11 خرداد هوشمندسازی صنعت برق؛ داده کاوی و آثار آن
داده های جمعآوری شده از کنتور هوشمند که به عنوان قلب تپنده سیستم هوشمند عمل میکند، امکان استفاده از سایر فناوریهای دیجیتال، مانند هوش مصنوعی، big data ،IOT ،cloud computing، Edge computing و غیره را برای عملیات و بهرهبرداری هوشمندانهتر از شبکه فراهم کرده و تجربه کاربران را بهبود میبخشد.
سیستمهای قدرت آینده به سیستمهای قدرتی دلالت دارند که به دلیل افزایش تمرکززدایی، تواناییهای ارتباطی و نظارتی گسترده و تنوع گستردهتر منابع، با امروز متفاوت هستند. برای تطبیق با آینده، محورهای متعددی در مطالعات سیستم قدرت وجود دارد که شامل گسترش شبکه هوشمند، افزایش نفوذ اینترنت اشیا (IoT)، گسترش منابع تجدیدپذیر و ریزشبکهها میباشد. اینترنت اشیا با ایجاد ارتباط بین دستگاهها، شبکه هوشمند و سرعت جمع آوریدادهها را بیشتر گسترش خواهد داد. افزایش تمرکززدایی از طریق ریزشبکهها (میکروگرید) و نانوشبکههای بیشتر نیز در شبکه برق آینده قابل انتظار است. افزایش استفاده از انرژیهای تجدیدپذیر نیز به عنوان منابع تولید انرژی پراکنده قابل توجه خواهد بود.
امروزه، فناوری شبکه هوشمند میتواند الزامات جدید را برای مدیریت کارآمد یک سیستم توزیع برآورده کند. این وظیفه با استفاده از فناوری اطلاعات و ارتباطات پیشرفته (ICT) انجام میشود. استقرار گسترده فناوری اطلاعات و ارتباطات پیشرفته، که تا حدی توسط کنتورهای هوشمند تحقق یافته است، مقادیر قابل توجهی از دادهها را از لحاظ حجم، سرعت و تنوع تولید میکند. دادههای بزرگ تولید شده مزایای قابل توجهی را برای کمک به مدیریت کارآمدتر سیستم به ارمغان میآورد. با این حال، مدیریت این حجم از دادهها چالشهای متعددی را به همراه دارد. به همین دلیل است که فناوری کلان دادهها، یک روند علمی جدید در شبکه هوشمند است. در این سناریو، پردازش دادهها دغدغه اصلی است و اهمیت آن با رشد دادهها افزایش مییابد.
به عنوان یک مفهوم، دادههای بزرگ و سیستمهای قدرت ممکن است نامرتبط به نظر برسند. با این حال، شبکه هوشمند و پیشرفت در قدرت محاسباتی، سیستم های قدرت را به صنعت داده محور تبدیل کرده است. نتیجه توانایی جمع آوری داده های بیپایان، ظهور دادههای بزرگ است.
هدف علم داده، استخراج ارزش از دادهها است. مراحل چرخه عمر مدیریت داده شامل جمع آوری دادهها، پیش پردازش (کاوش، نمونه برداری، کاهش ابعاد، انتخاب ویژگی، تبدیل، تمیز کردن و یکپارچهسازی) و پردازش تحلیلی (مدل سازی) میشود.
همانطور که در شکل زیر نشان داده شده است، روش اصلی تجزیه و تحلیل دادهها در شبکه هوشمند استخراج اطلاعات ارزشمند از دادههای تاریخی برای هدایت عملیات و نگهداری، با مقایسه با دادههای زمان واقعی است. حجم عظیمی از دادههای جمعآوری شده از کنتورها و تجهیزات اندازهگیری هوشمند با تکنیکهای مدیریت داده مرتب و ذخیره میشوند. پس از آمادهسازی، مدل ریاضی را میتوان از طریق تکنیکهای دادهکاوی روی دادههای پاک ایجاد کرد. با ورودی اندازهگیریهای بلادرنگ، وضعیت را میتوان با مدلهای مختلف ارزیابی کرد که طرحهای ممکن را برای هدایت اقدامات عملی و حل مشکلات بالقوه ارائه میدهد.
