Ətraf mühit şəraiti (külək, şimşək çaxması, ağacların böyüməsi və s.) səbəbindən planlaşdırılmamış elektrik enerjisinin kəsilməsi elektriksiz qalanları özbaşına, bəzən uzun müddətə tərk edir. Kommunal şirkətlər məcburi kəsilmələrin nə vaxt baş verəcəyini təxmin etmək qabiliyyətinə malik deyillər, buna görə də kəsilmənin təsirini azaltmaq üçün istehlakçıları hədəf alan heç bir azaldıcı tədbirlər vaxtından əvvəl tətbiq edilmir.

Texas A&M Universitetinin Elektrik və Kompüter Mühəndisliyi Departamentinin professoru Dr. Mladen Kezunovic və onun komandası kəsilmələri proqnozlaşdırmaq və kəsintilərin azaldılmasını dəyişdirmək üçün tarixi kəsilmə məlumatlarını və tez-tez böyük məlumat adlanan hava ilə bağlı məlumatları və maşın öyrənməsini birləşdirir. reaktivdən proaktivə qədər paradiqma. Bu, istehlakçıların hazır olmasına kömək edəcək.

Maşın öyrənməsindən və kəsilmələrin səbəblərini təsvir edən müxtəlif məlumatlardan istifadə edərək komanda gələcək haqqında proqnozlar vermək üçün keçmişdəki məlumatları öyrənə bilər.

“Bir çox insan əvvəllər heç vaxt edilməmiş bir şeyi necə sınaqdan keçirdiyinizi soruşur” dedi Kezunovic. “Deyək ki, keçmişdəki məlumatlardan istifadə edərək proqnozlar verirsiniz. Siz 2024-cü ilin yayında nə olacağını təxmin etmirsiniz, 2023-cü ilin yayında əslində nə baş verdiyini proqnozlaşdırırsınız və sonra 2023-cü ildə baş verənləri proqnozlaşdırdığınızla müqayisə edirsiniz. baş verəcəkdi. Əgər keçmiş haqqında düz deyirsinizsə, gələcəkdə işləməlidir.”

Lazımi məlumatları topladıqdan sonra, kəsilmə riskinin vəziyyətini proqnozlaşdırmaq üçün verilənlər bazası modellərini fizikaya əsaslanan modellərə əlavə edə bilərlər.

“Külək, yağıntı və şimşək bütün fasilələrə səbəb ola bilər”, – Kezunoviç deyib. “Biz yağıntı, temperatur, külək, torpaq növü , bitki növü və müxtəlif verilənlər bazalarından heyvanların müdaxiləsi kimi 60-dan çox fərqli parametrlə məşğul oluruq ki, bunlar əlaqələndirilməlidir. Bunu əl ilə əlaqələndirmək üçün insanın idrak qabiliyyəti yoxdur, lakin maşınlar edə bilər.”

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=135&slotname=2793866484&adk=675901022&adf=1873531024&pi=t.ma~as.2793866484&w=540&fwrn=4&lmt=1709642748&rafmt=11&format=540×135&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2024-03-combining-big-machine-power-outages.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTIyLjAuNjI2MS45NSIsbnVsbCwwLG51bGwsIjY0IixbWyJDaHJvbWl1bSIsIjEyMi4wLjYyNjEuOTUiXSxbIk5vdChBOkJyYW5kIiwiMjQuMC4wLjAiXSxbIkdvb2dsZSBDaHJvbWUiLCIxMjIuMC42MjYxLjk1Il1dLDBd&dt=1709623096658&bpp=4&bdt=508&idt=447&shv=r20240228&mjsv=m202402270101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dd8c6cdc5123375cd%3AT%3D1709623025%3ART%3D1709642404%3AS%3DALNI_MY2ynj5TDpMXqOZBx7W90OihbbXuw&gpic=UID%3D00000d6971a748b6%3AT%3D1709623025%3ART%3D1709642404%3AS%3DALNI_MaTILJ6PYHOKRZlSvHcKJ4LkDsnLQ&eo_id_str=ID%3D34d5e14efb6a7c5d%3AT%3D1709623025%3ART%3D1709642404%3AS%3DAA-Afjbw5XrDrmZOIEp3UV8fgvCO&prev_fmts=0x0%2C1519x695&nras=2&correlator=7139012346972&frm=20&pv=1&ga_vid=1833901760.1709623018&ga_sid=1709623097&ga_hid=1465989397&ga_fc=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=1885&biw=1519&bih=695&scr_x=0&scr_y=0&eid=44759876%2C44759927%2C44759837%2C95325752%2C31081511%2C95322195%2C95324160%2C31078663%2C31078665%2C31078668%2C31078670&oid=2&pvsid=873662981142676&tmod=971840517&uas=0&nvt=1&ref=https%3A%2F%2Ftechxplore.com%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C0%2C0%2C1536%2C695&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=0&td=1&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=M

They correlate the risk of an outage represented by a data model with the physical disposition of the transmission lines and feeders—wires that go from substations to buildings and houses using geographic information systems (GIS). GIS involves overlaying information—in this case predictions based on models—onto geographically dispersed elements such as a grid.

“If there’s rain and lighting on a specific feeder, the feeder is our physical model, then the risk of outage may occur on a section of a feeder, and because the feeder connects to the homes, these may be without electricity,” Kezunovic said.

All this information is then compiled into one collapsible model that depicts the state of risk of an outage in space and time. The team can layer variables such as the ground, grid, vegetation, lightning, rain and wind like a cake. Once the model looks at the data, it can predict which area may be at risk for an outage and inform consumers in that area. The team is currently working on packaging specific communication messages for different consumer types.

The team is also educating children and young adults about power outages. They are working closely with The DoSeum, a museum for kids in San Antonio, to teach young children about what an outage is and what to do when faced with the loss of power to increase awareness and reduce panic.

The team is working with The Franklin Institute in Philadelphia to teach high school students how to predict weather and temperature so that students can further develop their STEM skills. For college students, the team plans to develop a senior capstone project around smartphone applications that alert consumers about outages and what mitigation measures to pursue to reduce the outage impact.

“For instance, as a receiver of the alert message you could describe yourself in the app, and it could pull up options to reduce the impact,” Kezunovic said.

“It could tell you not to open the refrigerator because the thermal capacity of the refrigerator is to hold the cold in for ‘x’ many hours. Students are innovative; they may come up with some ways of telling you certain things in a neat way. Outreach is important to us, from young kids to high schoolers to college seniors to start learning about energy and power.”

Other collaborators include Dr. Alexander Brown from the Department of Economics at Texas A&M, Dr. Zoran Obradovic from Temple University, Dr. Roger Enriquez from The University of Texas at San Antonio and Dr. Paul Pavlou from the University of Houston. The entire team is backed by the National Science Foundation through a project titled, “Advanced Learning for Energy Risk Tracking (ALERT).” The team also includes several graduate students from Texas A&M and Temple University.

” Nəzəri çərçivə kimi süni intellektlə siz fənlər arasında hərəkət edə bilərsiniz” dedi Kezunoviç.

“Dr. Obradovic süni intellektin biotibbi tətbiqlərində təcrübəyə malikdir, lakin onun texnikaları bizim gördüyümüz işlərə şamil edilir. Əgər məlumatlarınız və proqnozlarınız varsa, riyazi yanaşma eynidir, yalnız məlumatlar fərqlidir.”Texas A&M Universiteti tərəfindən təmin edilmişdir