طراحی نرم‌افزاری برای پیش‌بینی پایایی شبکه برق با ابزار هوش مصنوعی

    •••••  شنبه ۱۹ خرداد ۱۴۰۳ — ۰۸:۳۸ کد مطلب : 159821/a   

به گزارش تحلیل ایران به نقل از ایرنا، موضوع ارتباط دانشگاه‌ها با صنعت، یکی از موضوعات مهم در حیطه کاری وزارت علوم و معاونت پژوهشی این وزارتخانه و بهبود و افزایش ارتباط دانشگاه با صنعت به معنای نفوذ دانش روز و دستاوردهای دانشگاه و دانشگاهیان در صنایع کشور است.

این موضوع همیشه مهم و مورد تاکید وزارت علوم، تحقیقات و فناوری بوده و سیاست‌های مختلفی برای این امر در وزارت علوم طراحی و اجرا شده است که از طرح فرصت مطالعاتی اعضای هیات‌علمی دانشگاه‌ها و مراکز علمی در جامعه و صنعت تا اهمیت و لحاظ‌شدن موضوع ارتباط با صنعت و داشتن قراردادها با صنایع در آیین‌نامه‌های مختلف اعضای هیات‌ علمی شامل آیین‌نامه ترفیع و ارتقا و تبدیل وضعیت آنها را دربرمی‌گیرد.

حالا گروهی از محققان حوزه مهندسی برق در همکاری با صنعت برق کشور طرحی را به سرانجام رسانده‌اند که در هفته پژوهش سال گذشته نیز به عنوان پژوهش برتر شرکت توانیر معرفی شد.

 عضو هیات علمی دانشگاه صنعتی خواجه‌نصیرالدین طوسی، دانش آموخته کارشناسی، کارشناسی ارشد و دکتری به ترتیب از دانشگاه‌های علم و صنعت ایران و تهران در سال‌های ۱۳۷۳، ۱۳۷۶ و ۱۳۸۷ در رشته‌ مهندسی برق، دوره‌های پژوهشی را به ‌عنوان پژوهشگر و دانشگر دکتری و پسادکتری در کالج امپریال لندن، دانشگاه آلتو فنلاند و دانشگاه تهران گذرانده است.

زمینه‌های پژوهشی وی شامل محیط‌های (شبکه، خانه و شهر) هوشمند، کاربرد داده کاوی با هوش مصنوعی و یادگیری آماری در سیستم‌های انرژی، مهندسی توزیع انرژی الکتریکی (برنامه‌ریزی، طراحی، بهره‌برداری و اتوماسیون)، مدیریت دارایی‌های فیزیکی (نگهداری و تعمیرات) در توزیع انرژی الکتریکی، فناوری‌های نوپدید در بازار توزیع انرژی الکتریکی و کاربرد تئوری سیستم‌های پیچیده و آشوبناک در سیستم‌های انرژی است.

وی از بیست سال پیش به‌ عنوان مشاور و مدرس اتوماسیون توزیع، مدیریت دارایی‌ها، تحلیل هوشمند و آماری داده‌ها و مدیریت پژوهش با مجموعه های وزارت نیرو، شرکت توانیر، شرکت‌های توزیع انرژی الکتریکی، شرکت های برق منطقه ای و مراکز آموزش تخصصی آب و برق همکاری داشته و نویسنده (و هم‌نویسنده) مقالات علمی پژوهشی، مروری و آموزشی در مجلات و کنفرانس های مختلف بوده است.

نتیجه بخشی از این همکاری‌ها با شرکت‌ توزیع برق و توانیر برگزیده شدن یک طرح پژوهشی با عنوان تدوین دستورالعمل داده‌کاوی در حوزه بهره‌برداری و توسعه نرم‌افزارهای مربوطه است که با شماری از دانشجویان مقطع کارشناسی تا دکتری انجام داده و طرح برگزیده پژوهشی در هفته پژوهش ۱۴۰۲ شناخته شد.

 

طراحی نرم‌افزاری برای پیش‌بینی پایایی شبکه برق با ابزار هوش مصنوعی و داده‌کاوی

شناخت رفتارهای مشتریان شبکه برق با استفاده از داده‌

وی در گفت‌وگو با خبرنگار گروه علم و آموزش ایرنا در مورد تایخچه این طرح و شیوه اجرای آن با اشاره به اهمیت داده‌ها در شبکه‌های برق اظهار داشت: در ادبیات تخصصی مهندسی و مدیریت برق، داده‌کاوی بسیار مهم و پایگاه‌های داده‌ها معدن ارزشمندی تلقی می‌شوند که می‌توان با کاوش در آنها به اطلاعات و دانش‌ رسید.

