8 dersten 8.
Şebeke İşletiminde Yapay Zeka & Makine Öğrenmesi
Bu rotada daha önce ele alınan her teknoloji — AMI, SCADA, PMU'lar, DER telemetrisi — ortak bir şeye sahiptir: devasa miktarda veri üretir. Yapay zeka ve makine öğrenmesi, özünde, bu ölçüm selini herhangi bir mühendis ekibinin elle başarabileceğinden daha hızlı tahminlere ve kararlara dönüştüren araçlardır.
Yapay zekanın bugün gerçekte nerede kullanıldığı
- Yük tahmini
- Geçmiş tüketim, hava durumu ve takvim örüntülerini kullanarak talebi dakikalar, saatler veya günler öncesinden tahmin etmek — şebekede istatistiksel modellemenin en eski ve en olgun uygulamalarından biri.
- Yenilenebilir üretim tahmini
- Hava durumu verisinden güneş ve rüzgar çıkışını tahmin etmek — bu, operatörlerin yedekleri 'ihtiyaten' fazla büyük tutmak yerine yedek üretimi akıllıca planlamasını sağlayan şeydir.
- Kestirimci bakım
- Transformatörlerin ve diğer ekipmanın kalan kullanım ömrünü tahmin etmek için sensör verisini (titreşim, sıcaklık, yağ analizi, kısmi deşarj) kullanmak; sabit bakım takvimlerini durum tabanlı olanlarla değiştirmek.
- Arıza ve anomali tespiti
- Gelişmekte olan bir arızaya, ekipman bozulmasına veya devam eden bir siber saldırıya işaret edebilecek olağandışı gerilim, akım veya PMU imzalarını işaretleyen örüntü tanıma modelleri.
Bu problemin makine öğrenmesine neden bu kadar uygun olduğu
Şebeke verisi, makine öğrenmesinin iyi olduğu tam da bu tür bir problemdir: devasa geçmiş veri kümeleri, elle kurulan kurallar için çok karmaşık veya çok sayıda olan örüntüler, ve bu ölçekte mütevazı doğruluk iyileştirmelerinde bile net bir değer. Birkaç yüzde daha doğru bir yük tahmini, tüm bir ulusal şebekeye uygulandığında, doğrudan daha az boşa harcanan yedek üretime ve daha düşük maliyetlere dönüşür.
Tahmin, büyü değil
Bunun neden tipik bir ML uygulamasından daha zor olduğu
Şebeke yapay zekası, çoğu tüketici makine öğrenmesinin karşılaşmadığı kısıtlamalarla karşı karşıyadır: kararların genellikle sadece doğru değil, bir operatöre ve bir düzenleyiciye açıklanabilir olması gerekir (bir kesiciyi açmak için "kara kutu" bir öneri satması zor bir şeydir); modellerin, şebeke koşullarının zamanla gerçekten değişmesi gerçeğine (yeni DER'ler, yeni topoloji) karşı dayanıklı olması gerekir; ve hatalar sadece kötü bir öneri değil, fiziksel güvenlik sonuçları taşır. Bu yüzden şebeke yapay zekası benimsenmesi genel olarak temkinli ilerledi — tahmin ve danışma araçlarıyla başlayıp, ancak kademeli olarak doğrudan otomatik kontrole doğru ilerledi.
Önemli çıkarımlar
- Şebekede yapay zeka/ML, esas olarak AMI, SCADA, PMU ve DER verisini büyük ölçekte tahmin ve öngörülere dönüştürmek anlamına gelir.
- Olgun uygulamalar: yük tahmini, yenilenebilir üretim tahmini, kestirimci bakım, ve anomali/arıza tespiti.
- Değer, insanların elle işleyemeyeceği bir ölçekte, şebekenin zaten ürettiği veride örüntüler bulmaktan gelir.
- Açıklanabilirlik ve güvenlik gereklilikleri, şebeke yapay zekasının temkinli benimsendiği, otomatik kontrolden önce tahmin/danışma rollerini tercih ettiği anlamına gelir.
Daha fazla okuma
- L. Duchesne, E. Karangelos and L. Wehenkel, “Recent developments in machine learning for energy systems reliability management,” Proceedings of the IEEE, vol. 108, no. 9, pp. 1656–1676, Sep. 2020.
- T. Hong, P. Pinson, S. Fan, H. Zareipour, A. Troccoli and R. J. Hyndman, “Probabilistic energy forecasting: Global Energy Forecasting Competition 2014 and beyond,” International Journal of Forecasting, vol. 32, no. 3, pp. 896–913, 2016.
- IEA, Digitalisation and Energy. Paris: International Energy Agency, 2017. — enerji sektörü genelinde yapay zeka ve dijitalleşme eğilimleri üzerine geniş, herkese açık bir rapor