تحديد الخسارة غير الفنية للطاقة الكهربائية الذكية

اقرأ في هذا المقال


أهمية تحديد الخسارة غير الفنية للطاقة الكهربائية الذكية

أصبحت الخسارة غير الفنية (NTL) في الشبكات الذكية، والتي تُعرَّف على أنها الطاقة التي يتم توزيعها ولكن لا تتم فوترتها في الغالب بسبب سرقة الطاقة تحدياً كبيراً دائماً في صناعة توصيل الطاقة في جميع أنحاء العالم، كذلك قد يكون (NTL) أكثر شدة في البلدان النامية (أبلغ البنك الدولي عن أكثر من 50 ٪ من السرقة)، لكنه لا يزال حقيقة واقعة في البلدان المتقدمة أيضاً.

وبشكل عام، تخسر شركات المرافق في جميع أنحاء العالم أكثر من (96) مليار دولار سنوياً بسبب سرقة الكهرباء، كما وتخسر شركات المرافق (UCs) في الولايات المتحدة ما يقرب من ستة مليارات دولار سنوياً بسبب هذه المشكلة، وذلك على الرغم من القيود القانونية المفروضة على الغرامة البالغة (5000) دولار، وهي غرامة تصل إلى (5) سنوات سجن لسرقة الطاقة الكهربائية.

كما يحاول مشغلو نظام التوزيع (DSOs) اكتشاف سرقة الكهرباء وتم نشر العدادات الذكية (SMs) تدريجياً لتحديث شبكات الطاقة الحالية من خلال الجمع بين الاتصالات السلكية واللاسلكية ووظائف قياس الطاقة، ومع ذلك؛ فإن العدادات الذكية عرضة لأنواع مختلفة من الهجمات، مما قد يجعل سرقة الطاقة أسهل، وعلى سبيل المثال يعد الوصول إلى الجذر الذي يتلاعب بإخراج عداد ذكي والربط المباشر أو المراقبة من الخطوط التي لا يتم قياسها بواسطة عداد الطاقة الطريقة الأكثر استخداماً لسرقة الكهرباء.

وفي معظم الحالات، يتم تمرير خسارة الإيرادات إلى المستهلكين الحميدين من خلال التعريفات التي تفرضها شركات المرافق، إلى جانب ذلك يمكن أن يؤثر (NTL) على جودة إمدادات الكهرباء وتلف البنية التحتية وانتهاك الجهد الكهربائي وما إلى ذلك، وبالتالي قد يحدث انقطاع التيار الكهربائي وقد تكون السلامة العامة في خطر، وبالإضافة إلى ذلك تم الإبلاغ عن تأثيرات سلبية مختلفة من (NTL) في الآداب الدراسات.

ولذلك؛ فإنه يمكن أن يؤدي الفهم المتعمق للتأثيرات الضارة على (NTL) وآلية سرقة الطاقة إلى الكشف الفوري عند حدوث سرقة الطاقة، ومع اكتشاف (NTL) في الوقت المناسب؛ فإنه يبقى من الممكن ليس فقط تقدير مقدار فقدان الطاقة بدقة، ولكن أيضاً لتحديد المنطقة الجغرافية التي حدثت فيها السرقة بدقة.

وللتغلب على مشاكل اكتشاف (NTL) في ضوء المنهجية الموجهة نحو الشبكة لتحليل بيانات استهلاك الطاقة من قراءة العداد وتدفق الحمل الكهربائي، وهما من أكثر الدراسات ذات الصلة بورقتنا البحثية من حيث تقدير معامل الموثوقية استناداً إلى حل نظام المعادلات الخطي (LSE)؛ فإنه يقترح إطار عمل جديد لاكتشاف (NTL) لتقييم استخدام الطاقة للمستهلكين السلوك لتحديد مجالات الاحتيال الطاقة المحتملة والعدادات المعيبة.

نموذج الشبكة الكهربائية القائم على IMM

في هذه الدراسة، نأخذ في الاعتبار بنية لشبكة الكهرباء والاتصالات باستخدام (IMM) في (NAN)، وذلك كما هو موضح في الشكل التالي (1)، وفي الشبكات الذكية الحديثة، تسهل البنية التحتية المتقدمة للقياس (AMI) تبادل فعال وموثوق للمعلومات مع الاتصالات السلكية واللاسلكية المتنوع، ومن ثم يتم التعبير عنها على أنها تدفق كهربائي وتدفق اتصالات يتراكبان على بعضهما البعض ويكونان ثنائي الاتجاه.

وفي أنظمة توزيع الطاقة الكهربائية التقليدية؛ فإنه يقوم موفرو المرافق (UPs) بتوليد الطاقة وأيضاً بناء محطات التوزيع (DSs) لتوزيع الطاقة على جميع المستهلكين وقياس إجمالي استهلاك الطاقة [kWh] لشبكة (NAN) باستخدام مجمّع (أو بيانات جامع) كما هو مبين في الشكل التالي (1)، بحيث يتم تثبيت العداد الذكي (SM) في منزل كل مستهلك لقياس استخدام الطاقة [كيلو واط ساعة] للمستهلك في الوقت الفعلي تقريباً في شبكة المنطقة المنزلية (HAN).

