چگونه هوش مصنوعی به تضمین امنیت و قابلیت اطمینان زیرساخت انرژی ایالات متحده کمک می کند

دانشمندان آرگون از قدرت هوش مصنوعی برای تغییر تعمیر و نگهداری دارایی شبکه برق استفاده می‌کنند و به شرکت‌های انرژی ایالات متحده کمک می‌کنند تا مشکلات را قبل از وقوع شناسایی و رسیدگی کنند.

نیاز آمریکا به انرژی هرگز بیشتر از این نبوده است و به رشد خود ادامه می دهد – و پرونده های اخیر با کمیسیون تنظیم مقررات انرژی فدرال نشان می دهد که برنامه ریزان شبکه انتظار دارند تقاضا در پنج سال آینده نزدیک به 5 درصد رشد کند. برای برآوردن نیازهای انرژی در آینده، شرکت‌های انرژی باید با حفظ زیرساخت‌های موجود، نیروگاه‌های جدیدی را راه‌اندازی کنند.

منابع انرژی تجدیدپذیر – مانند باد، خورشیدی و برق آبی – نقش فزاینده ای خواهند داشت. ایالات متحده قصد دارد تا سال 2050 44 درصد از انرژی خود را از منابع تجدیدپذیر تولید کند که بیش از دو برابر انرژی تولید شده در حال حاضر توسط این فناوری های جدید است.

انتظار می رود انرژی خورشیدی 22 درصد انرژی ما را تامین کند و 14 درصد دیگر از باد تامین می شود. ادغام این منابع انرژی جدید در شبکه مستلزم نصب صدها میلیون اینورتر است که همه آنها نیاز به تعمیر و نگهداری دارند.

در همان زمان، بخش‌هایی از شبکه موجود منسوخ شد و شروع به شکست کرد. میانگین سنی تاسیسات برق آبی در ایالات متحده بیش از 70 سال است. بسیاری از آنها به پایان عمر خود نزدیک می شوند و نیاز به بازرسی و نگهداری گسترده دارند. وضعیت خطوط برق، شبکه‌ها و خطوط لوله گاز آمریکا حتی نگران‌کننده‌تر است. انجمن مهندسین عمران آمریکا در سال 2021 به این سیستم ها درجه C- داد.

نظارت و حفظ سلامت این گروه متنوع از دارایی های انرژی در سنین مختلف برای اطمینان از قابلیت اطمینان و امنیت شبکه برق ما حیاتی است. با این حال، شرکت های برق ممکن است ندانند که مشکلی در تجهیزات آنها وجود دارد تا زمانی که چیزی خراب شود.

محققان آزمایشگاه ملی آرگون در وزارت انرژی ایالات متحده برای رفع این نیاز وارد عمل شده اند. آنها با همکاری نزدیک با شرکت های انرژی در سراسر بخش انرژی، از نیروگاه های برق آبی قدیمی گرفته تا تاسیسات خورشیدی عظیم، روشی را تغییر می دهند که شرکت ها به نگهداری زیرساخت های انرژی کشور و دارایی های انرژی پاک می پردازند.

محققان Argonne با استفاده از آخرین فناوری هوش مصنوعی (AI)، برنامه‌ای با هوش مصنوعی توسعه داده‌اند که می‌تواند زمان خرابی اجزای شبکه را پیش‌بینی کند. این سیستم مقادیر زیادی از اطلاعاتی را که شرکت‌های انرژی از حسگرهای نصب شده در سراسر شبکه جمع‌آوری می‌کنند، تجزیه و تحلیل می‌کند و یک مدل پیش‌بینی‌کننده ایجاد می‌کند که فرسودگی و پارگی را در طول زمان پیش‌بینی می‌کند. در نهایت، نرم افزار می تواند زمان تعمیر یا تعویض قطعات را قبل از بروز هر گونه مشکل توصیه کند.

فنگ کیو، رئیس گروه مدل‌سازی شبکه پیشرفته در Argonne که این تحقیق را رهبری می‌کرد، گفت: «شرکت‌ها می‌خواهند سلامت دارایی‌های خود را بدانند. مدل‌های پیش‌بینی ما که از اطلاعات نظارت بر شرایط استفاده می‌کنند، می‌توانند به آن‌ها بگویند که تجهیزاتشان چقدر عمر مفید باقی‌مانده است – چند سال، ماه و هفته باقی مانده است.»

