Исследователи из Техасского университета AM разработали интеллектуальную модель, которая может предсказать потенциальную уязвимость коммунальных активов и представить карту того, где и когда может произойти возможное отключение. Функция прогнозирования позволяет в первую очередь подрезать деревья в наиболее критических областях с наибольшим риском.Доктор Младен Кезунович, профессор регентов и обладатель профессорской должности Юджина Э. Уэбба на факультете электротехники и вычислительной техники, вместе с аспирантами Татьяной Докич и По-Чен Чен разработали основу для модели, которая может предсказывать погодные опасности. уязвимость электрических сетей и экономические последствия потенциального ущерба.Анализируя влияние потенциальной уязвимости и погодных воздействий на отключение энергосистемы, исследователи могут предсказать, где и когда могут произойти отключения.
Прогнозирование оптимального графика обрезки деревьев, который минимизировал бы риск отключений, связанных с растительностью, — это только одна из задач.«Коммунальные сети и связанные с ними активы в основном расположены на открытом воздухе и подвержены всевозможным погодным опасностям. Работа со стареющими инфраструктурными активами добавляет еще один уровень сложности, с которым сталкиваются коммунальные компании», — сказал Кезунович. «Любые данные об окружающей среде, которые имеют какое-то отношение к энергосистеме, могут быть введены в эту структуру прогнозирования».Такие данные, как операционные записи коммунальной компании, прогнозы погоды, высота над уровнем моря и растительность вокруг энергосистем, могут использоваться для настройки приложений модели.
Модель является гибкой и может обрабатывать самые разные данные, несмотря на разные форматы и источники данных. Исследователи говорят, что обработка таких данных — сложная задача, которую они смогли решить.
Каждый источник данных и их представление уникальны и многогранны. Исходя из целей, они выбирают большой объем входных данных из нескольких источников и проводят анализ рисков.Такой комплексный анализ данных делает энергосистему и ее работу более надежной.
«Первоочередная цель коммунальных предприятий — обеспечить бесперебойное обслуживание», — сказал Чен. «Повышая надежность, мы можем прогнозировать сбои. Если мы сможем предотвратить сбои с помощью исторических данных и данных, близких к реальному времени, мы сможем сэкономить миллионы долларов, поскольку сбои могут быть уменьшены».Исследователи описывают свою методологию построения структуры как трехэтапный процесс. Во-первых, они исследуют вероятность потенциальной опасности, например суровой погоды.
Затем они оценивают уязвимость активов коммунального предприятия, принимая прогноз погоды и прогнозируя его влияние на активы. Последним и наиболее важным шагом является оценка влияния определенных событий и расчет затрат на показатели надежности и обслуживания, замены и ремонта.
Модель проанализировала исторические данные о погоде и данные о погоде, близкие к реальному времени, и успешно спрогнозировала будущие уязвимости, что позволило коммунальным предприятиям иметь эффективные меры по смягчению, такие как процессы проверки, ремонта и технического обслуживания.«В целом анализ рисков помогает предсказать вероятность событий, которые произойдут в ближайшем будущем, а затем добавляет финансовые последствия, позволяя разработать оптимальный план действий для выполнения операторами коммунальных услуг», — сказал Чен.«Когда случаются перебои, коммунальные предприятия теряют миллионы долларов только на ремонте», — сказал Докич. «Прошлое показало, что некоторые отключения тоже стоили бесценных жизней».
Исследователи использовали данные о коммунальных услугах CenterPoint Energy в своей структуре и представили компании доказательство концепции. Их следующий шаг — внедрение модели в базу данных и среду CenterPoint.Кезунович также является директором Центра интеллектуальных сетей Техасской экспериментальной экспериментальной станции. Исследование было поддержано CenterPoint Energy, Центром сверхшироких отказоустойчивых сетей передачи электроэнергии Национального научного фонда (NSF) и частично грантами NSF Power Systems Engineering Research Center и NSF Smart Grid Big Data Spoke.
Узнайте больше об исследовании в журнале IEEE Transactions on Smart Grid.