Hybrydowe podejście AI do identyfikacji zakłóceń jakości energii w sieci elektrycznej

Dlaczego stan zasilania ma znaczenie

Większość z nas oczekuje, że prąd z gniazdka będzie gładki i stały, cicho zasilając wszystko od ładowarek do telefonów po roboty przemysłowe. W praktyce napięcie i prąd w nowoczesnych sieciach często chwiejnie się zmieniają, opadają i nagle rosną, gdy dołączają panele słoneczne, urządzenia elektroniczne czy ciężkie maszyny. Te małe, lecz częste zaburzenia, nazywane problemami jakości energii, mogą przegrzewać sprzęt, dezorientować sterowniki cyfrowe i skracać żywotność urządzeń wrażliwych. W badaniu pokazano, jak hybrydowe narzędzie oparte na sztucznej inteligencji może szybko wykrywać i rozróżniać te zakłócenia, nawet gdy występuje kilka jednocześnie, pomagając utrzymać światła i elektronikę w bezpiecznym stanie.

Ukryte zawirowania w codziennej energii

Prąd powinien mieć gładki, sinusoidalny przebieg o stałej częstotliwości. W praktyce jest on ciągle wypychany z kursu przez nieliniowe urządzenia, takie jak napędy o regulowanej prędkości, ładowarki do telefonów czy elektronika mocy w systemach odnawialnych. Powoduje to różne rodzaje zaburzeń: zapady (sagi), gdy napięcie chwilowo spada; przepięcia (swells), gdy rośnie; migotanie powodujące drgania światła; ostre przejściowe stany (transienty) oraz dodatkowe harmoniczne, które szorstkością zaburzają przebieg. Gdy te zdarzenia się nakładają — na przykład zapad zharmonizowany z harmonicznymi lub kilka typów jednocześnie — tradycyjne narzędzia monitorujące mają trudności z ich rozróżnieniem. Tymczasem dokładne rozpoznanie kombinacji jest kluczowe do ustalenia, czy źródłem jest wadliwy sprzęt, usterka sieci czy problem projektowy.

Przekształcanie chaotycznych sygnałów w użyteczne odciski palców

Autorzy budują swój system etapami, tak aby każdy krok destylował surowy sygnał do bardziej przejrzystej informacji. Najpierw stosują przekształcenie Stockwella, matematyczną soczewkę pokazującą, jak zawartość częstotliwościowa sygnału napięcia zmienia się w czasie. To tworzy mapę czas‑częstotliwość, która uwypukla na przykład krótkie wybuchy wysokoczęstotliwościowego szumu od transientu lub powtarzające się pasma od harmonicznych. Z tych map obliczają proste deskryptory numeryczne, takie jak średnia moc, wartości szczytowe i miary kształtu. Aby nie zalać algorytmu uczącego niepotrzebnymi danymi, stosują następnie test chi‑kwadrat — filtr statystyczny, który zachowuje tylko cechy najsilniej związane z różnicami między typami zakłóceń.

Nauczanie pamięciowego AI rozpoznawania wzorców

Wybrane cechy stają się wejściem do sieci Long Short Term Memory, rodzaju rekurencyjnej sieci neuronowej dobrze radzącej sobie z sekwencjami. W przeciwieństwie do prostszych modeli analizujących każdą chwilę osobno, ta sieć utrzymuje wewnętrzną pamięć, która uchwyca, jak zakłócenie rozwija się w czasie. Badacze trenują ją na 18 klasach sygnałów, w tym pracy normalnej, sześciu pojedynczych typach zakłóceń oraz wielu kombinacjach podwójnych, potrójnych, a nawet poczwórnych. Generują 18 000 przykładowych sygnałów używając standardowych wzorów i szczegółowych symulacji dwóch wzorcowych systemów energetycznych znanych jako sieci IEEE 9‑bus i 33‑bus. Aby test był realistyczny, dodają także różne poziomy losowego szumu, naśladując chaotyczne warunki rzeczywistych sieci.

Wdrożenie metody w wirtualnych i rzeczywistoczasowych sieciach

Po treningu hybrydowy system zostaje wystawiony na kilka prób. Na sygnałach syntetycznych prawidłowo klasyfikuje większość przypadków, osiągając dokładność powyżej 99 procent dla pojedynczych zakłóceń i wciąż powyżej 96 procent, gdy jednocześnie występują cztery różne problemy w obecności szumu. Autorzy idą dalej niż czysta symulacja, generując zakłócenia w szczegółowych modelach programowych oraz na platformie hardware‑in‑the‑loop zwanej OPAL‑RT, która uruchamia modele sieci w czasie rzeczywistym. W tych wymagających testach metoda nadal osiąga około 99 procent średniej dokładności, przewyższając tradycyjną sieć neuronową oraz szereg wcześniejszych technik opisanych w literaturze. Co istotne, pozostaje odporna na wprowadzenie szumu pomiarowego.

Co to oznacza dla codziennych użytkowników energii

Dla przeciętnego użytkownika praca ta wskazuje drogę do inteligentniejszych urządzeń monitorujących, które mogą cicho obserwować sieć i szybko wskazać nie tylko, że pojawił się problem, lecz także jaki to rodzaj, nawet gdy kilka jest ze sobą splątanych. Operatorzy systemów i duzi odbiorcy energii mogliby korzystać z takich narzędzi do śledzenia rosnącej mieszanki odnawialnych źródeł i obciążeń elektronicznych, nie będąc przytłoczonymi danymi. Choć metoda nadal opiera się na dużych zbiorach treningowych i będzie musiała dostosowywać się do nowych typów zakłóceń wraz z ewolucją sieci, pokazuje, że połączenie zaawansowanej analizy sygnałów z pamięciowym AI może dostarczyć jaśniejszy i bardziej niezawodny obraz stanu naszego zasilania w czasie rzeczywistym.

Cytowanie: 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

Słowa kluczowe: jakość energii, sieć elektryczna, sztuczna inteligencja, analiza sygnałów, wykrywanie zakłóceń