ادغام یادگیری عمیق در سیستم های تشخیص خطای شبکه برق هوشمند ایران

شبکه برق هوشمند ایران با چالش هایی مانند تلفات بالا، نوسانات بار فصلی، نویز صنعتی و ادغام منابع تجدیدپذیر مواجه است که تشخیص خطا را دشوار می کند. این پژوهش با هدف بهبود سیستم های تشخیص خطای شبکه برق هوشمند ایران از طریق ادغام یادگیری عمیق انجام شده است. تمرکز بر مدل های شبکه های عصبی کانولوشنی (CNN) و هیبریدی CNN-LSTM برای تشخیص سریع و دقیق خطاهای گذرا و دائمی است. روش شناسی پژوهش مبتنی بر داده های واقعی SCADA و PMU از شبکه های توزیع و انتقال تهران و اصفهان (۲۰۲۰–۲۰۲۵) است. داده ها پیش پردازش شده، مدل ها با استفاده از TensorFlow و Keras آموزش داده شدند و عملکرد با معیارهای دقت، F۱-Score و نرخ هشدار کاذب ارزیابی گردید. نتایج نشان داد که مدل CNN-LSTM دقت تشخیص خطا را به بیش از ۹۷ درصد رسانده، زمان پردازش را به کمتر از ۵۰ میلی ثانیه کاهش داده و نرخ هشدارهای کاذب را تا ۷۵ درصد پایین آورده است. این بهبودها در شرایط نویزی و نوسانات بار واقعی شبکه ایران عملکرد پایداری نشان دادند و نسبت به روش های سنتی(مانند مبتنی بر امواج موجک یا SVM) برتری چشمگیری داشتند. این رویکرد نه تنها تشخیص خطا را سریع تر و دقیق تر می کند، بلکه امکان پیش بینی و مدیریت بهتر شبکه را فراهم می آورد. در ایران، با توجه به تلفات انرژی بالا و خاموشی های مکرر، کاربرد یادگیری عمیق می تواند پایداری شبکه را افزایش دهد، هزینه های عملیاتی را کاهش دهد و کیفیت برق رسانی را بهبود بخشد. این پژوهش پایه ای قوی برای توسعه سیستم تشخیص خطای هوشمند ملی فراهم می کند و پیشنهاد می کند پروژه های آزمایشی در شهرهای بزرگ آغاز شود تا نتایج عملی ارزیابی گردد.

کلیدواژه ها:

یادگیری عمیق ، تشخیص خطای شبکه برق ، شبکه هوشمند ، CNN-LSTM ، شبکه برق ایران