فریدونیان در رابطه با سابقه فعالیت پژوهشی در این موضوع گفت: همزمان با تصویب قانون استقلال شرکت‌های توزیع از برق منطقه ای در سال ۱۳۸۶ دو محور کاری در معاونت نظارت بر توزیع برق تهران سابق و شرکت توزیع تهران بزرگ پیگیری شد؛ حرکت به سوی نگهداری و تعمیرات پیشگیرانه و توسعه سامانه‌های حوادث شامل مرکز تماس مشترکان برق ۱۲۱ و ثبت آن در نرم‌افزار داخلی اینوکس ENOX.

وی با اشاره به همکاری با این شرکت از سال ۱۳۸۶ افزود: در این دوره مستندات و تجربیات شرکت‌های خارجی در رابطه با سیستم‌های کامپیوتری مدیریت نگهداری و تعمیرات را مطالعه کرده و در جلسات هفتگی کمیته ارائه و دوره‌های آموزش و فرهنگ‌سازی نگهداری و تعمیرات پیشگیرانه را برای سطوح مدیریت میانی، مهندسان و تکنسین‌های شرکت ارائه می‌کردم.

وی در توضیح پیش‌بینی رفتار شبکه یا مشتری‌ها گفت: قدیمی‌ترین پیش‌بینی در صنعت برق، پیش‌بینی در بار مصرف الکتریکی در شبکه است. از آنجا که برق از جهت کالایی قابل ذخیره نیست. سیستم انرژی الکتریکی باید کاملا پیرو مشتری باشد و همین امر بهره‌برداری این سیستم را پیچیده و دشوار کرده است. به همین دلیل در تابستان کسری انرژی داریم. یکی از مسائل مهم شرکت‌های توزیع و برق منطقه‌ای این است که بتوانند بر مبنای اطلاعات آب‌وهوا، نوع روز هفته و دیگر داده‌های محیطی، میزان تقاضای برق شهر، شرکت یا کل کشور پیش‌بینی کنند.

فریدونیان گفت: این نوع از پیش‌بینی بر اساس داده‌ها از مدت‌ها قبل سابقه و هنوز رواج دارد. اما دو خانواده‌ دیگر از الگوسازی، شناسایی و پیش‌بینی رفتار پایایی (قابلیت اطمینان) تجهیزات و فیدرهای (خط تغذیه برق) شبکه و رفتار مصرفی فردی و جمعی مشترکان است که سابقه‌ آن به پس از ایجاد و توسعه سیستم‌های رایانه‌ای مدیریت نگهداری و تعمیر و نصب کنتورهای هوشمند؛ یعنی قریب به ۳۰ سال قبل می رسد.

استاد دانشگاه خواجه نصیر طوسی با اشاره به وجود تعداد قابل توجه نرم‌افزارها و پایگاه‌های داده‌ها در شبکه‌های خدمات عمومی شهری توزیع برق، آب و گاز ادامه داد: داده‌های ثبت‌شده حوادث و خرابی‌های شبکه برق می تواند در الگوسازی آماری یا هوش مصنوعی به کار گرفته شده از روی آنها مقادیر دو شاخص اساسی فراوانی (Frequency) و تداوم (Duration) خرابی در زمینه دانش پایایی سیستم‌ها مدل‌سازی و پیش‌بینی شود. فراوانی خرابی یعنی سیستم یا دستگاه چقدر زود به زود خراب می‌شود و تداوم (یا طول مدت) یعنی اینکه رفع خرابی یا بازیابی خدمت‌رسانی چقدر طول می‌کشد. در این طرح روی الگوسازی رفتار خراب و سالم بودن شبکه، یعنی دو شاخص فراوانی و تداوم، بر مبنای ثبت داده‌های حوادث شبکه کار کرده‌ایم.

وی افزود: البته این داده‌ها حتی امروز که به صورت ماشینی وارد می‌شوند، کم‌خطا نیستند و داده‌هایی که در دست داشتیم از جهت اصالت و دقت چندان پایایی (قابلیت اعتماد) بالایی نداشتند. با وجود این، الگوسازی و پیش‌بینی فراوانی و تداوم خرابی به صورت داده‌رانه، با استفاده از داده‌های این پایگاه‌های داده‌ها با دقت و کیفیت خوبی حاصل شده است.

