Measurement Error Evaluation Method for Distribution Network Voltage Transformers Based on an Attention-RBF Physics-Informed Neural Network
تقترح هذه الورقة طريقة الشبكة العصبية المستوحاة من الفيزياء ذات انتباه دالة راديات (Attention-RBF) التي تدمج قانون كيرشوف للجهد ومعادلات الحرارة للكابلات مع استخراج الميزات متعدد المقاييس لتحقيق تقييم دقيق، وفوري، وغير اقتحامي للأخطاء لمحولات الجهد في شبكات التوزيع، متفوقة بذلك على الطرق الحالية في كل من المحاكاة المختبرية والتطبيقات الميدانية.
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
في الشبكة المعقدة لشبكة طاقة المدينة، تتدفق الكهرباء من محطات فرعية ضخمة عبر سلسلة من محطات التبديل الأصغر، وصولاً في النهاية إلى الأحياء حيث تُستخدم. ولضمان قياس كل كيلوواط/ساعة بشكل عادل والحفاظ على سلامة النظام، يعتمد المهندسون على أجهزة خاصة تسمى محولات الجهد. تعمل هذه الأجهزة مثل مترجمين دقيقين، حيث تقوم بخفض الجهد العالي للكهرباء إلى مستوى يمكن للعدادات قراءته بأمان. ومع ذلك، تماماً كما تتآكل أي قطعة ميكانيكية بمرور الوقت، يمكن لهذه المحولات أن تخرج عن نطاق المعايرة. وعندما يحدث ذلك، قد تكون فاتورة الكهرباء خاطئة، أو قد تصبح الشبكة غير مستقرة. تقليدياً، يتطلب فحص هذه الأجهزة قطع التيار الكهربائي، وفصل المعدات، وأخذها إلى مختبر لإجراء مقارنة دقيقة مقابل معيار قياسي. هذه العملية بطيئة ومكلفة، وتجبر الأحياء على فقدان الطاقة، مما يشكل عبئاً كبيراً على شركات المرافق التي يجب أن تبقي الأنوار مشتعلة لملايين الأشخاص.
لقد كان التحدي الذي يواجه المهندسين هو إيجاد طريقة لفحص هذه الأجهزة بينما لا تزال تعمل ومتصلة بالشبكة. وتتعقد المشكلة بسبب البيئة نفسها: فبينما تنتقل الكهرباء عبر الكابلات الأرضية، تسخن الأسلاك وتبرد اعتماداً على كمية التيار المتدفق ودرجة حرارة التربة المحيطة. هذا التسخين يغير المقاومة الكهربائية للكابلات، مما يسبب انخفاضاً في الجهد بطرق يصعب التنبؤ بها. إذا حاول جهاز كمبيوتر تخمين حالة المحول دون مراعاة ظروف الكابلات المتغيرة هذه، فقد يخطئ في اعتبار انخفاض الجهد الطبيعي ناتجاً عن محول معطل، أو العكس. لسنوات، حاول الباحثون حل هذه المشكلة باستخدام إما معادلات فيزيائية بحتة، والتي غالباً ما تكون جامدة للغاية أمام الفوضى في العالم الحقيقي، أو نماذج حاسوبية تعتمد على البيانات البحتة، والتي يمكن أن ترتبك بسبب الطقس غير المعتاد أو التغيرات المفاجئة في الأحمال.
لقد طور فريق من الباحثين من شركة "State Grid Wuhan Power Supply" نهجاً جديداً يجسّر هذه الفجوة، حيث يجمع بين موثوقية القوانين الفيزيائية وقدرة الذكاء الاصطناعي الحديث على التكيف. يستخدم أسلوبهم، المفصل في دراسة حديثة، نوعاً متخصصاً من الشبكات الحاسوبية المصممة لفهم كل من البيانات التي تراها والقواعد الفيزيائية التي تحكم الكهرباء المتدفقة من خلالها. وبدلاً من معاملة شبكة الطاقة كصندوق أسود، علم الباحثون نموذجهم الحاسوبي احترام القوانين الأساسية للكهرباء، وتحديداً القاعدة التي تنص على ضرورة توازن الجهد عبر الشبكة، وفيزياء كيفية تسخين وتبريد الكابلات. ومن خلال دمج هذه القواعد مباشرة في عملية التعلم، يمكن للنموذج التمييز بين تغير الجهد الناتج عن محول معيب وبين التغير الناتج عن كابل دافئ في يوم حار.
