AI and data driven overhead line fault classification for TSO asset management using GIS, weather data, and distance relay measurements
تقترح هذه الورقة إطار عمل مدعوماً بالذكاء الاصطناعي يدمج نظم المعلومات الجغرافية (GIS)، وبيانات الطقس، وقياسات مرحل المسافة مع شبكات الذاكرة الطويلة قصيرة المدى (LSTM) المعدلة لتصنيف أعطال الخطوط الهوائية بدقة تبلغ 83.4%، مما يعزز إدارة الأصول لدى مشغل نظام النقل وموثوقية نظام الطاقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
كلما اجتاحت عاصفة مشهداً طبيعياً، تواجه خطوط نقل الطاقة عالية الجهد التي تنقل الكهرباء إلى منازلنا معركة صامتة وغير مرئية. هذه الخطوط، الممتدة بين أبراج شاهقة عبر مسافات شاسعة، تتعرض باستمرار لعوامل الطقس. وعندما تشتد قسوة الطقس، يمكن أن تتعطل هذه الخطوط، مما يتسبب في انقطاعات التيار الكهربائي التي تعطل الحياة اليومية وتضغط على الأنظمة التي تحافظ على استمرارية الإضاءة. بالنسبة للمؤسسات المسؤولة عن صيانة هذه الشبكات، والمعروفة باسم مشغلي أنظمة النقل، لا يقتصر التحدي على إصلاح سلك مكسور بعد انقطاعه فحسب، بل في فهم سبب انكساره في المقام الأول. هل كان بسبب هبة ريح مفاجئة، أم طبقة من الجليد، أم ربما ومضة من البرق؟ إن معرفة السبب المحدد أمر بالغ الأهمية للتخطيط لعمليات الإصلاح ومنع الانقطاعات المستقبلية، لكن تحديد السبب الدقيق للفشل غالباً ما يكون بمثابة لعبة تخمين، خاصة عندما يحدث الحدث في منطقة نائية لا يوجد فيها أحد يراقب.
لقد طور فريق من الباحثين من جامعة بلغراد طريقة جديدة لحل هذا اللغز من خلال تعليم الحواسيب التعرف على "بصمات" مختلف الأعطال المرتبطة بالطقس. لقد جمعوا ثلاثة أنواع متميزة من المعلومات: الموقع الدقيق الذي تعطل فيه الخط، والظروف الجوية في تلك النقطة والوقت بالضبط، والإشارات الكهربائية المسجلة بواسطة أجهزة السلامة التي تحمي الخط. ومن خلال تغذية هذا المزيج من البيانات في برنامج حاسوبي متطور مصمم للتعلم من الأنماط، أنشأوا نظاماً يمكنه النظر في سجل فشل خط الطاقة وتخمين نوع الحدث الجوي الذي تسبب فيه بدقة. يتجاوز هذا النهج مجرد الملاحظة البسيطة، حيث يستخدم تاريخ الإخفاقات السابقة لبناء صورة أوضح لكيفية تفاعل الشبكة مع البيئة.
بدأ الباحثون بجمع كمية هائلة من البيانات الواقعية من شبكة الطاقة الصربية، والتي تمتد لآلاف الكيلومترات من الخطوط الهوائية عبر تضاريس متنوعة. لقد جمعوا سجلات لأكثر من 7,500 حدث محدد وقع على مدى عشر سنوات. ولكل حدث، كان عليهم القيام بالعمل الشاق المتمثل في الربط بين قواعد البيانات المختلفة. أولاً، أخذوا القراءات الكهربائية من أجهزة السلامة، والتي أخبرتهم بمدى بُعد المشكلة عن الخط، وترجموا تلك الأرقام إلى إحداثيات جغرافية دقيقة، مثل خطوط الطول والعرض. وبمجرد معرفة مكان وقوع المشكلة بالضبط، عادوا إلى الأرشيفات التاريخية للطقس لاستخراج الظروف الجوية في ذلك الموقع المحدد خلال الساعات التي سبقت الفشل. وقد نظروا في عوامل مثل درجة حرارة الهواء، وسرعة الرياح، وقوة هطول الأمطار، وكمية الرطوبة في السحب.