فریدونیان با اشاره به دو روش در داده‌کاوی گفت: یادگیری آماری و یادگیری ماشینی دو روش در داده‌کاوی است که با داده‌های موجود و با استفاده از هر دو روش توانستیم الگویی برای توصیف رفتار شبکه ارائه دهیم. یافته‌های این پژوهش‌ها در مقالات کنفرانس و مجلات معتبر از جمله در انجمن مهندسان برق و الکترونیک (مانند این پیوند) منتشر شد.

 

طراحی نرم‌افزاری برای پیش‌بینی پایایی شبکه برق با ابزار هوش مصنوعی و داده‌کاوی

اهمیت نگهداری و تعمیرات در جلوگیری از قطع برق

استاد دانشگاه خواجه نصیر در ادامه به رویکرد داده‌رانه/ Data-driven در مبحث پایایی (قابلیت اطمینان) شبکه اشاره کرد و گفت: بعد از این مرحله و رسیدن به الگویی برای پیش‌بینی رفتار شبکه این سوال مطرح شد که الگوسازی و پیش بینی شاخص های پایایی فراوانی و تداوم در چه کاربردهایی می‌تواند به کار گرفته شود.

وی ادامه داد: مهم‌ترین فعالیت برای کاهش فراوانی قطع برق در شبکه‌های توزیع برق فعالیت نگهداری و تعمیرات است. در این فعالیت هم در زمینه توزیع در ایران دو رویکرد وجود دارد؛ با سرکشی‌ها و بازدیدهای دوره‌ای و لوازم پایش وضعیت، خرابی‌های پنهان را تشخیص داده و رفع کنیم. رویکرد دوم رفع خرابی در کوتاه‌ترین زمان، بعد از وقوع خرابی است. الگوی رفتاری اکتشاف شده با داده کاوی در پایگاه حوادث و خرابی های شبکه توزیع می توانست در برنامه ریزی موثرتر فعالیت های اصلاح و بهینه سازی شبکه و در برنامه ریزی بازدیدها و فعالیت های نگهداری و تعمیرات پیشگیرانه شبکه توزیع به کار گرفته شود.

فریدونیان گفت: در کمیته راهبری نگهداری و تعمیرات پیشگیرانه توزیع تهران بزرگ در سال های پایانی دهه ۱۳۸۰ رویکرد اول، یعنی نگهداری پیشگیرانه زمان‌پایه را توسعه داده و پیاده کردیم که البته بعدها به شکلی کامل تر و در سطح ملی در شرکت توانیر دستورالعمل‌های اجرایی آن تهیه و ابلاغ شد.

این کارشناس شبکه به بخش دیگری از این روند تحقیقاتی اشاره کرد و افزود: بعد از این مرحله، سوال دیگری مطرح شد که وقتی نگهداری تجهیزات به‌خوبی انجام می‌شود؛ انتظار داریم فراوانی قطع برق کاهش یابد. حالا اثربخشی انجام فعالیت‌های نگهداری و تعمیرات روی آمادگی یا دسترس پذیری و پایایی شبکه چقدر است؟ به عبارت دیگر، انجام نگهداری و تعمیرات به چه میزان فراوانی رخداد خرابی ها و مدت زمان تداوم خرابی‌ها را کاهش می دهد و کدام فعالیت های به صرفه تر است و بازگشت سرمایه بهتری دارد.

 

طراحی نرم‌افزاری برای پیش‌بینی پایایی شبکه برق با ابزار هوش مصنوعی و داده‌کاوی

 

تولید نرم‌افزار الگوسازی شاخص‌های پایایی خطوط برق

وی با اشاره به وسعت، عظمت و پیچیدگی شبکه توزیع برق تهران بزرگ گفت: این شبکه با داشتن بیش از چهار میلیون مشترک و یکهزار و پانصد فیدر (خط تغذیه) فشار متوسط در محدوده قریب به یکهزار کیلومتر مربع، بزرگ ترین شبکه توزیع خاورمیانه و یکی از بزرگ‌ترین شبکه های توزیع جهان است. با کنار هم گذاردن این اعداد می‌توان درجه پیچیدگی و حجم بالای فعالیت بازدیدهای پیشگیرانه نگهداری و تعمیرات را در شرکت توزیع تهران بزرگ درک کرد. تعداد زیادی خط تغذیه (فیدر) و پست توزیع باید در این مدت بازدید شود. بنابراین سوال این است که از کجا باید شروع و به کجا باید ختم شود، کدام بخش‌ها نیاز به بازبینی و تعمیر سریع‌تر دارد.

