Sztuczna inteligencja w walce z pożarami? Nowa technologia ma wykrywać iskry zanim wybuchnie ogień

Nowy projekt amerykańskiego National Renewable Energy Laboratory (NREL) ma na celu wykorzystanie uczenia maszynowego do wykrywania uszkodzeń linii energetycznych, które mogą prowadzić do pożarów. Naukowcy z NREL, we współpracy z firmą Eaton, opracowują system, który dzięki sztucznym sieciom neuronowym ma pomóc przedsiębiorstwom energetycznym w zapobieganiu przerwom w dostawie prądu i skuteczniejszym zarządzaniu potencjalnymi zagrożeniami pożarowymi.

Wysokoimpedancyjne uszkodzenia (HiZ) stanowią problem

Linie energetyczne, jak każda infrastruktura, są podatne na działanie czynników atmosferycznych i z czasem ulegają degradacji. Prowadzi to do zwarć, które mogą generować iskry, zapalające łatwopalne materiały w pobliżu, co w konsekwencji prowadzi do pożarów. Kluczowym problemem jest detekcja tzw. zwarć wysokoimpedancyjnych (HiZ). Powodują one przepływ prądu o niskim natężeniu, co utrudnia ich wykrycie przez tradycyjne zabezpieczenia. Te właśnie, trudne do wykrycia, zwarcia są częstą przyczyną pożarów.

„Naszym celem jest zwiększenie odporności systemu elektroenergetycznego i umożliwienie szybszego reagowania w sytuacjach ekstremalnych” – mówi Richard Bryce, starszy pracownik naukowy w NREL i lider projektu. „Chcemy dać przedsiębiorstwom narzędzia do budowy bardziej niezawodnego i bezpiecznego systemu, który zminimalizuje ryzyko pożarów spowodowanych zwarciami wysokoimpedancyjnymi”.

Symulacje i uczenie maszynowe odpowiedzią na problem

W ramach projektu, firma Eaton przeprowadziła szeroko zakrojone testy w środowisku symulowanym, uwzględniającym różne scenariusze uszkodzeń, takie jak kontakt przewodów z różnymi typami podłoża (trawa, żwir), poziom wilgotności, obecność popularnych gatunków drzew i inne czynniki zewnętrzne. Zebrane dane zostały udostępnione zespołowi badawczemu z NREL, który wykorzystał je do wytrenowania sztucznych sieci neuronowych (ANN). Wykorzystano do tego platformę PSCAD (Power Systems Computer Aided Design) i dane terenowe od amerykańskich przedsiębiorstw energetycznych.

Dzięki symulacjom, badacze byli w stanie stworzyć znacznie większy zbiór danych dotyczących zwarć HiZ, niż byłoby to możliwe w warunkach rzeczywistych lub laboratoryjnych. Wytrenowane sieci neuronowe potrafią efektywnie identyfikować stany zwarciowe HiZ, co pozwala na szybką lokalizację i usunięcie awarii, minimalizując ryzyko zarówno przerw w dostawie prądu, jak i pożarów.

Współpraca i przyszłość technologii

Obecnie, zespół NREL współpracuje z przedsiębiorstwami energetycznymi w Stanach Zjednoczonych i za granicą, aby uogólnić tę technologię i zwiększyć skalowalność algorytmu, tak aby mógł być szeroko stosowany na całym świecie. Opracowane rozwiązanie ma potencjał, aby znacząco poprawić globalną infrastrukturę energetyczną i zwiększyć stabilność sieci, jednocześnie zmniejszając liczbę pożarów spowodowanych awariami elektrycznymi. Integracja sztucznej inteligencji w systemach energetycznych wydaje się być obiecującym krokiem w kierunku prewencji i zwiększenia bezpieczeństwa.