Objective-Driven Efficient Sparse Metering for Machine Learning-Based Fault Diagnosis and Self-Healing Restoration in Active Distribution Networks
تقترح هذه الورقة إطار عمل مدفوعاً بالأهداف يعمل على تحسين وضع حد أدنى من العدادات منخفضة التكلفة وغير المتزامنة لتعظيم دقة تشخيص الأعطال القائمة على تعلم الآلة وكفاءة استعادة الخدمة ذاتية الإصلاح في شبكات التوزيع النشطة، محققةً دقة تحديد مواقع بنسبة 97.3% وخفضاً في مؤشر متوسط مدة انقطاع الخدمة (SAIDI) بنسبة 82.2% مع فترة استرداد رأس المال تبلغ تسعة أشهر.
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
تُعد شبكات الكهرباء بمثابة الشرايين غير المرئية للحياة الحديثة، حيث تنقل الكهرباء من المحطات الفرعية إلى المنازل والشركات. وعندما يتسبب غصن شجرة في قطع سلك أو يفشل محول كهربائي، تكون النتيجة انقطاعاً مفاجئاً للتيار. وبالنسبة لشركات المرافق التي تدير هذه الشبكات، لا يقتصر الهدف على إصلاح العطل فحسب، بل يتمثل في القيام بذلك بسرعة جراحية: تحديد الموقع الدقيق للتلف، وعزل ذلك الجزء الصغير لمنع انتشار الانقطاع، ثم إعادة توجيه الطاقة حول موضع العطل لاستعادة الخدمة للجميع. هذه العملية، المعروفة باسم تحديد موقع الخطأ، والعزل، واستعادة الخدمة، هي الفارق بين ومضة عابرة وانقطاع يستمر ليوم كامل. تقليدياً، اعتمدت شركات المرافق على مزيج من المؤشرات القديمة والمنطق المعقد لتخمين مكان حدوث العطل، مما تطلب غالباً مستشعرات باهظة الثمن وعالية التقنية عند كل نقطة التقاء للحصول على صورة واضحة. ومع ذلك، فإن تركيب وصيانة شبكة كثيفة من المستشعرات المتزامنة والموقوتة عبر نظام تحديد المواقع العالمي (GPS) يُعد أمراً مكلفاً للغاية للعديد من المناطق. وكان السؤال الذي يواجه الباحثين هو ما إذا كان بإمكان نهج أكثر ذكاءً وأقل تكلفة أن يحقق نفس الموثوقية دون تلك التكلفة الباهظة.
لقد تصدى فريق من المهندسين من جامعة المنوفية في مصر لهذه المشكلة عبر التعامل مع شبكة الكهرباء ليس فقط كشبكة مادية من الأسلاك، بل كأحجية يمكن حلها باستخدام التعلم الآلي. وقد سعوا لمعرفة ما إذا كان عدد قليل جداً من المستشعرات منخفضة التكلفة، الموضوعة في الأماكن الصحيحة تماماً، يمكن أن يعلّم الكمبيوتر تشخيص الأعطال وتوجيه نظام ذاتي الإصلاح. وتكشف أعمالهم، التي تمت محاكاتها على نموذج قياسي لمغذٍ كهربائي ريفي، عن حقيقة مذهلة حول كيفية تعلم هذه الأنظمة: لا يحتاج الكمبيوتر إلى نفس القدر من المعلومات لمجرد تحديد وقوع عطل ما كما يحتاجه لتحديد موقعه بدقة. فبينما تكفي بضعة مستشعرات لإخبار النظام بأن "هناك خطأ ما"، فإن تحديد القسم المعطل بدقة يتطلب شبكة أكثر كثافة من نقاط البيانات.
قام الباحثون ببناء "توأم رقمي" لمغذي توزيع مكون من 33 حافلة (bus)، وهو نظام اختبار شائع في الهندسة الكهربائية، وقاموا بتزويده بأعطال محاكية. واختبروا مسار عمل للتعلم الآلي يمكنه تصنيف نوع العطل، وتحديد القسم المحدد من الخط المتضرر، ثم إعادة تهيئة الشبكة تلقائياً لاستعادة الطاقة. ومن الأهمية بمكان أنهم استخدموا فقط عدادات غير متزامنة، والتي تقيس قيم الجهد والتيار دون الحاجة إلى إشارة ساعة مشتركة دقيقة؛ وهذا يلغي الحاجة إلى أجهزة GPS باهظة الثمن، مما يجعل الأجهزة أرخص بك كثيراً وأسهل في التركيب. بعد ذلك، أجروا تجربة صارمة لتحديد العدد الأمثل والمواقع المثالية لهذه العدادات، حيث اختبروا كل شيء بدءاً من ثلاثة مستشعرات وصولاً إلى ستة عشر مستشعراً، وقارنوا وضعها "الموجه نحو الأهداف" مقابل الطرق العشوائية أو الطرق القائمة على التغطية القياسية.
