Measurement Error Evaluation Method for Distribution Network Voltage Transformers Based on an Attention-RBF Physics-Informed Neural Network
Dit artikel stelt een Attention-RBF Physics-Informed Neural Network-methode voor die de wet van Kirchhoff voor spanning en kabelthermische vergelijkingen integreert met multi-schaal feature extractie om een nauwkeurige, online en niet-intrusieve foutevaluatie voor spanningstransformatoren in distributienetwerken te bereiken, waarbij bestaande methoden wordt overtroffen in zowel laboratoriumsimulaties als veldtoepassingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het ingewikkelde web van het elektriciteitsnet van een stad stroomt elektriciteit van grote onderstations door een reeks kleinere schakelstations en uiteindelijk naar de wijken waar het wordt gebruikt. Om ervoor te zorgen dat elke kilowattuur eerlijk wordt gemeten en dat het systeem veilig blijft, vertrouwen ingenieurs op speciale apparaten die spanningsomvormers worden genoemd. Deze apparaten fungeren als nauwkeurige vertalers die hoogspannings-elektriciteit omzetten naar een niveau dat meters veilig kunnen lezen. Echter, net zoals elk mechanisch onderdeel na verloop van tijd slijt, kunnen deze transformatoren uit hun kalibratie raken. Wanneer dat gebeurt, kan de elektriciteitsrekening onjuist zijn, of kan het netwerk instabiel worden. Traditioneel vereist het controleren van deze apparaten het uitschakelen van de stroom, het loskoppelen van de apparatuur en het meenemen ervan naar een laboratorium voor een zorgvuldige vergelijking met een standaard. Dit proces is traag, duur en dwingt wijken om stroom te verliezen, wat een aanzienlijke last vormt voor de nutsbedrijven die de lichten aan moeten houden voor miljoenen mensen.
De uitdaging voor ingenieurs is geweest om een manier te vinden om deze apparaten te controleren terwijl ze nog steeds draaien en verbonden zijn met het elektriciteitsnet. Het probleem wordt gecompliceerd door de omgeving zelf: wanneer elektriciteit door ondergrondse kabels reist, warmen de draden op en koelen ze af, afhankelijk van hoeveel stroom er doorheen stroomt en de temperatuur van de omliggende bodem. Deze opwarming verandert de elektrische weerstand van de kabels, waardoor de spanning op manieren daalt die moeilijk te voorspellen zijn. Als een computer probeert de gezondheid van een transformator in te schatten zonder rekening te houden met deze verschuivende kabelcondities, kan hij een normale spanningsval aanzien voor een defecte transformator, of andersom. Jarenlang hebben onderzoekers geprobeerd dit op te lossen met ofwel pure natuurkundige formules, die vaak te rigide zijn voor de chaos van de echte wereld, ofwel pure datagestuurde computermodellen, die in de war kunnen raken door ongewone weersomstandigheden of plotselinge belastingveranderingen.
Een team van onderzoekers van State Grid Wuhan Power Supply Company heeft een nieuwe aanpak ontwikkeld die deze kloof overbrugt door de betrouwbaarheid van natuurkundige wetten te combineren met de aanpassingsvermogen van moderne kunstmatige intelligentie. Hun methode, die in een recente studie wordt beschreven, maakt gebruik van een gespecialiseerd type computernetwerk dat ontworpen is om zowel de data die het ziet als de fysieke regels die de elektriciteit die erdoorheen stroomt beheersen, te begrijpen. In plaats van het elektriciteitsnet als een 'black box' te behandelen, hebben de onderzoekers hun computermodel geleerd om de fundamentele wetten van elektriciteit te respecteren, specifiek de regel dat de spanning over een netwerk moet balanceren, en de natuurkunde van hoe kabels opwarmen en afkoelen. Door deze regels direct in het leerproces in te bedden, kan het model onderscheid maken tussen een spanningsverandering veroorzaakt door een defecte transformator en een verandering veroorzaakt door een warme kabel op een hete dag.
Om dit systeem te bouwen, creëerde het team een fysiek simulatieplatform in een laboratorium dat een echt buurtstroomnet nabootst. Ze zetten een netwerk op met een hoofdbron, een schakelstation en verschillende distributielijnen die naar verschillende kamers leiden, compleet met aanpasbare belastingen om de veranderende elektriciteitsbehoeften van huizen en bedrijven te simuleren. Ze installeerden spanningsomvormers die nauwkeurig afgesteld konden worden om specifieke fouten te introduceren, waardoor ze het systeem onder gecontroleerde omstandigheden konden testen. Het computermodel dat zij bouwden, gebruikt een unieke structuur die tijdgebaseerde data verwerkt, waarbij gekeken wordt naar hoe spanning en stroom gedurende minuten en uren veranderen. Het besteedt speciale aandacht aan de belangrijkste signalen terwijl het de achtergrondruis negeert, net zoals een luisteraar die zich concentreert op één enkele stem in een drukke kamer. Dit stelt het in staat om de subtiele afwijkingen in de prestaties van de transformator te volgen, zelfs terwijl de netcondities verschuiven.
Toen de onderzoekers hun nieuwe methode testten tegen bestaande technieken, waren de resultaten duidelijk. In hun simulaties verminderde het nieuwe systeem de gemiddelde fout in hun voorspellingen met meer dan een derde vergeleken met de op één na beste methode. Het was in staat om een transformator te identificeren die bewust was ingesteld op een fout van 0,2 procent, een kleine maar significante afwijking, en het kon ook een transformator volgen waarvan de prestaties langzaam achteruitgingen. Het systeem slaagde erin het signaal van de fout van de transformator te scheiden van de ruis van de veranderende kabeltemperaturen. Om te bewijzen dat het in de echte wereld werkte, zetten het team het systeem in in een actief distributiegebied in Wuhan. Ze monitorden vier transformatoren gedurende meerdere dagen en verzamelden duizenden datapunten. Het systeem gaf aan dat één transformator een fout had die de veilige limiet overschreed. Toen de onderhoudsploeg uitging om het apparaat fysiek te verifiëren door het buiten bedrijf te stellen, bevestigden zij dat de computer gelijk had: de transformator was inderdaad buiten de tolerantie, terwijl de anderen in orde waren.
Dit succes suggereert dat de toekomst van netonderhoud mogelijk geen uitschakeling van stroomlijnen vereist. Door een model te gebruiken dat zowel de fysica van het net als de verzamelde data begrijpt, kunnen ingenieurs nu de gezondheid van kritieke apparatuur in realtime monitoren. De studie laat zien dat het mogelijk is om kleine fouten en geleidelijke slijtage te detecteren zonder de dienstverlening te onderbreken, wat een manier biedt om de stroom betrouwbaar te laten stromen terwijl er tegelijkertijd wordt gewaarborgd dat elke klant accuraat wordt gefactureerd. Hoewel het huidige systeem zich richt op enkelgefase-metingen en afhankelijk is van hoogwaardige data, geloven de onderzoekers dat deze aanpak een solide basis biedt voor de uitbreiding naar complexere gridscenario's in de toekomst. Het werk demonstreert dat wanneer kunstmatige intelligentie wordt geleid door de onveranderlijke wetten van de natuurkunde, het problemen kan oplossen die noch pure wiskunde, noch pure data alleen zouden kunnen oplossen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.