شیجیا ژائو، دانشمند سیستم های قدرت در Argonne که نقش مهمی در این تحقیق ایفا کرد، توضیح می دهد که رویکرد آنها فراتر از استراتژی های تعمیر و نگهداری واکنشی سنتی است. ما به جای منتظر ماندن برای از کار افتادن تجهیزات، از هوش مصنوعی برای شناسایی فعالانه مشکلات احتمالی و برنامه‌ریزی تعمیر و نگهداری به موقع استفاده می‌کنیم و در زمان و هزینه شرکت‌های انرژی صرفه‌جویی می‌کنیم.»

در قلب این رویکرد نوآورانه، توانایی تخمین زیرساخت ها و سلامت دارایی ها، پیش بینی خطرات خرابی و انطباق تصمیمات تعمیر و نگهداری بر اساس داده های دنیای واقعی فعلی است. با حرکت از مدل‌های آزمایشگاهی به داده‌های جمع‌آوری‌شده در میدان، محققان Argonne نشان داده‌اند که این فناوری چقدر برای تامین‌کنندگان انرژی مفید است.

در پروژه‌ای که شامل اینورترهای خورشیدی بود، تیم نشان داد که می‌تواند کل هزینه‌های نگهداری را بین ۴۳ تا ۵۶ درصد، بازدیدهای غیرضروری خدمه را بین ۶۰ درصد تا ۶۶ درصد کاهش دهد و سود را بین ۳ تا ۴ درصد افزایش دهد.

چیو گفت: «هدف ما این است که ابزارهایی را برای تامین‌کنندگان انرژی فراهم کنیم تا از یک شبکه قابل اعتماد و انعطاف‌پذیر برای سال‌های آینده اطمینان حاصل کنند. با استفاده از این فناوری، شرکت ها می توانند تصمیمات آگاهانه ای در مورد زمان و نحوه تعمیر یا جایگزینی تجهیزات بگیرند و در نهایت کارایی، امنیت و قابلیت اطمینان زیرساخت انرژی آمریکا را افزایش دهند.

مزایای این تحقیق فراتر از صرفه جویی در هزینه و افزایش بهره وری است. با کاهش زمان خرابی و پرداختن به مسائل تعمیر و نگهداری قبل از تشدید آنها، ارائه دهندگان انرژی می توانند قابلیت اطمینان و انعطاف پذیری شبکه را افزایش دهند، عواملی حیاتی در عصر افزایش تقاضای انرژی و چشم انداز انرژی در حال تحول.

قدرت و مقیاس مدل‌های بهینه‌سازی و پیش‌بینی مبتنی بر هوش مصنوعی به این معنی است که می‌توانند تعمیر و نگهداری را در سطح شبکه بهبود بخشند. چیو گفت: «این برای روشن نگه داشتن چراغ ها ضروری است.

با نگاهی جامع به شبکه برق – از نیروگاه‌ها گرفته تا خطوط برق – مدل‌ها می‌توانند خرابی‌ها را در کل شبکه‌ای که برق را از جایی که تولید می‌شود به جایی که مصرف می‌شود تولید و انتقال می‌دهد، پیش‌بینی کنند.

در ایالات متحده بیش از 240000 خط انتقال فشار قوی و 50 میلیون ترانسفورماتور وجود دارد. اکثر ترانسفورماتورهای بزرگ و گران قیمت به پایان عمر خود نزدیک می شوند. حدود 70 درصد از آنها 25 سال یا بیشتر در خدمت بوده اند. افزایش بار و ادغام نوسان انرژی‌های تجدیدپذیر، شبکه برق قدیمی را به حد نهایی رسانده است.

به همین دلیل است که Argonne یک ابزار مدیریت سلامت دارایی را برای اپراتورها فراهم می کند. این به اطمینان از قابلیت اطمینان و امنیت شبکه برق ما در آینده کمک خواهد کرد. اما با ارائه شرکت‌های کوچک انرژی با فناوری پیشرفته مشابه شرکت‌های بزرگ‌تر، زمینه بازی را هموار می‌کند.

تیم Chiu به سرعت اشاره می کند که این تحقیق بدون همکاری نزدیک با شرکای آنها در صنعت انرژی ممکن نبود. لیست طولانی شرکا شامل شرکت های انرژی و همچنین نمایندگانی از حوزه های انرژی آبی، انرژی خورشیدی، انرژی امواج و دانشگاه ها مانند دانشگاه ایالتی وین و دانشگاه ایالتی آیووا است.

ژائو خاطرنشان کرد: “تحقیق ما نشان دهنده تلاش مشترک بین دانشمندان، مهندسان و شرکای صنعت است.” “ما با هم در حال ایجاد تغییرات مثبت و شکل دادن به آینده تعمیر و نگهداری شبکه برق هستیم.”