أظهرت النتة وجود انقسام واضح في كيفية سلوك نماذج التعلم الآلي. فبالنسبة لمهمة تصنيف العطل فحسب — أي التمييز بين دائرة قصر، أو سلك مفتوح، أو تشغيل طبيعي — وصل النظام إلى ذروة أدائه باستخدام ثلاثة إلى أربعة عدادات فقط، حيث لم يقدم إضافة أي مستشعرات أخرى بعد هذه النقطة أي فائدة تذكر لهذه المهمة تحديداً. ومع ذلك، كانت مهمة تحديد الموقع مختلفة؛ إذ استمرت القدرة على تحديد القسم المحدد من الخط بدقة في التحسن بشكل ملحوظ مع إضافة المزيد من العدادات، وصولاً إلى ستة عشر عداداً على الأقل. وقد تحدى هذا الاكتشاف الافتراض الشائع بأن تخطيطاً واحداً للمستشعرات يصلح لجميع مهام التشخيص؛ حيث وجد الباحثون أن نهج "النموذج الواحد الذي يناسب الجميع" غير فعال، وبدلاً من ذلك، كانوا بحاجة إلى استراتيجية تدرك هذه الاحتياجات المختلفة.
ولإيجاد النقطة المثالية، طور الفريق تحليلاً للتكلفة مقابل الفائدة يوازن بين سعر العدادات وتكلفة انقطاع التيار الكهربائي. وقد خلصوا إلى أن تركيب سبعة عدادات يوفر أفضل قيمة اقتصادية. وعند هذا التكوين المحدد، استطاع النظام تحديد موقع العطل ضمن نطاق قسم واحد من الضرر الفعلي بدقة بلغت 97.3%. وتعتبر هذه الدرجة من الدقة بالغة الأهمية لأنها تسمح للشبكة بعزل المشكلة بسرعة. وفي عمليات المحاكاة التي أجروها، قلل هذا الإعداد متوسط مدة انقطاع التيار الكهربائي عن العملاء بنسبة 82.2%. كما كان العائد المالي مقنعاً بنفس القدر: حيث إن الاستثمار في العدادات ومعدات التبديل اللازمة سيسترد قيمته في أقل من تسعة أشهر من خلال المدخرات الناتجة عن منع انقطاع التيار.
كما كشفت الدراسة أن اختيار خوارزمية الكمبيوتر لا يقل أهمية عن وضع المستشعرات. فبينما كان أحد أنواع نماذج التعلم الآلي هو الأكثر دقة في ظل وجود بيانات مثالية ونقية، إلا أنه كان يؤدي بشكل سيء عندما تحتوي البيانات على نوع الضوضاء والأخطاء الموجودة في الأدوات الواقعية. وقد اختار الباحثون نموذجاً أقل "مثالية" من الناحية النظرية لأنه كان أكثر قوة في مواجهة هذه العيوب الواقعية، والأهم من ذلك، لأن أخطاءه كانت تميل لأن تكون طفيفة؛ فعندما يخطئ في تحديد القسم، فإنه عادة ما يحدد القسم المجاور له، وهو ما يظل قريباً بما يكفي لعزل العطل بفعالية. لقد كان هذا القرار العملي، الذي يمنح الأولوية للموثوقية على الدقة النظرية، مفتاح نجاح النظام.
في نهاية المطاف، يثبت هذا العمل أن شبكة ذكية ومتباعدة من المستشعرات منخفضة التكلة يمكن أن تقود شبكة كهرباء ذاتية الإصلاح. ومن خلال فهم أن المهام التشخيصية المختلفة تتطلب مستويات مختلفة من التفاصيل، ومن خلال تصميم النظام ليعطي الأولوية لنوع الدقة المحدد الذي يقلل من وقت انقطاع التيار، يمكن لشركات المرافق تحقيق موثوقية عالية دون عبء شبكة كثيفة من المستشعرات. وقد أكد الباحثون أن نهجهم يعمل ضمن بيئة محاكاة لمغذي (IEEE 33-bus)، حيث أظهر أن الاستثمار المستهدف في سبعة عدادات يمكن أن يحول شبكة معرضة للخطر إلى شبكة مرنة، تعيد الطاقة للعملاء في جزء بسيط من الوقت الذي تستغرقه حالياً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.