پاسخگویی بار شبکه هوشمند به کمک داده بزرگ و یادگیری عمیق

شبکه برق به عنوان اساسی ترین زیر ساخت در دنیای امروز محسوب می شود. مفاهیم و فناوری های شبکه هوشمند الکتریکیو پاسخگویی بار به منظور فائق آمدن بر چالش ها و مسائل مربوط به تولید، انتقال و توزیع و مدیریت عوامل متعدد و متنوع فنیبرق مطرح شده اند. در این سیستم ها، روزانه مقدار زیادی داده از منابع مختلف مانند تولید برق (ریزمولدها، توربین های بادی،نیروگاه های سنتی و غیره)، انتقال و توزیع (ریزشبکه ها و آشکارسازهای خطا و غیره)، مدیریت بار (کنتورهای هوشمند و لوازمالکتریکی هوشمند) تولید می شود. به لطف پیشرفت های اخیر در فناوری های محاسباتی و دادههای بزرگ، میتوان از یادگیریعمیق برای یادگیری الگوها از داده های تولید شده و پیش بینی تقاضای برق و مدیریت ساعات اوج مصرف استفاده نمود. لزوماتصال تجهیزات هوشمند و ارتباط کامل آنها در سیستم باعث تولید حجم زیادی از داده مصرف برق می شود که برای تحلیل ومدیریت آن می توان از مدل های یادگیری ماشین با ساختارهای متناسب بهره گرفت. این حجم عظیم داده را می توان بافرآیندهای مختلف مدل های یادگیری ماشین با انتخاب مجموعه مناسبی از مصرف کنندگان برای پاسخگویی مطابق با مدلسازیپاسخگویی بار، ویژگی های مختلف مصرف کنندگان، طرح های قیمت گذاری پویا، پیش بینی بارهای مختلف و همچنین فرآینداخذ داده ها، با خط مشی بهینه سازی هزینه، بصورت بهینه تحلیل و به کار برد. در ارتباط با این فرآیند، در نظر گرفتن روش هایپیچیده مبتنی بر امنیت شبکه هوشمند و حفظ حریم خصوصی به یک جنبه اصلی تبدیل می شود و می تواند تهدیدات سایبریبالقوه برای مصرفکنندگان و دادههای عملکرد تجهیزات ایجاد نماید. در این مقاله جنبه های گوناگون بکار گیری یادگیریماشین در تحلیل داده بزرگ شبکه هوشمند الکتریکی در کنار پاسخگویی بار، امنیت سایبری و امنیت فیزیکی مورد بررسی وتحلیل قرار گرفته است. این مقاله همچنین درک روشنی از مزایای بالقوه و محدودیت های الگوریتم های پردازش را ارائه میدهد

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، شبکه هوشمند الکتریکی ، پاسخگویی بار