصنيفات اللوحة الخاصة به؛ فهناك مخاطر عالية يمكن أن تؤدي إلى حدوث أعطال وتقليل العمر الإنتاجي المتبقي للمحول الكهربائي.

كما قد يؤدي أي عطل أو انقطاع غير مخطط له إلى تقليل موثوقية نظام الطاقة ويسبب خسارة اقتصادية كبيرة بسبب أهمية محولات الطاقة وتكلفتها، لذلك يعد التنبؤ بالحمل عالي الجودة ذا أهمية كبيرة لتحسين خطط تشغيل المحطات الفرعية وخطط صيانة المعدات.

وخلال العقود القليلة الماضية؛ فإنه تم تطوير العشرات من التقنيات لـ (STLF) على مستوى النظام، بحيث تتضمن النماذج التقليدية متوسط متحرك متكامل ذاتي الانحدار وتحليل الانحدار، ومع تطور تقنيات البيانات الضخمة والذكاء الاصطناعي، تم تطبيق الشبكات العصبية الاصطناعية (ANN) على نطاق واسع بسبب قدرتها القوية على تقريب الوظائف غير الخطية من خلال تعلم البيانات التاريخية.

كما تنطبق النماذج المستندة إلى (ANN) العلاقة بين الحمل الحالي ومتغيرات الحمل والطقس والتقويم السابقة، وذلك وفقاً لعملية التنبؤ، بحيث يمكن تجميع نماذج (STLF) هذه تقريباً في فئتين:

• نماذج التنبؤ بالاستقراء التدريجي.

• تجميع مقاطع التحميل اليومية التاريخية المماثلة.

دور نموذج التنبؤ الخاص أثناء تشغيل محطات الطاقة الفرعية

عادةً ما يأخذ نموذج التنبؤ الاستقرائي التدريجي عدة مقاطع تحميل يومية سابقة ومتغيرات الطقس والتقويم كمدخلات، كذلك الإخراج هو جزء التحميل اليومي لليوم الحالي، وذلك للتنبؤ بجزء التحميل في اليوم التالي، كما يجب اعتبار مقطع التحميل المتوقع لليوم الحالي بمثابة بيانات الإدخال.

حيث يتم تنفيذ الاستقراء التدريجي بشكل متكرر حتى يتم توقع جميع مقاطع التحميل اليومية في الأيام القليلة القادمة، وفي التطبيقات العملية يمكن إنشاء نموذج التنبؤ الاستقرائي التدريجي باستخدام شبكات (ANN) مختلفة، وعلى سبيل المثال؛ فإنه يتم تطبيق آلة التعلم المتطرفة (ELM) لتحقيق (STLF) من خلال إدخال مقاطع الحمل اليومية السابقة ودرجة الحرارة.

أيضاً يتم استخدام الشبكة العصبية الموجية للتنبؤ بالحمل عن طريق إدخال مقاطع تحميل يومية تاريخية مماثلة ومؤشرات الطقس المتوقعة ومؤشرات الأسبوع، وفي الآونة الأخيرة أصبحت تقنيات التعلم العميق شائعة في التنبؤ بالحمل، مثل الذاكرة طويلة المدى (LSTM) “الشبكات العصبية المتكررة” (RNN)، والتي تأخذ عدة مقاطع تحميل يومية سابقة ومؤشرات اليوم ومؤشرات الأسبوع كمدخلات.

كما تتضمن نماذج التعلم العميق الأخرى المستخدمة في (STLF) “الشبكات العصبية المتكررة” ذات البوابات  وشبكات المعتقدات العميقة، وعند تنفيذ التنبؤ بالحمل؛ فإنه لا تحتاج النماذج المستندة إلى “الشبكات العصبية الاصطناعية” إلا إلى التدريب مرة واحدة، ومن ثم يمكن التنبؤ بالتسلسل لعدة مقاطع تحميل يومية مستقبلية.

ومع ذلك؛ فإنه ينبغي ذكر عيبين، وهما، أنه قد يتراكم خطأ التنبؤ مع زيادة أوقات الاستقراء، وعند تدريب النماذج المستندة إلى “الشبكات العصبية الاصطناعية”؛ فإنه يجب أن تكون البيانات التاريخية المستخدمة في تدريب النموذج كافية ومتتالية.

كما يصعب تلبية هذا المطلب لأن القيم المفقودة موجودة حتماً في مجموعات البيانات الأصلية بسبب عوامل مختلفة أثناء عملية الحصول على البيانات، لذلك ستؤدي البيانات غير الكافية أو البيانات غير الكاملة إلى تقليل أداء النماذج المستندة إلى الشبكات العصبية الاصطناعية بشكل كبير.