لبناء هذا النظام، أنشأ الفريق منصة محاكاة فيزيائية في مختبر تحاكي شبكة طاقة حقيقية لحي سكني. لقد أقاموا شبكة تتكون من مصدر طاقة رئيسي، ومحطة تبديل، وعدة خطوط توزيع تؤدي إلى غرف مختلفة، مع تزويدها بأحمال قابلة للتعديل لمحاكاة احتياجات المنازل والشركات المتغيرة من الكهرباء. كما قاموا بتركيب محولات جهد يمكن ضبطها بدقة لإدخال أخطاء محددة، مما سمح لهم باختبار النظام تحت ظروف محكومة. يستخدم النموذج الحاسوبي الذي بنوه هيكلاً فريداً يعالج البيانات الزمنية، حيث يراقب كيفية تغير الجهد والتيار على مدار دقائق وساعات. وهو يولي اهتماماً خاصاً للإشارات الأكثر أهمية مع تجاهل الضجيج الخلفي، تماماً مثل المستمع الذي يركز على صوت واحد في غرفة مزدحمة. وهذا يسمح له بتتبع الانحرافات الدقيقة في أداء المحول حتى مع تغير ظروف الشبكة.
وعندما اختبر الباحثون طريقتهم الجديدة مقابل التقنيات الموجودة، كانت النتائج واضحة. ففي عمليات المحاكاة التي أجروها، قلل النظام الجديد متوسط الخطأ في توقعاته بأكثر من الثلث مقارنة بأفضل طريقة تالية. وكان قادراً على تحديد محول تم ضبطه عمداً ليكون به خطأ بنسبة 0.2 بالمائة، وهو انحراف صغير ولكنه مهم، كما استطاع أيضاً تتبع محول يتدهور أداؤه ببطء بمرور الوقت. نجح النظام في فصل إشارة خطأ المحول عن ضجيج درجات حرارة الكابلات المتغيرة. ولإثبات نجاحه في العالم الحقيقي، نشر الفريق النظام في منطقة توزيع حية في مدينة ووهان. لقد راقبوا أربعة محولات على مدار عدة أيام، وجمعوا آلاف نقاط البيانات. رصد النظام أحد المحولات التي تجاوز خطؤها الحد الآمن، وعندما خرج طاقم المرافق للتحقق مادياً من الجهاز عن طريق فصله عن الخدمة، أكدوا أن الكمبيوتر كان على حق: لقد كان المحول بالفعل خارج نطاق التفاوت المسموح به، بينما كانت المحولات الأخرى سليمة.
يشير هذا النجاح إلى أن مستقبل صيانة الشبكة قد لا يتطلب قطع خطوط الطاقة. فمن خلال استخدام نموذج يفهم فيزياء الشبكة جنباً إلى جنب مع البيانات التي يجمعها، يمكن للمهندسين الآن مراقبة صحة المعدات الحيوية في الوقت الفعلي. وتظهر الدراسة أنه من الممكن اكتشاف الأخطاء الصغيرة والتآكل التدريجي دون مقاطعة الخدمة، مما يوفر وسيلة للحفاظ على تدفق الكهرباء بموثوقية مع ضمان محاسبة كل عميل بدقة. وبينما يركز النظام الحالي على قياسات الطور الواحد ويعتمد على بيانات عالية الجودة، يعتقد الباحثون أن هذا النهج يوفر أساساً متيناً للتوسع نحو سيناريوهات شبكة أكثر تعقيداً في المستقبل. إن هذا العمل يثبت أنه عندما يتم توجيه الذكاء الاصطناعي بواسطة القوانين الفيزيائية الثابتة، فإنه يستطيع حل المشكلات التي لا يستطيع لا الرياضيات البحتة ولا البيانات البحتة حلها بمفردها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.