خلاصه

زیرساخت برق ایالات متحده نیاز فوری به نوسازی دارد. قطعی های عمده برق اخیر در کالیفرنیا، نیویورک، تگزاس و فلوریدا، عدم اطمینان نیروی برق ایالات متحده را برجسته کرده است. رسانه ها در مورد زیرساخت های برق قدیمی ایالات متحده بحث کرده اند و کمیسیون خدمات عمومی خواستار بررسی جامع علل قطع برق اخیر شده است. این مقاله به بررسی سیستم‌های اطلاعات جغرافیایی (GIS) و یک مدل قطع برق پیش‌بینی‌کننده ارتقا یافته فضایی می‌پردازد تا به این موضوع بپردازد: چگونه تجزیه و تحلیل فضایی درک ما از قطع برق را افزایش می‌دهد؟ برای پاسخ به این سوال تحقیق، ما یک چارچوب تجزیه و تحلیل فضایی ایجاد کردیم که شرکت‌ها می‌توانند از آن برای بررسی رویدادهای قطع برق و علل آن استفاده کنند. تجزیه و تحلیل مناطقی از قطع برق از نظر آماری قابل توجه به دلایل متعدد را نشان داد. مدل GIS این مطالعه می‌تواند به ارتقای قابلیت اطمینان شبکه هوشمند از طریق، برای مثال، روشن کردن دلایل ریشه‌ای خرابی برق، تعریف راه‌حل خاموشی پاسخگو به داده، یا اجرای یک راه‌حل نظارت و مدیریت مستمر کمک کند. ما از یک استفاده جدید از تجزیه و تحلیل فضایی برای افزایش درک قطع برق پرده برداری می کنیم. کار آینده ممکن است شامل اتصال تقریباً به هر نوع فید داده‌های جریانی و تبدیل برنامه‌های GIS به برنامه‌های تصمیم‌گیری خط مقدم باشد، و حوادث قطع برق را در زمان وقوع نشان دهد. GIS می تواند منبع اصلی برای سیستم های بازرسی الکترونیکی برای کاهش مدت زمان قطعی مشتری، بهبود زمان پاسخگویی خدمه و همچنین کاهش هزینه های نیروی کار و اضافه کاری باشد. یا پیاده سازی یک راه حل نظارت و مدیریت مستمر. ما از یک استفاده جدید از تجزیه و تحلیل فضایی برای افزایش درک قطع برق پرده برداری می کنیم. کار آینده ممکن است شامل اتصال تقریباً به هر نوع فید داده‌های جریانی و تبدیل برنامه‌های GIS به برنامه‌های تصمیم‌گیری خط مقدم باشد، و حوادث قطع برق را در زمان وقوع نشان دهد. GIS می تواند منبع اصلی برای سیستم های بازرسی الکترونیکی برای کاهش مدت زمان قطعی مشتری، بهبود زمان پاسخگویی خدمه و همچنین کاهش هزینه های نیروی کار و اضافه کاری باشد. یا پیاده سازی یک راه حل نظارت و مدیریت مستمر. ما از یک استفاده جدید از تجزیه و تحلیل فضایی برای افزایش درک قطع برق پرده برداری می کنیم. کار آینده ممکن است شامل اتصال تقریباً به هر نوع فید داده‌های جریانی و تبدیل برنامه‌های GIS به برنامه‌های تصمیم‌گیری خط مقدم باشد، و حوادث قطع برق را در زمان وقوع نشان دهد. GIS می تواند منبع اصلی برای سیستم های بازرسی الکترونیکی برای کاهش مدت زمان قطعی مشتری، بهبود زمان پاسخگویی خدمه و همچنین کاهش هزینه های نیروی کار و اضافه کاری باشد. نشان دادن حوادث قطع برق به هنگام وقوع. GIS می تواند منبع اصلی برای سیستم های بازرسی الکترونیکی برای کاهش مدت زمان قطعی مشتری، بهبود زمان پاسخگویی خدمه و همچنین کاهش هزینه های نیروی کار و اضافه کاری باشد. نشان دادن حوادث قطع برق به هنگام وقوع. GIS می تواند منبع اصلی برای سیستم های بازرسی الکترونیکی برای کاهش مدت زمان قطعی مشتری، بهبود زمان پاسخگویی خدمه و همچنین کاهش هزینه های نیروی کار و اضافه کاری باشد.

