سود:
- توانایی تشخیص اینکه هوش مصنوعی کجا ارزش واقعی را در گردش کار مهندسی سیستم های انرژی ایجاد می کند و اینکه کدام تصمیم باید به عهده مهندس باقی بماند.
- توانایی اعمال سه رشته لنگر که هر خروجی هوش مصنوعی را با ترتیب بزرگی، معقول بودن مهندسی و شواهد میدانی/اندازهگیری اعتبارسنجی میکنند.
- با شناخت خطرات عدم قطعیت، توهم، حریم خصوصی داده ها و امنیت شبکه و ناشناس کردن زمینه، عادت تنظیم اعلان های ایمن را به دست آورید.
مهندسی سیستم های انرژی با کسب و کاری سر و کار دارد که هرگز متوقف نمی شود. برق باید به محض تولید مصرف شود. اگر عرضه و تقاضا در هر ثانیه متعادل نباشد، فرکانس تغییر میکند، سیستمهای حفاظتی فعال میشوند و در بدترین حالت، منطقه وسیعی در تاریکی فرو میرود. به همین دلیل است که سیستم های انرژی حوزه ای هستند که حاشیه خطا در آن کم و نتایج آن زیاد است. هوش مصنوعی (AI؛ سیستمهای نرمافزاری که از الگوهای کلان دادهها یاد میگیرند و متن، تصویر یا اعداد را تولید میکنند) یک شتابدهنده عالی در این زمینه است: اسکن میلیونها رکورد متر در ثانیه، تبدیل پیشبینی آبوهوا به تولید، تشخیص نشانههای خاموش خرابی ترانسفورماتور. اما همین هوش مصنوعی می تواند همان عدم قطعیت را با زبانی مطمئن پنهان کند. این واحد دو پایه را ایجاد می کند که کل ماژول بر روی آنها ساخته می شود: در کجای جریان کار انرژی هوش مصنوعی ارزش واقعی تولید می کند و چگونه هر خروجی را تأیید می کنیم.
بیایید از همان ابتدا واضح بگوییم: هر تکنیکی که در این ماژول یاد می گیرید جایگزین امضا، اندازه گیری میدانی و قضاوت مهندسی یک مهندس قدرت واجد شرایط نیست. هوش مصنوعی یک دستیار است. سریع می خواند، سریع می نویسد، الگوها را می گیرد. اما اگر یک رله به درستی تنظیم نشده باشد، یک ترانسفورماتور بیش از حد بارگذاری شود، یک سیستم ذخیرهسازی به سمت گرما رفت، یا شبکه به دلیل یک خطای پیشبینی ناپایدار شود، مسئولیت بر عهده مهندس امضاکننده است، نه نرمافزار. شما دوباره این جمله را به اشکال مختلف در هر واحد از ماژول خواهید دید، زیرا این تنها حقیقت در مهندسی ایمنی- انتقادی است.
هوش مصنوعی کجا در جریان کار انرژی ایجاد ارزش می کند؟
هفته مهندس قدرت به طور کلی به سه نوع کار تقسیم می شود: آماده سازی داده ها (پاک کردن لاگ های SCADA، سازماندهی داده های متر، استانداردسازی واحد)، تجزیه و تحلیل و پیش بینی (پیش بینی بار، پیش بینی تولید، تشخیص ناهنجاری، بهینه سازی) و ارتباطات (گزارش، ارائه، پیشنهاد، برنامه نظارتی). هوش مصنوعی هر سه حوزه را لمس می کند، اما سهم و ریسک آن در هر کدام متفاوت است.
بیایید به طور خلاصه شرایط را روشن کنیم: SCADA (کنترل نظارتی و جمع آوری داده ها) سیستمی است که اندازه گیری های فوری را از نیروگاه و تجهیزات شبکه جمع آوری می کند و نظارت/کنترل از راه دور را ارائه می دهد. کنتور هوشمند یک کنتور برق است که میزان مصرف را اندازه گیری کرده و از راه دور معمولا در فواصل زمانی 15 دقیقه ای انتقال می دهد.
آماده سازی داده امن ترین و سودآورترین زمینه هوش مصنوعی است. پرچمگذاری نقاط پرت در هزاران خط خروجی متر، استاندارد کردن واحدهای ناسازگار (مانند مخلوط کردن کیلووات با کیلووات ساعت)، ترجمه یادداشتهای خطای متن آزاد به یک جدول ساختاریافته - اینها کارهای تکراری، مبتنی بر قوانین و با تأیید آسان هستند. حتی اگر در اینجا خطایی وجود داشته باشد، چند دقیقه طول می کشد تا به منبع (ضبط خام) برگردید و بررسی کنید.
