Объединение больших данных и машинного обучения для прогнозирования отключений электроэнергии

Кредит: Unsplash/CC0

\

Д-р Младен Кезунович, профессор кафедры электрической и компьютерной техники в Техасском университете A & M, и его команда объединяет исторические данные об отключении и данные, связанные с погодой, часто называемые большими данными и машинное обучение для прогнозирования отключений и изменения смягчения сбоев.Парадигма от реактивной до проактивной.Это поможет потребителям быть подготовленными.

Используя машинное обучение и различные данные, описывающие причины отключений, команда может изучать данные из прошлого, чтобы сделать прогнозы о будущем.

«Многие люди спрашивают, как вы тестируете то, чего никогда не делали раньше», - сказал Кезунович.”Скажите, что вы делаете прогнозы, используя данные из прошлого. Вы не предсказываете, что произойдет летом 2024 года, вы предсказываете, что на самом деле произошло летом 2023 года, а затем сравнивая то, что произошло в 2023 году с тем, что вы предсказалипроизойдет. Если бы вы были правы в прошлом, это должно работать в будущем ».

После того, как они собирают необходимые данные, они могут наложить модели базы данных на физических моделях, чтобы предсказать состояние риска отключения.

«Ветер, осадки и молния могут вызвать отключение», - сказал Кезунович.«Мы имеем дело с более чем 60 различными параметрами, такими как осадки, температура, ветер, тип почвы, тип растительности и вторжение животных из разных баз данных, которые должны быть коррелированы. Не существует человеческой когнитивной способности коррелировать это вручную, но машины могут».

Они коррелируют риск отключения, представленного моделью данных с физическим расположением линий передачи и кормушек, - проходы, которые переходят от подстанций к зданиям и домам с использованием географических информационных систем (ГИС).ГИС включает в себя накладывающую информацию - в этом случае прогнозы на основе моделей - географически диспергированных элементов, таких как сетка.

«Если на определенном кормушке есть дождь и освещение, кормушка является нашей физической моделью, то риск отключения может произойти на секции кормушки, и, поскольку фидер соединяется с домами, они могут быть без электричества», - сказал КезуновичПолем

Вся эта информация затем собирается в одну складную модель, которая изображает состояние риска отключения в пространстве и времени.Команда может наладить переменные, такие как земля, сетка, растительность, молния, дождь и ветер, как торт.Как только модель рассмотрит данные, она может предсказать, какая область может подвергаться риску отключения и информировать потребителей в этой области.В настоящее время команда работает над сообщениями об коммуникациях для упаковки для различных типов потребителей.

Команда также обучает детей и молодых людей о перебоке с электроэнергией.Они тесно сотрудничают с Doseum, музеем для детей в Сан -Антонио, чтобы научить маленьких детей о том, что такое сбой и что делать, когда сталкивается с потерей власти для повышения осведомленности и снижения паники.

Команда работает с Институтом Франклина в Филадельфии, чтобы научить учащихся старших классов, как предсказывать погоду и температуру, чтобы учащиеся могли дополнительно развивать свои навыки STEM.Для студентов колледжа команда планирует разработать старший проект Capstone вокруг приложений для смартфонов, которые предупреждают потребителей о сбоях и о том, какие меры по смягчению последствий для снижения воздействия на отключение.

«Например, как получатель сообщения о предупреждении, вы можете описать себя в приложении, и это может поднять варианты, чтобы уменьшить воздействие», - сказал Кезунович.

«Это может сказать вам не открывать холодильник, потому что тепловая пропускная способность холодильника состоит в том, чтобы удержать холод для« x ».. Охват важна для нас, от маленьких детей до старшеклассников, старшеклассников, чтобы начать изучать энергию и власть ».

Среди других сотрудников - доктор Александр Браун из факультета экономики в Техасе A & M, доктор Зоран Обрадович из Университета Темпл, доктор Роджер Энрикес из Техасского университета в Сан -Антонио и доктор Пол Павлу из Университета Хьюстона.Вся команда поддерживается Национальным научным фондом в рамках проекта под названием «Advanced Learning for Energy Risk Risking (оповещение)».Команда также включает несколько аспирантов из Техасского университета A & M и Темпл.

«С искусственным интеллектом в качестве теоретической основы вы можете перемещаться по дисциплинам», - сказал Кезунович.

«Доктор Обрадович имеет опыт в биомедицинских приложениях ИИ, но его методы применимы к тому, что мы делаем. Если у вас есть данные и прогнозы, математический подход одинаков, только данные разные».