کلید واژه ها:

تجزیه و تحلیل فضایی ; قطع برق ؛ GIS _ شبکه هوشمند

1. مقدمه و تعریف مسئله

برق در مدت کوتاهی به یکی از ضروریات زندگی مدرن تبدیل شده است. کار، مراقبت های بهداشتی، اوقات فراغت، اقتصاد و معیشت ما به تامین مداوم برق بستگی دارد. حتی قطع موقت برق می تواند منجر به هرج و مرج نسبی، مشکلات مالی و تلفات جانی شود. شهرهای ما به برق وابسته هستند و بدون تامین برق دائمی از شبکه برق، همه‌گیری اتفاق می‌افتد. قطع برق می تواند به ویژه برای سیستم های پشتیبانی از زندگی در بیمارستان ها و خانه های سالمندان یا سیستم های موجود در تاسیسات هماهنگ سازی مانند فرودگاه ها، ایستگاه های قطار و کنترل ترافیک غم انگیز باشد. هزینه اقتصادی قطع برق برای مصرف کنندگان برق ایالات متحده سالانه 79 میلیارد دلار به عنوان خسارت و فعالیت اقتصادی از دست رفته است. 1 ]]. در سال 2017، آزمایشگاه ملی لارنس برکلی به روز رسانی ارائه کرد و افزایش هزینه قطع برق را بیش از 68 درصد در سال از مطالعه سال 2004 تخمین زد [ 2 ].
دلایل بسیاری زمینه ساز قطعی برق است که امروزه با آن مواجه هستیم. از جمله این دلایل می توان به آب و هوای شدید، آسیب به خطوط انتقال برق، کمبود مدارات و پیری زیرساخت های شبکه برق اشاره کرد. در بررسی برخی از این دلایل، متوجه شدیم که آب و هوای شدید علت اصلی قطع برق در ایالات متحده است [ 3 ]. سال گذشته، رویدادهای آب و هوایی به طور کلی 306 میلیارد دلار برای شرکت‌های خدمات شهری ایالات متحده هزینه داشت که بالاترین رقمی است که تاکنون توسط دولت فدرال ثبت شده است [ 4 ].
قدیمی شدن زیرساخت شبکه یکی دیگر از دلایل قابل توجه قطع برق است. در سال 2008، انجمن مهندسین عمران آمریکا به زیرساخت شبکه برق ایالات متحده نمره رضایت بخشی داد [ 5 ]. آنها اظهار داشتند که سیستم انتقال نیرو در ایالات متحده نیاز به توجه فوری دارد. علاوه بر این، در این گزارش اشاره شده است که شبکه برق ایالات متحده مشابه کشورهای جهان سوم است. با توجه به موسسه تحقیقات نیروی برق، تجهیزاتی مانند ترانسفورماتورهای کنترل کننده انتقال نیرو نیاز به تعویض دارند، زیرا با توجه به طراحی اولیه مواد از طول عمر مورد انتظار خود فراتر رفته اند [ 6 ].
قطعی برق سه علت اصلی دارد [ 7 ]، یعنی: (1) نقص سخت افزاری و فنی، (2) مربوط به محیط زیست، و (3) خطای انسانی. خرابی‌های سخت‌افزاری و فنی (1) به دلیل بارگذاری بیش از حد تجهیزات، اتصال کوتاه، خاموشی و خاموشی است که به چند مورد اشاره می‌کنیم [ 8 ، 9 ، 10 ]]. این خرابی‌ها اغلب با استفاده‌های بی‌نظیر، تجهیزات قدیمی و سیستم‌های برق پشتیبان نادرست همسو هستند. دلایل مربوط به محیط زیست (2) برای قطع برق شامل آب و هوا، حیات وحش، و درختانی است که با خطوط برق در تماس هستند. رعد و برق، بادهای شدید و یخبندان از قطعی های برق مرتبط با آب و هوا هستند. همچنین سنجاب‌ها، مارها و پرندگانی که با تجهیزاتی مانند ترانسفورماتور و فیوز در تماس هستند، می‌توانند باعث از کار افتادن لحظه‌ای یا خاموش شدن کامل تجهیزات شوند [ 8 ]. در مورد سومین علت اصلی قطع برق، خطای انسانی (3)، مؤسسه Uptime تخمین زد که خطای انسانی تقریباً 70٪ از مشکلاتی را ایجاد می کند که مراکز داده را آزار می دهد. هک را می توان در رده خطای انسانی [ 11 ] قرار داد.
تجزیه و تحلیل یک موضوع محبوب در تحقیق و عمل، به ویژه در زمینه انرژی بوده است. استفاده از تجزیه و تحلیل می تواند به ارتقای قابلیت اطمینان شبکه هوشمند از طریق، برای مثال، روشن کردن علت اصلی قطع برق، تعریف راه حلی برای خاموشی از طریق داده ها، یا اجرای راه حل با نظارت و مدیریت مستمر کمک کند. در این مقاله تحقیقاتی، ما از استفاده جدید از تجزیه و تحلیل برای بررسی رویدادهای قطع برق و علل آنها پرده برداری می کنیم. از آنجا که هدف در این تحقیق ارتقای قابلیت اطمینان شبکه هوشمند است، ما به طور خاص تجزیه و تحلیل فضایی را برای ارائه یک مدل پیش‌بینی فضایی پیشرفته برای قطع برق بررسی می‌کنیم.