نیاز شرکتهای انرژی به مدیریت صحیح منابع مختلف در سطح تولید، انتقال و توزیع، دادهها و اطلاعات را به یک ماده خام اساسی در تصمیمگیری تبدیل کرده است. بنابراین، این امر منجر به نیاز به جمعآوری، ذخیره، سازماندهی، پردازش، تجزیه و تحلیل و ارتباط دادهها از منابع متعدد، برای تبدیل آنها به دانش جدید یا هوش تجاری می شود. اطلاعات به دست آمده برای تصمیمگیری و برنامهریزی، پیشبینی، بهینهسازی فرآیندها و ارزیابی مجدد آنها و انجام اقدامات لازم ضروری است.
کلاندادهها پتانسیلی برای ایجاد فرصتهای پیشگامانه جدید در شبکه برق دارند که بسیاری از دستاوردهای فنی، اجتماعی و اقتصادی را افزایش میدهند. همانطور که فناوریهای شبکه برق در ارتباط با فنآوریهای اندازهگیری و ارتباطات تکامل مییابند، منجر به تولید حجم بیسابقهای از دادههای بزرگ ناهمگن میشود. پیچیدگی های محاسباتی، امنیت دادهها و ادغام عملیاتی دادههای بزرگ در برنامهریزی سیستم قدرت و چارچوبهای عملیاتی آن، چالشهای کلیدی برای تبدیل این داده های ناهمگن به نتایج عملی هستند. تجزیه و تحلیل داده های بزرگ همراه با نمایش مناسب، می تواند به آگاهی، پیش بینی و تصمیمات بهتر منجر شود. این مقاله یک بررسی جامع و پیشرفته از تجزیه و تحلیل دادههای بزرگ و کاربردهای آن در شبکههای برق را ارائه میکند و همچنین چالشها و فرصتهای ناشی از آن را شناسایی میکند.
منابع دیتا در شبکه هوشمند شامل کنتورهای هوشمند، اطلاعات جمعآوری شده در اسکادا از طریق سایر تجهیزات اندازهگیری هوشمند، سیستمهای اطلاعات جغرافیایی (GIS)، آب و هوا، ترافیک، شبکههای اجتماعی، تقویم و غیره میباشند. دادههای جمعآوری شده از کنتورهای هوشمند به صورت هر 15 دقیقه، خود حجم عظیمی از اطلاعات است که تجزیه و تحلیل آن، انقلابی را در حوزه انرژی ایجاد خواهد کرد.
گذشته از جمعآوری و ذخیرهسازی کلاندادهها و پردازش حجم عظیمی از دادههای خام، تجزیه و تحلیل دادههای بزرگ، مسئلهای فراتر از مدیریت داده است. مسئله مهمتر، ادغام عملیاتی تجزیه و تحلیل دادههای بزرگ در چارچوبهای تصمیمگیری سیستم قدرت است. ترکیب کارآمد دادههای بزرگ در برنامهریزی و بهرهبرداری تاسیسات برق، میتواند به مزایای متعددی از جمله قابلیت اطمینان و انعطافپذیری بهبود یافته، مدیریت عملیات بهینه منابع، بهبود تصمیمگیری عملیاتی و افزایش منافع اقتصادی برای ذینفعان از جمله مشتریان سیستم منجر شود. بنابراین، تجزیه و تحلیل دادههای بزرگ به عنوان پایهای برای بهینهسازی تمام فناوریهای شبکه هوشمند فعلی و آتی تلقی می شود.
از مهمترین چالشهای پیش رو، حجم انبوه دادهها، عدم قطعیت دادهها، حفظ امنیت دادهها و طبقهبندی سطح محرمانگی، ارزیابی یکپارچگی، صحتسنجی اطلاعات و سنکرونسازی و همزمانی، روشهای تحلیل و پردازش آنها و به روز نبودن سازوکارهای صنعت برق میباشد.
