美國的研究人員開發了一種新型智慧工具，能夠即時識別導致野火、設備損壞及停電的異常電網情況。這個平台由位於田納西州的能源部奧克里奇國家實驗室（ORNL）的研究團隊研發，並整合了人工智能（AI）技術，以快速分析電網數據。科學家表示，該技術運用先進的信號處理和機器學習來識別傳統監測系統常常無法察覺的微妙電網擾動。因此，它可以自動警報公用事業公司，提醒需要立即回應的危險電網行為。
該系統正在使用南加州愛迪生公司（SCE）收集的五年現場數據進行驗證，該公司是美國最大的電力公用事業之一。
新型智慧工具能夠即時識別電網異常情況
ORNL 項目負責人 Ali Ekti 博士表示：「我們越快意識到發生的事情，就能越快做出回應。」這個工具能夠檢測七種類型的電氣故障，這些故障會在電網中產生異常的電流或電壓。首先，它可以識別弧光故障，這種故障是在電力線與其他物體（如地面）之間的空隙中電流跳躍所引起的。由於這些故障通常只會產生小幅度的電流增加，因此可能逃避傳統傳感器的檢測，無法觸發斷路器。這意味著危險的電弧可能會持續很長時間，從而增加野火的風險。
ORNL 的新分析系統不斷監控電網信號，並在識別到異常情況後自動警報公用事業公司。Ekti 進一步解釋：「這個工具旨在為公用事業提供從信號到分析再到決策的持續通道。」根據科學家的説法，這個工具依賴於對波形數據的先進分析，該數據捕捉了電網中的電壓、電流和頻率變化。由於弧光故障通常在原始波形記錄中太過微妙而無法可見，因此他們創建了 AI 輔助算法來放大微弱信號，並突出先前隱藏的擾動。
在使用真實公用事業數據進行測試時，該團隊運用 ORNL 的算法將波形信號的可見度從僅 6%提高至 72%。這使得該工具能夠發現本來會被忽視的故障。該平台使用來自 ORNL 的電網事件簽名庫的數據進行訓練。這個基於網絡的數據庫包含了超過 5700 個從電網事件中收集的波形簽名。除弧光故障外，該系統還可以識別和分類六種類型的電網擾動，包括過電流故障、自動重合器操作、熔斷器熔斷、短時故障、電容器切換事件、電動機啟動以及線路切換操作。
SCE 的高級工程師 Michael Balestrieri 在新聞稿中總結道：「更深入瞭解這些信號的具體意義將使我們能夠以緊迫感處理像弧光這樣的問題，讓我們知道何時需要立即派遣第一響應人員到現場。」該項目的下一階段將涉及使用特定公用事業數據訓練升級版工具，並評估其在 SCE 示範電路上的性能。最終目標是將檢測算法整合到公用事業的內部分析平台中。