2. بررسی ادبیات

هزینه اقتصادی قطع برق در ایالات متحده سالانه 79 میلیارد دلار است [ 1 ] . سال 2017 به ویژه برای قطعی آتش سوزی های جنگلی در کالیفرنیا و تعدادی از طوفان هایی که تگزاس، جنوب شرقی و پورتوریکو را گرفتار کرده بودند، بد بود [ 12 ]. طبق گزارش شورای قابلیت اطمینان الکتریک تگزاس [ 13 ]، زمانی که طوفان هاروی به ساحل خلیج فارس رسید، حدود 280000 نفر در یک نقطه بدون برق بودند. این گزارش تصریح کرد که طوفان باعث از کار افتادن شش خط انتقال و 91 مدار شد و حدود 10000 مگاوات تولید را از بین برد.
هنگامی که طوفان ایرما فلوریدا را درنوردید، حدود پنج میلیون مشتری را در مناطقی که فلوریدا Power & Light در آن فعالیت می‌کند، تحت تأثیر قرار داد [ 14 ]. پیتر مالونی اظهار داشت: «شهرستان میامی داد بیشترین ضربه را خورد. در یک مقطع، بیش از 815000 نفر، یا 80 درصد از حساب های FPL در شهرستان، بدون برق بودند» [ 15 ]. به گفته مالونی، سایر حوزه‌های قضایی فلوریدا، مانند پالم بیچ و شهرستان برووارد، نیز در حدود 68 تا 70 درصد حساب‌ها به دلیل طوفان از دست داده‌اند [ 15 ]. شکل 1 تعداد کل قطعی سالانه در ایالات متحده و افراد آسیب دیده از 16 فوریه 2008 [ 16 ] را ترسیم می کند (ص. 3).
علاوه بر این، Eaton’s Blackout Tracker نمودار دایره ای زیر را برای تفکیک حوادث قطع برق گزارش شده در سال 2017 بر اساس علت ارائه کرد [ 16 ] (ص. 17). در گزارش سالانه، Blackout Tracker ایستون حوادث قطع برق را در یکی از هشت علت احتمالی گروه بندی کرد. عدد کنار قطعه پای در شکل 2 تعداد قطعی های مرتبط با آن علت است.
پس از بررسی ردیاب خاموشی Eaton و سایر گزارش‌های مشابه که حوادث قطع برق را بررسی می‌کنند، ما سه عامل کلیدی این قطعی‌ها را شناسایی کردیم ( شکل 3 ): (1) نقص‌های سخت‌افزاری و فنی، (2) مربوط به محیط، و (3) خرابی های مربوط به عملیات
حوادث مربوط به محیط زیست بیشترین علت قطع برق را تشکیل می دهند. حوادث مرتبط با محیط زیست را می توان به سه دسته مجزا طبقه بندی کرد: آب و هوا، حیات وحش و درختان. خدمات عمومی ویسکانسین [ 17 ] علل مربوط به آب و هوای قطع برق را مشخص کرد. یک مطالعه در سال 2005 توسط Davies Consulting برای مؤسسه Edison Electric بیان کرد که 70٪ از قطع برق در ایالات متحده مربوط به آب و هوا است [ 18 ]. کنوارد و راجا [ 19 ] داده‌های قطع برق را در یک دوره 28 ساله تجزیه و تحلیل کردند و اشاره کردند که بین سال‌های 2003 و 2012، 80 درصد از تمام خاموشی‌ها ناشی از آب و هوا بوده است. به طور مشابه، کمپبل [ 20 ] آسیب به شبکه الکتریکی ناشی از طوفان های فصلی، باران و بادهای شدید را برجسته کرد.
طبق گفته شورای مشاوران اقتصادی رئیس جمهور و دفتر تحویل برق و قابلیت اطمینان انرژی وزارت انرژی ایالات متحده [ 3 ]، آب و هوای شدید علت اصلی قطع برق در ایالات متحده است. “بین سال های 2003 و 2012، حدود 679 قطع برق گسترده به دلیل آب و هوای شدید رخ داده است” [ 3 ] (ص. 3). به همین ترتیب، هزینه های سالانه به طور قابل توجهی تغییر کرد و به دلیل طوفان های بزرگی مانند طوفان آیک در سال 2008 بیشتر شد .
علاوه بر آب و هوا، سایر نیروهای خارجی باعث قطع برق می شوند. برای مثال، سقوط شاخه های درخت، یکی دیگر از دلایل مهم قطع برق است [ 21 ]. حیواناتی که با خطوط برق در تماس هستند، مانند پرندگان بزرگ، نیز از عوامل مهم قطع برق در ایالات متحده هستند [ 16 ]. علاوه بر این، حوادث خطای انسانی باعث قطع برق می شود. چاینام [ 7 ] نشان داد که آموزش برای تکنسین ها و کارکنان برای مقابله با خاموشی ها با روش های نگهداری مناسب ضروری است.
قطع شدن منبع تغذیه دیگر به عنوان یک ناراحتی صرف تلقی نمی شود. با افزایش مدت زمان و گستره مکانی قطعی سیستم برق، هزینه ها و ناراحتی ها افزایش می یابد. خدمات اجتماعی حیاتی مانند مراقبت های پزشکی، پلیس و سایر خدمات اورژانسی و سیستم های ارتباطی برای عملکرد در حداقل سطح به برق وابسته هستند. شکست‌ها می‌توانند پیامدهای فاجعه‌باری به همراه داشته باشند و زندگی‌ها از بین بروند. قابلیت اطمینان شبکه یک حوزه تحقیقاتی است که به توضیح بهتر علل قطع و تجویز مداخلاتی که قابلیت اطمینان شبکه هوشمند را بهبود می بخشد، کمک می کند. در این دست‌نوشته، ما از ابزارهای مختلف تحلیل فضایی برای بررسی نگرانی‌های انرژی ایالات متحده و پاسخ به این سوال تحقیق استفاده می‌کنیم: چگونه تجزیه و تحلیل فضایی درک ما را از قطع برق افزایش می‌دهد؟
تا به امروز، مطالعات متعددی وجود دارد که به چندین علت شکست می پردازند. به عنوان مثال، رید نحوه برخورد سیستم تحویل نیرو با طوفان ها را ارزیابی کرد [ 22 ]. سان و همکاران داده های رسانه های اجتماعی را در تشخیص قطع برق [ 23 ] و Guven و همکاران مورد بحث قرار دادند. در مورد اینکه چگونه یک GIS می تواند به تجزیه و تحلیل شبکه توزیع برق کمک کند [ 24 ] بحث کرد. این مطالعات نشان می دهد که علاقه محسوسی به استفاده از GIS به روش داده محور برای مقابله با قطع برق وجود دارد. تحقیقات ما متفاوت و بدیع است زیرا چارچوبی کلی برای کمک به محققان و متخصصان ارائه دادیم تا با انبوهی از داده‌ها در تجزیه و تحلیل قطع برق برخورد کنند و چندین رویداد قطع را برای شناسایی مناطقی که رویدادهای قطع باید بیشتر مورد بررسی قرار گیرند، یکپارچه کرده‌ایم.