كما يتيح (SM) النقل التلقائي لبيانات القياس، كذلك ويتم نقل معلومات استهلاك القدرة الكهربائية من جميع (SMs) إلى نظام إدارة بيانات العداد (MDMS) لتحليل واكتشاف سرقة الطاقة، وبعد ذلك يتلقى المستهلك فواتير الكهرباء من المرفق من خلال تحليل بيانات استهلاك الطاقة.

hwang1-2940443-large-300x155

كما يقيس المُجمع مصدر الطاقة المُجمَّع، والذي يُشار إليه بواسطة (cti) من موفري المرافق إلى جميع المستهلكين في (NAN) في الوقت (ti (i∈I = {1،2 ، … ، I}). SM) المثبت في كل مستهلك k∈K = {1،2 ،… ، K} والذي يسجل تلقائياً استهلاكه للطاقة المشار إليه بواسطة (pti ، k) كدالة للفاصل الزمني (ti).

وعلى وجه التحديد، يتم تسجيل قراءة العداد الذكي في طابع الوقت (ti)، حيث يكون الفاصل الزمني المحدد (ti − ti − 1)، وبالتالي يجب أن يكون مجموع استهلاك الطاقة الحقيقي لجميع المستخدمين في فترة أخذ العينات الماضية مساوياً لإجمالي استهلاك الطاقة لـ (NAN ، cti) المقاس عند المجمع في وقت (ti)، وخاصةً إذا لم نأخذ في الاعتبار أي (TL و NTL).

Untitled-44-300x84

كما أن نموذج مجموع القوة مثل (1) لديه الكثير من المشاكل ويمكن أن يكون غير منطقي لأن مجموع الخسائر بسبب (TL ، NTL)، لذلك لا يتم تحديد معلماته ومراعاته وأيضاً سيتم المطالبة بجميع الخسائر بالتساوي لجميع المستهلكين الصادقين وغير الأمناء، كما أنه من المعروف أن فاتورة الكهرباء للعميل يمكن أن تتأثر باستخدام الطاقة من قبل الآخرين لأن المستهلكين في نفس شبكة التوزيع يروجون للتعاون الذي يتم حساب فاتورة المجتمع على أساس إجمالي استهلاك الطاقة (cti).

وللحصول على نموذج الهجوم ولتعكس العملية بشكل معقول سيناريو استهلاك الطاقة العملي بما في ذلك (TL) وجميع (NTLs) الممكنة في شبكات توزيع الطاقة؛ فإنها تعيد هذه الدراسة تعريف نموذج مجموع الطاقة على النحو التالي:

Untitled-45-300x103

حيث يشير (cti) إلى إجمالي الطاقة التي توفرها شركات المرافق لجميع المستهلكين (أي K لكل منهم) في (NAN)، كما يتم تقليل قراءة العداد (αti) بسبب سرقات الطاقة عن طريق العبث بالعداد أو التلاعب بالعداد، أيضاً (βti) تشير إلى مقدار الخسارة من العدادات المعيبة في شبكة الطاقة، كما يشير (γti) إلى مقدار الطاقة المسروقة عن طريق التجاوز غير القانوني (التنصت السلكي أو التثبيت) على خطوط الكهرباء، ويمثل (δti) الخسائر الفنية (TLs) بشكل أساسي بسبب تبديد الطاقة.

لذلك، إذا كانت (αti + γti> 0)؛ فإن سرقة الطاقة موجودة وإذا تم اكتشاف ti بغض النظر عن ما هو (βti) إيجابياً أو سلبياً؛ فإنه يمثل وجود متر واحد معيب على الأقل في شبكات الطاقة، خاصةً إذا كانت (βti <0)؛ فهذا يعني أن العدادات المعيبة تبلغ أكثر مما استهلكه المستهلكون بالفعل، وعلى العكس من ذلك تشير (βti> 0) إلى أن العداد يُظهر استهلاكاً أقل للطاقة من المستهلكين الذين يستهلكون بالفعل.

وعلاوة على ذلك، ونظراً لأن (TL) ناتج عن عوامل مختلفة، بما في ذلك ممانعات الخط وانخفاض الجهد وتسرب التيار الكهربائي وسوء جودة المعدات وما إلى ذلك عندما يتم توفير الطاقة للشبكة الكهربائية، بحيث يتم الإشارة إلى (TL) بواسطة (δti = εcti) مع معامل النسبة (ε) من إجمالي الطاقة الموردة، كما يُعرف معامل النسبة من قبل مجموعة متنوعة من المؤسسات الإحصائية الدولية.

المصدر: G. M. Messinis and N. D. Hatziargyriou, "Review of non-technical loss detection methods", Electric Power Syst. Res., vol. 158, pp. 250-266, May 2018.P. Siano, "Demand response and smart grids—A survey", Renew. Sustain. Energy Rev., vol. 30, pp. 461-478, Feb. 2014.A. H. Nizar, Z. Y. Dong and Y. Wang, "Power utility nontechnical loss analysis with extreme learning machine method", IEEE Trans. Power Syst., vol. 23, no. 3, pp. 946-955, Aug. 2008.A. H. Nizar, Z. Y. Dong, J. H. Zhao and P. Zhang, "A data mining based NTL analysis method", Proc. IEEE PES Gen. Meeting, pp. 1-8, Jun. 2007.


شارك المقالة: