מסגרת בינה מלאכותית היברידית לזיהוי הפרעות באיכות החשמל ברשת החשמל

מדוע בריאות החשמל שלכם חשובה

רובנו מצפים שהחשמל משקע הקיר יהיה חלק ויציב, ויספק שקט תעשייתי מהמטענים של הטלפון ועד רובוטים במפעל. במציאות, המתח והזרם ברשתות מודרניות נוטים להתנודד, לשקוע ולשבש כאשר פאנלים סולאריים, מכשירים אלקטרוניים וציוד כבד מתחברים ומתנתקים. התקלות הקטנות והתכופות הללו, המכונות הפרעות באיכות החשמל, עלולות לחמם יתר על המידה ציוד, לבלבל בקרים דיגיטליים ולקצר את חיי התקנים רגישים. המחקר הזה מסביר כיצד כלי בינה מלאכותית היברידי יכול לזהות במהירות ולמיין הפרעות אלה, אפילו כאשר כמה מהן מתרחשות בו-זמנית, ובכך לעזור לשמור על אור ופונקציונליות המכשירים.

תקיעות נסתרות בחשמל היומיומי

החשמל אמור לעקוב אחר גל סינוסי חלק בתדירות קבועה. בפועל הוא מוסט כל העת על ידי רכיבים לא-ליניאריים כגון מפסקי מהירות משתנה, מטעני טלפון ואלקטרוניקה להספק במערכות מתחדשות. אלה מייצרים סוגי הפרעות שונים, כמו שקיעות שבהן המתח יורד לרגע, התנפחויות שבהן הוא עולה, מהירות הרטט שגורמת לנורות לנצנץ, טרנזיינטים חדים ותדירויות הרמוניות נוספות שמחוספסות את צורת הגל. כאשר אירועים אלה חופפים — למשל שקיעה בשילוב הרמוניקות או מספר סוגים המתקיימים יחד — כלים מסורתיים של ניטור מתקשים להבחין ביניהם. עם זאת, זיהוי השילוב המדויק חיוני כדי להחליט האם המקור הוא מכשיר פגום, תקלה ברשת או בעיית תכנון.

הפיכת אותות מבולגנים לטביעות אצבע מועילות

המחברים בונים את המערכת בשלבים כך שכל צעד מזקק את האות הגולמי למידע ברור יותר. ראשית הם מיישמים עדשה מתמטית הנקראת טרנספורם סטוקלו, שמראה כיצד התוכן התדירתי של אות המתח משתנה לאורך זמן. זה יוצר מפה זמן-תדירות המדגישה, למשל, התפרצויות קצרות של רעש בתדר גבוה מטרנזיינט או רכסים חוזרים מהרמוניקות. מהמפות הללו הם מחשבים תיאורים מספריים פשוטים כגון הספק ממוצע, ערכי שיא ומדדי צורה. כדי למנוע מהאלגוריתם הלומד לטבוע במידע מיותר, הם מפעילים בדיקת כי-בריבוע, מסנן סטטיסטי ששומר רק על התכונות שהן הקשורות ביותר להבדלים בין סוגי ההפרעות.

לימוד בינה מלאכותית מבוססת-זיכרון לזהות דפוסים

התכונות הנבחרות האלה הופכות לקלט לרשת זיכרון לטווח ארוך (LSTM), סוג של רשת נוירונים חוזרת שיכולה להתמודד היטב עם רצפים. בניגוד לדגמים פשוטים שבודקים כל רגע בנפרד, לרשת זו יש זיכרון פנימי שניצב כיצד ההפרעה מתפתחת לאורך זמן. החוקרים מאמנים אותה על 18 מחלקות של אותות, כולל פעולה תקינה, שישה סוגי הפרעה בודדים, ורבות של שילובים כפולים, משולשים ואפילו מרובעים. הם מייצרים 18,000 אותות לדוגמה באמצעות נוסחאות סטנדרטיות וסימולציות מפורטות של שתי מערכות עזר סטנדרטיות הידועות כ-IEEE 9 bus ו-33 bus. כדי להפוך את המבחן לריאליסטי, הם גם מוסיפים רמות שונות של רעש אקראי, המדמות את תנאי העשייה של הרשתות האמיתיות.

יישום השיטה ברשתות וירטואליות ובזמן אמת

לאחר האימון, המערכת ההיברידית נבחנת בכמה אתגרים. על אותות סינתטיים היא מסווגת נכון את רוב המקרים, עם דיוק מעל 99 אחוז בהפרעות בודדות ועדיין מעל 96 אחוז כאשר ארבע בעיות שונות מתרחשות בו-זמנית ויש רעש. המחברים עוברים מעבר לסימולציה טהורה על ידי יצירת הפרעות במודלים תוכנתיים מפורטים ובפלטפורמת חומרה בלולאה הנקראת OPAL-RT, אשר מריצה מודלים של רשת בזמן אמת. במבחנים התובעניים האלה השיטה עדיין משיגה כ-99 אחוז דיוק ממוצע, ומצטיינת על פני רשת נוירונים מסורתית ומגוון טכניקות מוקדמות שדווחו בספרות. מהותי לכך, היא נותרת חסונה כאשר מושרים רעשי מדידה.

מה זאת אומרת למשתמשי חשמל יומיומיים

עבור האדם הממוצע, העבודה מצביעה על התקנים חכמים לניטור שיכולים לעקוב בשקט אחרי הרשת ולסמן במהירות לא רק שקיימת בעיה, אלא בדיוק איזה סוג של בעיה זו, אפילו כשהן מסובכות יחד. מפעילי תשתיות וצרכני אנרגיה גדולים יוכלו להשתמש בכלים כאלה כדי לעקוב אחרי התערובת ההולכת וגדלה של מתחדשים ועומסי אלקטרוניקה בלי להציף אותם בכמות עצומה של נתונים. אמנם השיטה עדיין מסתמכת על מערכי אימון גדולים ותצטרך להסתגל לסוגי הפרעה חדשים ככל שהרשתות יתפתחו, היא מראה כי שילוב של ניתוח אותות מתקדם עם בינה מלאכותית מבוססת זיכרון יכול לספק תמונה ברורה ומהימנה יותר של בריאות החשמל שלנו בזמן אמת.

ציטוט: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

מילות מפתח: איכות צריכת חשמל, רשת חשמל, בינה מלאכותית, ניתוח אותות, זיהוי הפרעות