فریدونیان این سوالات را اینگونه پاسخ داد: معمولا در گذشته به دانش تخصصی محلی و خبرگی مهندسان و کارشناس‌ها متکی بوده‌اند، اما به تدریج شرکت هایی در کشور نرم افزارهای برنامه ریزی نگهداری و تعمیرات را توسعه دادند. امروزه، ترکیبی از خبرگی انسانی و تصمیم‌گیری بر اساس داده برای برنامه ریزی بازدیدهای پیشگیرانه استفاده می‌شود.

وی ادامه داد: در سال ۱۳۹۴ طرح تحقیقاتی پایلوتی با عنوان نگهداری و تعمیرات پایایی‌محور در شرکت توزیع برق تهران بزرگ با محوریت تحلیل داده ها و شناسایی فیدرهای بحرانی انجام شد. متعاقب آن در سال ۱۳۹۶ طرح دستورالعمل داده‌کاوی در شرکت های توزیع را به این شرکت پیشنهاد کردیم که پس از مدتی با عقد قرارداد با دانشگاه صنعتی خواجه نصیرالدین طوسی در سال ۱۴۰۰ تمام شد.

استاد دانشگاه خواجه نصیر گفت: در نهایت و در نتیجه این طرح یک دستورالعمل داده‌کاوی در شرکت های توزیع به سفارش توانیر به عنوان مبنایی برای انجام داده‌کاوی در شرکت‌ها و یک نرم‌افزار پایلوت (آزمایشی) الگوسازی و پیش بینی شاخص های پایایی (خرابی و تداوم) تهیه و تحویل شرکت توانیر شد.

وی ادامه داد: نرم‌افزار تحویلی ظرفیت‌ها و توانمندی‌های تحلیل داده‌ را به طور عملی برای پیش‌بینی تعداد خرابی‌ها در هر یک از قریب به ۱۵۰۰ فیدر (خط تغذیه) توزیع داشت. البته نرم افزار ابتدا برای چهار فیدر طراحی شده بود، ولی از آنجا که بهره بردار می‌خواست نرم افزار مربوطه همه فیدرهای تهران بزرگ را در بر بگیرد، باید آن را گسترش می‌دادیم. ابتدا قصد داشتیم از کمک همکاران پروژه ای برای یادگیری و توسعه نرم‌افزار از چهار فیدر به یکهزار و پانصد فیدر استفاده کنیم ولی دانشجوی دکتری و پژوهشگر این طرح (دکتر نیما سالک)، پیشنهاد استفاده از فناوری یادگیری ماشینی اتوماتیک (خودکار) را داد و با مطالعه کتابخانه های ابزارهای اتوامال، کار یادگیری داده های هزاروپانصد فیدر را انجام و نرم افزار نهایی را تحویل شرکت دادیم.

وی ادامه داد: علاوه بر استفاده از فناوری یادگیری اتوماتیک، استفاده از هوش مصنوعی در ارتقای کیفیت داده های در دسترس؛ مثلا تخمین عوامل با دقت بالاتر یا پیش بینی شاخص ها در آینده، در فرایند مدیریت نگهداری و تعمیرات در این طرح مهم بود که ذیل عنوان تصمیم گیری و تصمیم‌سازی داده رانه از آن یاد می‌شود. همچنین طی دو سال متوالی پیشنهاد (پروپوزال) به عنوان استاد راهبر در زمینه مدیریت نگهداری و تعمیرات زیرساخت‌های شهر هوشمند در طرح شهید احمدی روشن بنیان ملی نخبگان پذیرفته و در کنار پشتیبانی مالی هر سال ۱۴ نفر دانشجوی نخبه را در مقاطع تحصیلی مختلف و در رشته‌های برق، کامپیوتر، هوش مصنوعی، صنایع، انرژی، برنامهریزی شهری و فناوری اطلاعات برای کسب یک تجربه واقعی دنیای کار با پرداخت حق الزحمه دانشجویی به گروه پژوهشی معرفی و کارهای ارزشمندی با کمک آنها انجام شد.