حوزه تحلیل و پیش بینی دارای بالاترین ارزش و بالاترین ریسک است. هوش مصنوعی میتواند منحنی بار فردا، تولید ظهر یک نیروگاه خورشیدی یا تمایل یاتاقان توربین به خرابی را پیشبینی کند. این الگوهایی را نشان می دهد که چشم انسان ممکن است از قلم بیفتد. اما همین مدل میتواند با اطمینان الگویی را که وجود ندارد مطابقت دهد (این پدیده توهم نامیده میشود: مدل اطلاعاتی را تولید میکند که در واقع وجود ندارد، گویی واقعی است). در این زمینه، هوش مصنوعی یک فرضیه ساز است، نه یک تصمیم گیرنده.
در حوزه ارتباطات، هوش مصنوعی یک شتاب دهنده پیش نویس است. بخش روش یک گزارش امکانسنجی، یک خلاصه نظارتی یا ایمیل مشتری را در عرض چند دقیقه پیشنویس میکند. خطر در اینجا این است که یک قانون ساخته شده یا یک شماره اشتباه می تواند بدون توجه در متن جاری امضا شود.
انضباط اعتبارسنجی: قانون سه لنگر
قلب این ماژول یک عادت واحد است: اینکه هیچ خروجی هوش مصنوعی را بدون تأیید اعتبار در یک تصمیم مهندسی وارد نکنید. ما اعتبار سنجی را بر اساس سه لنگر مستقل قرار می دهیم.
لنگر اول - مرتبه قدر. آیا نتیجه تقریباً در محدوده توان مورد انتظار 10 است؟ مصرف سالانه یک محل سکونت معمولاً به ترتیب هزاران کیلووات ساعت است. اگر مدل برای فلت 5 میلیون کیلووات ساعت می دهد، خطای واحد یا ویرایش وجود دارد و بدون پرداختن به جزئیات می توان آن را فهمید. توان یک ترانسفورماتور توزیع از صدها کیلوولت آمپر تا چندین مگاولت آمپر متغیر است. 500 مگاولت آمپر برای ترانسفورماتور محله مسخره است. این بررسی چند ثانیه طول می کشد و اکثر خطاها را می گیرد.
لنگر دوم - معقول بودن مهندسی. آیا خروجی با فیزیک و منطق تجاری سیستم سازگار است؟ برای اینکه نیروگاه خورشیدی در شب تولید کند، باری که مصرف منفی را نشان دهد (در صورت عدم تولید)، برای باتری که راندمان بالای 100 درصد داشته باشد، قوانین فیزیک را نقض می کند. صرفه جویی در انرژی، محدودیت های ضریب توان، رتبه بندی تجهیزات - اینها فیلترهای معقولی هستند که هر خروجی باید از آنها عبور کند.
لنگر سوم - اندازه گیری/شواهد میدانی. این قوی ترین لنگر است. اندازه گیری متر، داده های تولید واقعی، بازرسی میدانی. پیش بینی بار با مصرف واقعی مقایسه می شود. پیشبینی شکست با بازرسی میدانی و اندازهگیری ارتعاش آزمایش میشود. حقیقت زمینی همیشه برنده است. مهم نیست که مدل چقدر مطمئن صحبت می کند، اندازه گیری در ترمینال حرف آخر را می زند.
نکته: سه لنگر را مانند یک چک لیست به خاطر بسپارید: "آیا ترتیب درست است؟ آیا فیزیک معقول است؟ اندازه گیری چه می گوید؟" این سه سوال بیشتر اشتباهات را در تجزیه و تحلیل انرژی قبل از امضای گزارش می گیرند.
سه مورد کوچک: با اعداد
مورد 1 - صرفه جویی در زمان در پاکسازی کنتور. یک تحلیلگر شرکت توزیع به صورت دستی داده های متری 15 دقیقه ای ماهانه را برای 1200 مشترک (تقریباً 2880 ردیف به ازای هر مشترک) پاکسازی می کرد. شکاف های ناشی از قطع ارتباط و ضبط های تکراری روزها طول می کشد. تشخیص خودکار شکاف و تکرار با تولید قوانین با پشتیبانی هوش مصنوعی؛ بصری رکوردهای علامت گذاری شده را تایید کرد. این فرآیند از تقریباً سه روز به نیم روز کاهش یافت و زمان صرفه جویی شده صرف تأیید اعتبار شد.
