تقدير الوضع الديناميكي لأنظمة الطاقة الكهربائية الجديدة

أهمية تقدير الوضع الديناميكي لأنظمة الطاقة الكهربائية الجديدة

نظراً لأن الدول المختلفة تولي اهتماماً كبيراً لحماية البيئة واستخدام الموارد؛ فإنه يتم دمج نسبة عالية من الطاقة الجديدة باستمرار في نظام الطاقة، كما يتميز توليد الطاقة الجديدة بالطاقة بخصائص التقطع وعدم اليقين، مما يزيد من الخصائص العشوائية لتشغيل نظام الطاقة الكهربائية وعلى الطبقة السيبرانية للشبكة الكهربائية، كما ستزيد الخصائص العشوائية لنظام الطاقة الجديد من تذبذب البيانات المقاسة.

ومن ناحية أخرى، ستزيد البيانات المقاسة المتقلبة من صعوبة إدراك حالة نظام الطاقة، ومن ناحية جانبية؛ فإنه سيتم إخفاء البيانات الخاطئة بسهولة على أنها بيانات مُقاسة متقلبة ويتم حقنها في الطبقة الإلكترونية لنظام الطاقة، كما أنه سيكون تحديد البيانات أكثر صعوبة بسبب مزيج البيانات الخاطئة والبيانات المتقلبة.

كما سيؤدي هجوم حقن البيانات الكاذب إلى تقليل دقة تقدير حالة نظام الطاقة عن طريق تغيير أو استبدال البيانات المقاسة الحقيقية، بحيث ستنحرف نتائج تقدير حالة الفشل عن ظروف التشغيل الحقيقية لشبكة الطاقة، لذلك إذا تم إرسال هذه النتيجة إلى مركز التحكم؛ فسوف تتسبب في حدوث خطأ في قرار وحدة التحكم وتسبب حوادث أكثر خطورة لنظام الطاقة.

كما أنه كان التعتيم في أوكرانيا في عام 2015م ناتجاً عن هجوم حقن بيانات خاطئة على الطبقة الإلكترونية لشبكة الطاقة، لذلك يتم استخدام تقدير الحالة كموصل بين البيانات المقاسة والتطبيقات المتقدمة في نظام الطاقة الفيزيائية السيبرانية، لذلك فقط من خلال ضمان مصداقية إدخال البيانات المقاسة في نموذج تقدير الحالة، بحيث يمكن توفير معلومات الحالة الصحيحة والقيمة للتحليل المتقدم لنظام الطاقة.

في الوقت الحاضر، يعتمد تقدير الحالة الديناميكية بشكل أساسي على خوارزمية “مرشح كالمان” وخوارزمية تطويرها، ونظراً للأبعاد الكبيرة لمتغيرات الحالة، تُستخدم خوارزمية “مرشح كالمان” التكعيبية (CKF) بشكل عام لتقدير حالة نظام الطاقة ومعدات الطاقة، وفي السنوات الأخيرة تم تطبيق خوارزمية (CKF) على نطاق واسع في تقدير حالة نظام الطاقة.

ويعتبر تطبيق خوارزمية (CKF) بمثابة آداه لتقدير الحالة الديناميكية لمولد الحث ذو التغذية المزدوجة، وذلك طريقة تقدير في الوقت الحقيقي موزعة لأنظمة الحرارة والطاقة المدمجة بناءً على خوارزمية (CKF)، كما اقترحت المراجع خوارزمية (CKF) محسّنة لتقدير الحالة الديناميكية لنظام الطاقة، والتي لا يمكنها فقط تحسين متانة نموذج (CKF)؛ بل تقلل من تأثير أخطاء معلمة المولد وأخطاء نموذج الخوارزمية على نتائج التقدير أيضاً.

خصائص الارتباط المكاني الزماني للبيانات المقاسة

يمكن تبسيط شبكة الطاقة “كطوبولوجيا فيزيائية” تتكون من عقد توليد الطاقة وعقد التحميل وشبكة نقل الطاقة، وهناك ارتباطات قوية بين العقد والخطوط بسبب الروابط الفيزيائية المعقدة، لذلك سيكون هناك أيضاً ارتباطات زمنية ومكانية بين البيانات المقاسة التي تم جمعها بواسطة معدات القياس، بحيث تظهر الارتباطات الزمنية والمكانية المحددة بين البيانات المقاسة في الشكل التالي (1).

كما هو مبين في الشكل السابق (1)؛ فإن بيانات تشغيل نظام الطاقة لها ارتباطات زمنية في الفترة المستمرة بسبب القصور الذاتي لمعدات الطاقة، وفي الوقت نفسه توجد ارتباطات مكانية بين بيانات كل عقدة بسبب قيود تدفق الطاقة، بحيث ناقشت الدراسات جدوى (LSTM) للتنبؤ ببيانات السلاسل الزمنية، كما توضح المناقشة أنه من الممكن إنشاء نموذج للتنبؤ الزمني وتحديد الهوية بناءً على خوارزمية (LSTM).

