کاربردهای هوش مصنوعی و یادگیری ماشین در تشخیص و پیش بینی faults در سامانه های قدرت

هوش مصنوعی و یادگیری ماشین با تحلیل داده های تاریخی و بلادرنگ، قابلیت شناسایی الگوهای غیرعادی در سامانه های قدرت را فراهم می کنند. با استفاده از الگوریتم های نظارت شده مانند SVM و Random Forest، می توان خطاها را با دقت بالا طبقه بندی کرد. شبکه های عصبی عمیق (مانند LSTM) نیز برای پیش بینی faults احتمالی با پردازش سری های زمانی داده های نظارتی (SCADA، PMU) به کار می روند. روش های بدون ناظر مانند خوشه بندی (Clustering) anomalies پنهان را در شرایط عملیاتی کشف می کنند.داده های حجیم از حسگرها و واحدهای اندازه گیری فازور (PMUs) با نرخ نمونه برداری بالا، ورودی مناسبی برای مدل های یادگیری ماشین فراهم می کنند. این مدل ها قادرند افتادگی ولتاژ، اتصال کوتاه، و faults تجهیزات (ترانسفورماتور، ژنراتور) را پیش از وقوع شناسایی کنند. ترکیب یادگیری تقویتی (Reinforcement Learning) با شبیه سازی دینامیکی نیز برای بهینه سازی strategies بازیابی پس از fault استفاده می شود.کاربردهای عینی شامل پایش وضعیت عایق بندی، تشخیص خطا در خطوط انتقال با پردازش سیگنال های گذرا، و پیش بینی خرابی تجهیزات بر اساس داده های حرارتی و ارتعاشی است. این رویکردها دقت تشخیص را افزایش داده و زمان توقف سامانه را کاهش می دهند

کلیدواژه ها:

کاربرد ، هوش مصنوعی ، یادگیری ماشین ، faults ، سامانه های قدرت