تكتشف أداة الولايات المتحدة الذكية انحناء خط الكهرباء الخطير قبل أن تبدأ حرائق الغابات
قام باحثون في الولايات المتحدة ببناء أداة ذكية جديدة لديها القدرة على اكتشاف الظروف غير الطبيعية لشبكة الطاقة التي تؤدي إلى حرائق الغابات وتلف المعدات وانقطاع التيار الكهربائي على الفور. تم تطوير المنصة من قبل فريق بحث في مختبر أوك ريدج الوطني (ORNL) التابع لوزارة الطاقة في ولاية تينيسي. فهو يدمج الذكاء الاصطناعي (AI) لتحليل بيانات الشبكة بسرعة. وفقًا للعلماء، تستخدم هذه التقنية معالجة متقدمة للإشارات والتعلم الآلي لتحديد اضطرابات الشبكة الدقيقة التي غالبًا ما لا تلاحظها أنظمة المراقبة التقليدية. وبالتالي يمكنه تنبيه الأداة تلقائيًا إلى سلوكيات الشبكة الخطيرة التي تتطلب استجابة فورية. ويتم التحقق من صحتها باستخدام خمس سنوات من البيانات الميدانية التي جمعتها شركة جنوب كاليفورنيا إديسون (SCE)، وهي واحدة من أكبر مرافق الكهرباء في الولايات المتحدة. قال علي إكتي، دكتوراه، قائد مشروع ORNL: “كلما أدركنا ما يحدث بشكل أسرع، كلما تمكنا من الاستجابة بشكل أسرع”. اكتشاف تهديدات الشبكة يمكن للأداة اكتشاف سبعة أنواع من الأعطال الكهربائية، التي تؤدي إلى توليد تيار أو جهد غير طبيعي في الشبكة. بداية، يمكنه تحديد أخطاء القوس الكهربائي، والتي تحدث عندما تقفز الكهرباء عبر فجوة هوائية بين خط كهرباء وجسم آخر، مثل الأرض. نظرًا لأن هذه العيوب غالبًا ما تولد زيادات صغيرة فقط في التيار الكهربائي، فإنها يمكن أن تتجنب أجهزة الاستشعار التقليدية وتفشل في تشغيل قواطع الدائرة. وهذا يعني أن الأقواس الكهربائية الخطيرة قد تستمر لفترات طويلة، وبالتالي تزيد من خطر حرائق الغابات. يقوم نظام التحليلات الجديد الخاص بـ ORNL بمراقبة إشارات الشبكة بشكل مستمر. يقوم تلقائيًا بتنبيه المرافق بمجرد التعرف على الظروف غير الطبيعية. وأوضح إيكتي أن “هذه الأداة مصممة لتزويد المرافق بمسار مستمر من الإشارات إلى التحليلات إلى القرارات”. وفقًا للعلماء، تعتمد الأداة على التحليل المتقدم لبيانات الشكل الموجي، والتي تلتقط التغيرات في الجهد والتيار والتردد عبر الشبكة. نظرًا لأن أخطاء القوس غالبًا ما تكون دقيقة للغاية بحيث لا يمكن رؤيتها في تسجيلات الشكل الموجي الخام، فقد أنشأوا خوارزميات بمساعدة الذكاء الاصطناعي تعمل على تضخيم الإشارات الضعيفة وتسليط الضوء على الاضطرابات المخفية سابقًا. إثبات التقنية أثناء الاختبار باستخدام بيانات فائدة حقيقية، تمكن الفريق من زيادة رؤية إشارة الشكل الموجي من ستة بالمائة فقط إلى 72 بالمائة، باستخدام خوارزميات ORNL. سمح هذا للأداة بالكشف عن الأخطاء التي قد تظل غير مكتشفة. تم تدريب النظام الأساسي باستخدام بيانات من مكتبة توقيع أحداث الشبكة الخاصة بـ ORNL. يحتوي هذا المستودع القائم على الويب على أكثر من 5700 توقيع موجٍ تم جمعها من أحداث شبكة الطاقة. وبصرف النظر عن أخطاء القوس، يمكن للنظام أيضًا اكتشاف وتصنيف ست فئات أخرى من اضطرابات الشبكة. وتشمل هذه أخطاء التيار الزائد، وعمليات إعادة الإغلاق، والصمامات المنفوخة، والأعطال قصيرة العمر، وأحداث تبديل المكثف، وبدء تشغيل المحرك، بالإضافة إلى عمليات تبديل الخط. “إن الحصول على مزيد من التبصر في المعنى المحدد لهذه الإشارات سيسمح لنا بالتعامل مع قضايا مثل الانحناء بإحساس بالإلحاح، حتى نعرف متى نحتاج إلى إرسال طاقم من المستجيبين الأوائل إلى مكان الحادث في أقرب وقت ممكن،” اختتم مايكل باليستريري، كبير مهندسي SCE، في بيان صحفي. ستتضمن المرحلة التالية من المشروع تدريب نسخة مطورة من الأداة باستخدام بيانات خاصة بالمرافق وتقييم أدائها على دائرة عرض SCE. الهدف النهائي هو دمج خوارزميات الكشف في منصة التحليلات الداخلية للأداة.
تم النشر: 2026-06-19 00:49:00