مورد 2 - توهم ضبط شده. هنگامی که یک کارورز از هوش مصنوعی میخواست مقررات توزیع منطقه را خلاصه کند، متن این جمله را شامل میشد: «طبق ماده 47 آییننامه، نیروگاهها باید در عرض 30 ثانیه با شبکه همگام شوند». چنین ماده ای وجود نداشت. این مدل عددی با ظاهر معقول اما ساختگی تولید کرده بود. عادت به بازگشت به سند مبدأ، خطا را قبل از امضا گرفت.
مورد 3 - خطای واحد. در یک محاسبه صرفه جویی انرژی، مدل توان (کیلووات) را با انرژی (کیلووات ساعت) اشتباه گرفت و مصرف 24 ساعته را با ضریب 24 دست کم گرفت. "آیا این ساختمان فقط 40 کیلووات ساعت در روز مصرف می کند یا 960 کیلووات ساعت؟" بررسی ترتیب بزرگی بلافاصله خطا را آشکار کرد. داده های صورتحساب محدوده 960 کیلووات ساعت را تایید می کند.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
نظر خود را در مورد بهره وری این نیروگاه و پیشنهاد بهبود.[data]
اعلان قدرتمند:
نقش شما: یک مهندس ارشد سیستم های انرژی. فقط بر اساس اعداد داده شده در مورد داده های زیر نظر دهید. - هیچ مقدار، بند قانونی یا فرضی را که در داده ها نیست اضافه نکنید. - در کنار هر نظر، ردیف/ستون داده ای را که بر اساس آن در پرانتز قرار داده اید، مشخص کنید. - برای هر نتیجه عددی، واحد را به وضوح بنویسید (kW یا kWh را مشخص کنید).
اعلان قوی سه چیز را بر مدل تحمیل می کند: چسبیدن به منبع، بیان واضح واحد، و اعتراف به عدم قطعیت. این توهم را به طور کامل پایان نمی دهد، اما آن را قابل مشاهده می کند.
چهار قالب قابل کپی
1) ایجاد زمینه ناشناس:
من به دنبال کمک در مورد تکلیف مهندسی سیستم های انرژی هستم. شرکت، نام فیلد، مختصات و اطلاعات مشتری محرمانه است. من آنها را با برچسب های نماینده مانند "Field-A"، "Feeder-3" می دهم. جستار: [پرسش]. فقط بر اساس داده های فنی که ارائه کردم؛ من جزئیات زیرساخت های حیاتی را نمی خواهم.
2) سه درخواست تأیید لنگر:
برای خروجی زیر سه بررسی انجام دهید و هر کدام را تحت عنوان جداگانه گزارش دهید: 1) ترتیب بزرگی: آیا هر عدد در محدوده مورد انتظار است؟ اگر نه، بررسی کنید. 2) منطقی بودن فیزیک/مهندسی: آیا صرفه جویی در انرژی، رتبه تجهیزات، منطق عملیاتی نقض شده است؟ 3) توصیه تأیید: چه اندازه گیری/شواهد میدانی این خروجی را آزمایش می کند؟
3) کنترل واحد و مفروض:
مرحله به مرحله محاسبه را در زیر بررسی کنید. واحد مورد استفاده در هر خط را بنویسید و تبدیل واحد را به وضوح نشان دهید (kW→kWh، MWh→GWh و غیره). فرضیات پنهان را در یک لیست جداگانه جمع آوری کنید. اگر نتیجه از نظر فیزیکی غیرممکن است، آن را به وضوح بیان کنید.
4) خلاصه تصمیم-پشتیبانی:
این تجزیه و تحلیل را به یک یادداشت تصمیم مهندسی تبدیل کنید: (الف) یافته، (ب) داده هایی که بر اساس آن است، (ج) عدم قطعیت/خطر، (د) قطعاتی که نیاز به تایید مجاز دارند. از زبان "توصیه برای تصمیم گیری" استفاده کنید نه "تصمیم گرفته".