كما تم اقتراح نموذج تقدير حالة نظام الطاقة على أساس (CNN)، بحيث يثبت هذا النموذج أن البيانات المقاسة لها ارتباطات مكانية، كما ويمكن استخدام (CNN) لتعكس الارتباطات المكانية، لذلك من الممكن إنشاء نموذج للتنبؤ المكاني وتحديد الهوية بناءً على خوارزمية (CNN، بحيث يستخدم النموذج شبكة (CNN-LSTM) مجتمعة لتقدير حالة شحن البطارية، كما تثبت هذه الطريقة أن (LSTM) و (CNN) يمكنهما تقدير حالة معدات الطاقة بناءً على الارتباطات المكانية والزمانية.

أيضاً يتم استخدام البيانات المقاسة مباشرة ويتم الوثوق بصحة البيانات المقاسة تماماً من قبل النماذج المذكورة أعلاه لتقدير الحالة، ومع ذلك يختلف عن نظام البطارية؛ فإن نظام طاقة الطاقة الجديد لديه شبكة نقل معقدة، بحيث سيتم إخفاء العديد من البيانات الخاطئة على أنها بيانات متقلبة، كما أنه لا يمكن ضمان دقة تقدير الحالة باستخدام البيانات المقاسة مباشرة، لذلك يتم استخدام (LSTM-CNN) لتحديد البيانات المقاسة ويتم استخدام البيانات الموثوقة بعد التحديد لتقدير الحالة، وذلك لتحسين دقة تقدير الحالة.

تنظيف البيانات متعددة المستويات لتقدير الحالة الديناميكية

في الوقت الحاضر، تعتبر معدات القياس الرئيسية في نظام الطاقة هي (PMU) و (SCADA)، بحيث يتم إرسال كمية كبيرة من بيانات التشغيل التي تم جمعها بواسطة أجهزة القياس إلى “مركز التحكم” من خلال شبكة اتصالات “للتحليل والحساب”، كما تحتوي هذه البيانات على معلومات تشغيل نظام الطاقة، كما وتعد جودة البيانات عاملاً مهماً يؤثر على دقة تقدير الحالة وجدولة القرار.

أيضاً تتضمن تقنية تنظيف بيانات نظام الطاقة تحديد البيانات الزائفة وتصحيحها، كما وتجدر الإشارة إلى أن البيانات المقاسة للتذبذب لنظام الطاقة الناتج عن تقطع الطاقة الجديدة ليست بيانات خاطئة، ولا ينبغي تصحيح هذه البيانات في عملية التنظيف، بحيث يناقش هذا القسم تحديد البيانات وعملية التصحيح في طريقة تقدير الحالة المحسّنة لأنظمة الطاقة الجديدة.

تحديد البيانات متعدد المستويات

استناداً إلى خصائص الارتباطات المكانية والزمانية للبيانات المقاسة، تظهر عملية تحديد المستويات المتعددة للبيانات المقاسة في الشكل التالي (2).

كما يستخدم تحديد بيانات المستوى الأول مبدأ الخوارزمية التقليدية القوية لتحديد البيانات المقاسة بالطفرة كبيانات طفرة والبيانات بدون طفرة كبيانات حقيقية، كما يعتمد تحديد بيانات المستوى الثاني على الارتباطات الزمنية للبيانات المقاسة، بحيث تحتوي بيانات الطفرات التي حددها المستوى السابق على بيانات خاطئة وبيانات حقيقية متقلبة.

تصحيح البيانات المغلوطة

ينقسم تقدير الحالة الديناميكي بشكل عام إلى خطوتين، وهما التنبؤ والتصفية، وهناك عملية التنبؤ هي التنبؤ بقيمة حالة نظام الطاقة وفقاً للاتجاه المتغير للمولدات الكهربائية والأحمال، حيث أن عملية التصفية هي استخدام البيانات المقاسة في الوقت الفعلي لنظام الطاقة لتصحيح القيمة المتوقعة، لذلك يتم تحديد دقة عملية ترشيح تقدير الحالة من خلال صحة البيانات المقاسة في الوقت الفعلي.

أيضاً إذا تم استخدام البيانات الخاطئة في عملية التصفية؛ فإن نتائج تقدير الحالة ستنحرف عن ظروف التشغيل العملية، وفي هذا الطرح؛ فإنه يتم استخدام تقنية تحديد البيانات متعددة المستويات لتحديد البيانات المقاسة الحقيقية والبيانات الخاطئة في نظام طاقة الطاقة الجديد، كما ويتم تصحيح اتجاه تصحيح الترشيح لتقدير الحالة وفقاً لنتائج التعريف.

كما أن الغرض من العملية المذكورة أعلاه هو تحقيق تطبيق البيانات الحقيقية المقاسة وتنظيف البيانات الخاطئة، وذلك بالمقارنة مع تقدير الحالة الأصلي والتقدير القوي للحالة، بحيث تعمل طريقة تقدير الحالة القوية المحسنة المقترحة في هذه الدراسة على تحسين استخدام البيانات في عملية تصحيح التصفية، كما أن العملية المحددة موضحة في الشكل التالي (3).