کاربردهای کلان داده در شبکه هوشمند:
- مدیریت انرژی: جریان دو طرفه انرژی و اطلاعات در شبکه هوشمند، فرصتهایی را برای مصرفکنندگان در مقیاس کوچک، تولیدکنندگان انرژی و اپراتورهای سیستم توزیع فراهم میکند تا در مدیریت شبکه و حوزههای مرتبط با آن مشارکت فعال داشته باشند.
مفهوم اساسی و جدید سیستمهای مدیریت انرژی از راهدور این است که کاربران عمومی بدون دانش خاصی بتوانند مصرف انرژی توزیع شده را کنترل و نظارت کنند. این مسئله بر اساس دادههای جمعآوری شده توسط کنتورهای هوشمند راحتتر عملی خواهد شد. این اطلاعات به مالکین کمک میکند تا میزان انرژی مصرف شده را کاهش داده و در نتیجه هزینههای انرژی را کاهش دهند.
مدیریت پیشرفته انرژی و استفاده بهتر از منابع انرژی، از کلیدیترین موضوعات برای رشد اقتصادی کشور هستند.
نتایج دادهکاوی در مبحث مدیریت انرژی منجر به کشف و اصلاح الگوهای مصرف انرژی، مدیریت پاسخ به تقاضا، توزیع اقتصادی و بهینه بار، مدیریت خاموشی، مدیریت تلفات، مدیریت داراییهای صنعت برق، ارزیابی و مدیریت ریسک و بحران، اصلاح تعرفههای برق، خلق شرکتهای فروشنده انرژی، بهبود اقتصاد برق و نهایتاً برقراری عدالت اجتماعی خواهد شد.
- بهبود قابلیت اطمینان و پایداری شبکه هوشمند: ترکیب دادههای GIS و آب و هوایی با اطلاعات قطعی برق و رخدادها میتواند با مدلسازی و پیشبینی وقایع احتمالی، قابلیت اطمینان شبکه را بالاتر ببرد. تشخیص ناپایداریهای ولتاژ، پیشبینی حالتهای گذرای شبکه، تخمین حالت سیستم، پیشبینی ناپایداریهای گذرا و دائم میتواند از نتایج تحلیل دادههای سری زمانی کنتورهای هوشمند باشد.
- نمایش بصری داده (Visualization): نمایش بصری پیشرفته یکی از حوزههای کاربردی و کلیدی تجزیه و تحلیل دادههای بزرگ است که میتواند ارزیابی کلی شبکههای هوشمند را بهبود بخشد. تجزیه و تحلیل دادههای بزرگ با فناوری های نمایش بصری، برای نظارت بر وضعیت سیستم قدرت در زمان واقعی و همچنین اطلاعات دقیق از اتصال به شبکه استفاده میشود.
- تخمین حالت و پارامترها: تخمین پارامترها و حالت برای برنامهریزی، بهرهبرداری و کنترل سیستم قدرت ضروری است. تخمینها برای چندین برنامه از جمله برنامهریزی منابع عملیاتی، نظارت بر سیستم در زمان واقعی و طراحی کنترل انعطافپذیر در برابر حملات سایبری و یا فیزیکی استفاده میشود. در دسترس بودن حجم عظیمی از دادهها در چارچوب شبکه هوشمند، چالشها و همچنین فرصتهایی را برای برآورد وضعیت فراهم میکند. با توجه به در دسترس بودن مجموعه دادههای بزرگ از سنسورهای مختلف و دستگاههای هوشمند در سراسر شبکه، سیستم قابل مشاهدهتر خواهد بود و در نتیجه تخمین وضعیت بهتر و دقیقتری خواهد داشت. از طریق تخمین وضعیت بهبودیافته که با استفاده از دادههای بزرگ محقق میشود، میتوانیم اقدامات اصلاحی را در برابر مجموعهای از موارد احتمالی از پیش تعریفشده انجام دهیم و در نتیجه قابلیت اطمینان سیستم بالاتر خواهد رفت.