جدول اصطلاحات پرکاربرد
مدت
شرح مختصر
بار
توان الکتریکی مصرف شده در یک لحظه خاص (کیلووات/مگاوات)
پیش بینی تقاضا
پیش بینی بار آینده
ضریب ظرفیت
نسبت انرژی تولید شده به انرژی که در صورت کارکرد مداوم با توان کامل تولید می شود
فرکانس
نرخ نوسان جریان متناوب شبکه (50 هرتز در ترکیه)، نشانگر تعادل عرضه و تقاضا
توهم
هوش مصنوعی اطلاعات ناموجودی را طوری تولید می کند که گویی واقعی است
سه لنگر
نظم + قابل قبول بودن فیزیک + رشته تأیید اثبات اندازه گیری
اشتباهات رایج
- اشتباه گرفتن تسلط با دقت فقط به این دلیل که متن صحیح است به این معنی نیست که اعداد صحیح هستند. در داده های انرژی، واحد و سفارش همیشه به طور جداگانه بررسی می شوند.
- نامشخص گذاشتن واحدها اشتباه بین کیلووات و کیلووات ساعت، مگاوات و مگاوات ساعت رایج ترین و گران ترین اشتباه در محاسبات انرژی است.
- به اشتراک گذاری داده های حیاتی همانطور که هست. SCADA و توپولوژی شبکه زیرساخت های حیاتی هستند. بدون ناشناس سازی به ابزار عمومی ارسال نمی شود.
- اشتباه گرفتن هوش مصنوعی در تصمیم گیری در تصمیمات حیاتی ایمنی، هوش مصنوعی توصیه هایی را ایجاد می کند. مهندس مجاز تصمیم و مسئولیت را بر عهده می گیرد.
- تکیه بر یک لنگر واحد. فقط "مدل امن به نظر می رسد" یا فقط بررسی رتبه کافی نیست. سه لنگر با هم استفاده می شود.
احتیاط: وارد کردن اطلاعاتی مانند توپولوژی شبکه، تنظیمات حفاظتی، یا مکانهای دارایی حیاتی در ابزار هوش مصنوعی، هم آسیبپذیری حریم خصوصی و هم امنیت سایبری است. چنین داده هایی فقط در سیستم های بسته تایید شده توسط موسسه پردازش می شوند.
به طور خلاصه
هوش مصنوعی زمان قابل توجهی را در تهیه داده ها، تجزیه و تحلیل/پیش بینی و ارتباطات در مهندسی انرژی صرفه جویی می کند. اما حوزه تحلیل و پیشبینی که دارای بالاترین ارزش است، بالاترین ریسک را نیز به همراه دارد. ستون فقرات این ماژول رشته ای است که هر خروجی را در برابر سه لنگر آزمایش می کند - مرتبه بزرگی، معقول بودن مهندسی، و شواهد اندازه گیری. هیچ تصمیم حیاتی ایمنی بدون تایید مهندس مجاز به خروجی هوش مصنوعی واگذار نمی شود.
وظیفه کاربردی
پیشبینی بار یا پیشبینی تولید را از محل کار خود (یا یک مثال باز) دریافت کنید. با استفاده از الگوی «سه درخواست اعتبارسنجی لنگر» در بالا، از هوش مصنوعی بخواهید که خروجی را تحت سه عنوان بررسی کند. سپس هر عنوان را با دست خود بررسی کنید: آیا ترتیب درست است، آیا فیزیک معقول است، با چه معیاری آن را آزمایش می کنید؟ حداقل یک مشکل را که پیدا کردید و اینکه چگونه آن را پیدا کردید در یک پاراگراف بنویسید.
چک لیست
- [ ] من کار را به عنوان آماده سازی / تجزیه و تحلیل / ارتباط طبقه بندی کردم و خطر آن را ارزیابی کردم
- [ ] من خروجی را به ترتیب بزرگی آزمایش کردم
- [ ] من خروجی را در مقابل قابلیت فیزیک و مهندسی آزمایش کردم
- [ ] من تعیین کرده ام که کدام اندازه گیری/شواهد میدانی تأیید می شود
- [ ] همه واحدها (کیلووات/کیلووات ساعت، مگاوات/مگاوات ساعت) را به وضوح بررسی کردم
- [ ] من داده های مهم/محرمانه را ناشناس کردم، جزئیات زیرساخت حیاتی را به اشتراک نگذاشتم
- [ ] اشاره کردم که تصمیم حیاتی ایمنی با تایید مهندس مجاز باقی می ماند