ومع توفر هذه المجموعة الغنية من البيانات، قام الفريق بتدريب نوع من الذكاء الاصطناعي يُعرف بالشبكة العصبية. يمكنك التفكير في هذه الشبكة كدماغ رقمي يتعلم من خلال الأمثلة، تماماً مثل طالب يذاكر البطاقات التعليمية. تم عرض آلاف الحوادث الماضية على الكمبيوتر، كل منها مصنف مع الظروف الجوية التي سبقت الحدث ونوع العطل الذي وقع في النهاية. كان الهدف هو جعل الكمبيوتر يتعلم الروابط الدقيقة بين مزيج معين من عوامل الطقس والنتيجة المترتبة على الفشل. على سبيل المثال، تعلم النظام أن مزيجاً معيناً من المطر المتجمد والرياح غالباً ما يؤدي إلى تراكم الجليد على الأسلاك، بينما قد يشير الانخفاض السريع في الضغط الجوي مع الرطوبة العالية إلى اقتراب عاصفة رعدية قد تسبب شرارة. اختبر الباحثون طرقاً مختلفة لتنظيم هذه المعلومات، وجربوا تركيبات متنوعة من متغيرات الطقس وتجميع أنواع الفشل المتشابهة لمعرفة ما إذا كان بإمكان الكمبيوتر التعلم بشكل أسرع أو بدقة أكبر.
أظهرت النتائج أن الكمبيوتر استطاع بنجاح تحديد سبب الفشل في حوالي 83 بالمائة من الحالات. ويعد هذا إنجازاً كبيراً، لأنه يعني أن النظام يمكنه تشخيص غالبية المشكلات الناجمة عن الطقس دون الحاجة إلى خبير بشري لفحص الموقع فوراً. ووجدت الدراسة أن أكثر التنبؤات دقة كانت عندما يُسمح للكمبيوتر بالنظر إلى نافذة زمنية تسبق الفشل، بدلاً من مجرد لقطة واحدة للطقس. سمح هذا للنظام برؤية كيفية تغير الظروف، مثل الارتفاع المفاجئ في سرعة الرياح أو التراكم المستمر للأمطار، وهي الأمور التي غالباً ما تكون المحفزات الحقيقية للتعطل. كما اكتشف الباحثون أن محاولة التنبؤ بكل نوع ممكن من أنواع الفشل في وقت واحد جعلت المهمة أصعب، لذا وجدوا أن تجميع الأحداث المتشابهة معاً ساعد الكمبيوتر على الأداء بشكل أفضل.
ومع ذلك، كشفت الدراسة أيضاً عن حدود هذا النهج. فعندما حاول الباحثون إزالة النوع الأكثر شيوعاً من الأحداث من بيانات التدريب لإجبار الكمبيوتر على التركيز فقط على الحالات النادرة والصعبة، انخفض أداء النظام بشكل كبير. وهذا يشير إلى أن الكمبيوتر يعتمد على رؤية مجموعة واسعة من الأمثلة، بما في ذلك الأمثلة الروتينية، لبناء أساس متين لفهم الحالات النادرة. علاوة على ذلك، لم تكن الدقة مثالية؛ حيث كانت لا تزال هناك حالات واجه فيها الكمبيوتر صعوبة في التمييز بين الأحداث المتشابهة، مثل المطر الغزير والضباب، أو الحالات التي كانت فيها البيانات نفسها غير واضحة. وأشار الباحثون إلى أن الأخطاء في كيفية تسجيل البيانات الأصلية أو تصنيفها يمكن أن تربك النظام، مما يؤدي به إلى ارتكاب الأخطاء.
رغم هذه التحديات، يقدم هذا العمل أداة قوية لإدارة شبكة الطاقة. فمن خلال أتمتة عملية تصنيف الأعطال، يمكن لمشغلي أنظمة النقل فرز آلاف الحوادث الماضية بسرعة للعثور على أنماط قد تمر دون ملاحظة. ويمكن أن يساعد هذا في اتخاذ القرار بشأن الأماكن التي يجب فيها تعزيز الأبراج، أو الخطوط التي تحتاج إلى عمليات تفتيش أكثر تكراراً، أو كيفية الاستعداد بشكل أفضل لتهديدات جوية محددة. النظام سريع بما يكفي للعمل في الوقت الفعلي، مما يعني أنه يمكن استخدامه في النهاية لتنبيه المشغلين في اللحظة التي يحدث فيها عطل، مقترحاً السبب المرجح قبل أن يغادر فريق الإصلاح المحطة حتى. ورغم أن هذه التكنولوجيا ليست عصا سحرية ستلغي جميع انقطاعات التيار الكهربائي، إلا أنها توفر مساراً واضحاً قائماً على البيانات نحو فهم العلاقة المعقدة بين الطقس والأسلاك التي تبقي عالمنا الحديث يعمل. وتؤكد الدراسة أنه من خلال الجمع بين بيانات الموقع الدقيقة وتاريخ الطقس التفصيلي، يمكننا تعليم الآلات رؤية العاصفة الكامنة وراء الشرارة، وتحويل الأحداث الفوضوية إلى أنماط مفهومة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.