- شناسایی حملات سایبری فیزیکی: از آنجایی که شبکه هوشمند یک زیرساخت حیاتی است، هرگونه آسیبپذیری سایبری یا فیزیکی میتواند منجر به تأثیرات گسترده شود. ادغام تجزیه و تحلیل دادههای بزرگ فرصتی عالی برای شناسایی به موقع چنین حملات مخرب و جلوگیری از آسیبهای بزرگ به سیستم فراهم میکند. همچنین نتایج تحلیل، جهت طراحی امنتر اجزاء سیستم، بسیار کارآمد خواهد بود.
از سایر نتایج دادهکاوی میتوان به موارد زیر اشاره نمود:
- تشخیص ناهنجاریها (برق دزدیها، استخراج غیرقانونی رمز ارز، چاههای کشاورزی غیرمجاز و غیره)
- پیشبینی بار مصرفی
- تجزیه و تحلیل و پیشبینی حالت پایداری گذرا و دائمی
- ارزیابی وضعیت ترانسفورماتورها
- ارزیابی و بهبود کیفیت توان
- شناسایی توپولوژی شبکه
- پیشبینی تولید برای منابع انرژیهای تجدیدپذیر
- نگهداری و تعمیرات بهینه
- ارزیابی و اصلاح الگوی مصرف
- تفکیک بار مصرفی مشترکین
- تشخیص تلفات غیر فنی
- پیشبینی قطعیهای خط انتقال
- تحلیل و پیشبینی رخدادها
نمونه ای از نتایج دادهکاوی در شرکت بهینهسازان توس بر روی دادههای کنتورهای هوشمند منصوبه در کشور و ترکیب آن با دادههای هواشناسی و GIS در عکسهای زیر نمایش داده شده است:
پیشنهاد هایی برای آینده:
جهت دستیابی به تحلیلهای دقیقتر و کاربردیتر، باید دادههای شبکه هوشمند را با سایر منابع داده (مانند آب و هوا، ترافیک، اطلاعات سازمان آب، صنعت نفت و گاز، رسانههای اجتماعی و غیره) ترکیب نمود که نتایج آن میتواند به ارزیابی وابستگی زیرساختهای حیاتی به شبکههای برق کمک کند. همچنین هابهای داده باید ایجاد شوند و به راحتی در دسترس باشند تا ارتباط این منابع دیتا را راحتتر فراهم کرده و انعطافپذیری این زیرساختها را پیش ببرند. اگر برنامههای شبکه برق آینده از مجموعه این دادههای بزرگ ناهمگن استفاده کنند، میتوان اطلاعات پنهان حیاتی را کشف کرد، که با استفاده تنها از اندازهگیریهای الکتریکی امکانپذیر نیست.
همچنین با رشد سیستم هوشمند، بر تنوع و حجم دادهها نیز افزوده خواهد شد و لذا باید برای کشف اطلاعات پنهان و ارتباط دادهها با یکدیگر، از الگوریتمهای پیشرفتهتر هوشمصنوعی استفاده نمود.
برای صنعت برق کشور که به دنبال اجرای راهحل کلانداده است، ایجاد یک مدل کسب و کار ساختار یافته برای تحقق اهداف اقتصادی و الزامات همه ذینفعان ضروری است. از آنجایی که موفقیت تجزیه و تحلیل دادههای بزرگ در صنعت برق مشروط به مشارکت فعال شرکتهای برق میباشد، مشترکین و اپراتورهای سیستم، شناسایی مسیرهای درآمدی و توسعه مدلهای کسب و کار مناسب برای موفقیت استقرار کلاندادهها در شبکه هوشمند حیاتی هستند. مهمتر از آن، هزینههای مربوط به پردازش کلانداده برای همه ذینفعان باید در میان سهامداران گستردهای که شامل سیاستگذاران، وزارت نیرو و توانیر، شرکتهای آب و برق و مصرفکنندگان است، توجیه و پذیرفته شود. بنابراین، تحقیقات آتی باید بر مطالعات فنی-اقتصادی کلانداده برای شرکتهای برق، اپراتورهای سیستم و مشتریان متمرکز شود.
نویسنده: منا کاهانیان