يتكون تجميع مقاطع التحميل اليومية المماثلة السابقة من خطوتين، بحيث يتم تحديد شرائح التحميل اليومي المماثلة السابقة أولاً، ثم يتم تجميع الشرائح المحددة. على سبيل المثال، يتم تطبيق مقاييس المسافة على نطاق واسع لحساب التشابه ويتم التنبؤ بالحمل بشكل عام باستخدام المتوسط ​​المرجح أو المتوسط ​​الحسابي للقطاعات المختارة.

أما بالنسبة للتقنيات الأخرى؛ فإنه يتم تقديم إطار عمل (STLF) على أساس تقنيات البيانات الضخمة؛ فيتم تحديد قواعد التصنيف بين أنماط الحمل اليومي والعوامل المؤثرة الحاسمة من خلال شجرة القرار ويتم تطبيق هذه القواعد لتحديد مقاطع التحميل المتشابهة، والتي يتم تجميعها باستخدام آلة ناقلات الدعم.

أيضاً يتم استخدام جهاز حماية اصطناعية لـ (STLF)، تم تطبيق وسائل التجميع وآلة ناقلات دعم المربعات الصغرى من أجل اختيار مماثل لقطعة الحمل والتجميع، وعلى عكس نموذج التنبؤ الاستقرائي التدريجي؛ فإن تجميع مقاطع الحمل المماثلة ليس له عملية تدريب في كثير من الحالات، والتي يمكن استخدامها عندما تكون بيانات الحمل التاريخية غير كافية أو غير متتالية.

ومع ذلك، تصبح هذه الطريقة معقدة وتستغرق وقتاً طويلاً في مجموعات البيانات الكبيرة لأنه يجب تنفيذ اختيار الحمل والتجميع لكل شريحة يتم توقعها، وباختصار؛ يوصى بتطبيق نموذج التنبؤ الاستقرائي التدريجي في مجموعات البيانات الكبيرة ذات جودة البيانات العالية، وعندما تكون البيانات التاريخية غير كافية أو غير متتالية؛ فإنه ينبغي النظر في تجميع مقاطع تحميل تاريخية مماثلة بشكل تفضيلي.

تأثير ظروف تشغيل محولات القدرة على استمرارية أداء المحطة الفرعية

من الناحية العملية، يُظهر الحمل على مستوى المحول تقلباً أعلى وعدم يقين من الحمل على مستوى المحطة الفرعية، كما يعد (STLF) للمحولات أكثر صعوبة بسبب تأثير ظروف تشغيل المحطة الفرعية، وعلى سبيل المثال؛ فإنه نادراً ما تتسبب أحداث فشل مكون واحد في تقليص حمل المحطة الفرعية بسبب استيفاء معيار الطوارئ الفردية (مبدأ N-1).

ومع ذلك، سيتم إعادة تكوين الحمل بين المحولات المتوازية المختلفة، وقد تؤدي الزيادة غير المتوقعة في حمل المحولات إلى زيادة التحميل وتسريع عملية التلف، ولسوء الحظ؛ فإن معظم نماذج (STLF) على مستوى النظام غير مناسبة للتنبؤ بأحمال المحولات لأنها تفشل في مراعاة تأثير ظروف تشغيل المحطة الفرعية.

كما أن نماذج التنبؤ الخاصة بالحمل المنزلي ليست عملية أيضاً، وذلك لأن بيانات الحمل غير المنتظمة نادرة جدًا لتأسيس نموذج قائم على (ANN) في ظل ظروف غير منتظمة مختلفة، ولحل هذه الصعوبات؛ فقد تم اقتراح هيكل للتنبؤ بالحمل الهرمي.

لذلك يتم التنبؤ أولاً بالحمل المجمع على مستوى المحطة الفرعية واختياره باستخدام أحدث التقنيات الحالية، وبعد ذلك يتم التقاط العلاقة بين عامل توزيع الحمل (LDF) وحمل المحطة الفرعية من خلال وظائف الانحدار غير الخطي المختلفة في ظل ظروف تشغيل مختلفة للمحطة الفرعية، وأخيراً يتم توقع حمل المحولات المتوازية باستخدام هذه الوظائف، بحيث تظهر المساهمة الهندسية على النحو التالي:

• يتم توقع حمولة كل محول متوازي في محطة فرعية من خلال إجراء من مرحلتين، وهو أكثر كفاءة وعقلانية في التطبيقات العملية من تصميم نموذج (STLF) خاص لكل محول.

• كما يمكن إنشاء وظائف الانحدار غير الخطي بناءً على بيانات الحمل غير المنتظمة النادرة، ويمكن توقع الحمل على الفور دون أي تأخير زمني أو عملية انتقال بمجرد تغيير حالة تشغيل المحطة الفرعية.