تا سال 2020، 102.9 میلیون کنتور هوشمند – دستگاههایی که مصرف برق، ولتاژ و جریان را به مصرفکنندگان و اپراتورهای شبکه ثبت و انتقال میدهند – در ایالات متحده نصب شدهاند.
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.
در حالی که استانداردهای انرژی جمعآوری و ذخیرهسازی دادهها در مقیاس بزرگ را امکانپذیر کردهاند، به حداکثر رساندن این دادهها برای کاهش هزینهها و تقاضای مصرفکننده تمرکز مداوم تحقیقات انرژی بوده است.
از آنجایی که انتظار میرود تعداد کنتورهای هوشمند و تقاضای انرژی تا سال 2050 50 درصد افزایش یابد، میزان دادهای که این کنتورهای هوشمند تولید میکنند نیز افزایش خواهد یافت.
با ارائه یک پلت فرم نرم افزاری یکپارچه برای آموزش و اعتبارسنجی مدل های یادگیری ماشین، GridDS به بهبود بهره وری منابع انرژی توزیع شده، مانند کنتورهای هوشمند، باتری ها و واحدهای فتوولتائیک خورشیدی کمک می کند.
GridDS همچنین برای بهرهبرداری از زیرساختهای اندازهگیری پیشرفته، دادههای سیستمهای مدیریت خاموشی، جمعآوری دادههای کنترل نظارتی و سیستمهای اطلاعات جغرافیایی برای پیشبینی تقاضای انرژی و شناسایی خرابیهای اولیه شبکه طراحی شده است.
GridDS دارای یک کتابخانه نرم افزاری ماژولار و قابل تعمیم پایتون برای این جریان های چندگانه داده است. در انطباق با مجموعه دادههای نامتجانس ثبتشده توسط دستگاههای مختلف، GridDS طیفی از قابلیتهای منحصربهفرد را ارائه میکند که در حال حاضر در سیستمهای مدیریت توزیع پیشرفته فعلی پیادهسازی نشدهاند، که تمایل دارند زیرساختهای نرمافزاری بسیار خاصی از نظر طراحی داشته باشند.
نقل قول: یک جعبه ابزار منبع باز و علم داده برای مهندسان قدرت و داده (2022، 3 اوت) بازیابی شده در 3 اکتبر 2022 از
“ما دریافته ایم که محققان بهتر است چندین رویکرد را امتحان کنند تا ببینند چه چیزی بهترین کار را انجام می دهد. با GridDS، می توانید تغییرات کوچکی در طراحی کارها، مانند افق یا تاریخچه در یک رگرسیون خودکار ایجاد کنید، یا مدل های یادگیری ماشین را بین مجموعه داده ها حمل کنید، که این امکان را فراهم می کند. انتقال یادگیری و اعتبارسنجی مدل گستردهتر. GridDS میتواند رویکردهای کلی را اتخاذ کند، آنها را برای وظایف انرژی بسیار خاص اعمال کند و عملکرد آنها را ارزیابی و تایید کند.
Vaibhav Donde، سرپرست برنامه زیرساخت انرژی، گفت: “آزمایشهای قبلی نشان دادهاند که وقتی نوبت به استفاده از بهترین مدل یادگیری ماشین برای یک مشکل انرژی داده میشود، یک کفش برای همه مناسب نیست. هر سناریو متفاوت است و زمینه کلیدی است.” نوسازی.
ایندرا چاکرابورتی محقق اصلی و دانشمند داده در مرکز آزمایشگاهی علمی کاربردی گفت: “تاکنون هیچ پلتفرم منبع باز مدل های یکپارچه سازی داده یا یادگیری ماشینی ارائه نکرده است. چند پلتفرم موجود اختصاصی بوده و در دسترس جامعه تحقیقاتی گسترده تر نبوده است.” محاسبات (CASC). GridDS به عنوان یک ابزار منبع باز، در را به روی دانشمندان داده و نیرو در همه جا باز می کند که روی این چالش ها کار می کنند و می خواهند از این داده ها حداکثر استفاده را ببرند.
برای کمک به استفاده بیشتر از همه این داده ها، یک تیم آزمایشگاه ملی لاورنس لیورمور (LLNL) GridDS را توسعه داده است – یک ابزار منبع باز و علم داده برای مهندسان قدرت و داده که زیرساخت ذخیره سازی و تقویت داده انرژی یکپارچه را فراهم می کند. همچنین مجموعه ای انعطاف پذیر و جامع از پیشرفته ترین مدل های یادگیری ماشینی.