3. انتخاب و اکتساب داده ها

3.1. داده های زیرساخت

مخزن داده های موسسه تحقیقات نیروی برق (EPRI) شامل مجموعه داده های اولیه است که ما برای انجام این تجزیه و تحلیل استفاده کردیم. مجموعه داده ها شامل داده های سیستم های اندازه گیری پیشرفته، سیستم های کنترل نظارتی و جمع آوری داده ها (SCADA)، سیستم های اطلاعات مکانی (GIS)، سیستم های مدیریت خاموشی (OMS)، سیستم های مدیریت توزیع (DMS)، سیستم های مدیریت دارایی، کار سیستم‌های مدیریت، سیستم‌های اطلاعات مشتری و پایگاه‌های اطلاعاتی دستگاه‌های الکترونیکی هوشمند. دسترسی به مجموعه داده‌ها به عنوان بخشی از ابتکار داده کاوی EPRI برای فراهم کردن بستر آزمایشی برای اکتشاف و نوآوری داده‌ها و حل چالش‌های اصلی صنعت ابزار [ 25 ] فراهم شد.
هنگامی که داده ها با تکنیک های تحلیلی هوشمندانه ترکیب می شوند، پتانسیل تبدیل جهان به دنیای هوشمندتر را فراهم می کنند، جایی که جلوگیری از قطع برق ممکن است به واقعیت واقعی تبدیل شود، نه صرفاً یک پیش بینی. بایگانی‌های SCADA/OMS/DMS در یک شرکت برق، داده‌های مورد نیاز را برای شناسایی بخش‌هایی از سیستم ارائه می‌دهند که بیشترین سهم را در خرابی کلی سیستم دارند. برای مثال OMS داده های مورد نیاز برای محاسبه اندازه گیری قابلیت اطمینان سیستم را فراهم می کند. OMS همچنین داده های تاریخی را ارائه می دهد که می تواند برای یافتن علل، خرابی ها و آسیب های رایج استخراج شود. از آنجایی که OMS با سایر سیستم های عملیاتی مانند GIS در سمت ابزار یکپارچه تر شده است، تجزیه و تحلیل امکان پذیرتر شده است، بنابراین این تحقیق ممکن است با هدف بهبود قابلیت اطمینان شبکه انجام شود.
به طور کلی، داده های EPRI شامل یک فایل داده اصلی GIS است که در آن این داده ها با هفت پایگاه داده در سیستم های اطلاعاتی EPRI مرتبط می شوند. در حالی که برخی از پیوندها بر اساس ارتباط کلید منحصر به فرد هستند، چندین پیوند به صورت مکانی، از طریق طول و عرض جغرافیایی به هم مرتبط هستند. به عنوان مثال، داده های GIS را می توان با سیستم مدیریت خاموشی مرتبط کرد که امکان تجزیه و تحلیل علت اصلی قطعی ها را فراهم می کند.

3.2. داده های آب و هوا

  • زیرساخت داده‌های مکانی جورجیا (GaSDI) و خانه تسویه حساب GIS جورجیا منبع داده‌ای برای داده‌های دما و بارش ماهانه است که ما در این مطالعه استفاده کردیم. “این مجموعه داده شامل خطوطی است که میانگین دمای ماهانه (1960-1991) را برای ایالت جورجیا نشان می‌دهد [و] حداقل در مقیاس‌های منطقه‌ای و بالاتر نمایش داده می‌شود» [ 26 ]. مخزن داده در شکل 4 نمایش داده شده است .
  • وب سایت اداره ملی اقیانوسی و جوی (NOAA) منبع داده رویدادهای طوفان و جزئیات طوفان است. پیوند به پایگاه داده رویدادهای طوفان NOAA https://www.ncdc.noaa.gov/stormevents/ است . با توجه به مراکز ملی اطلاعات محیطی NOAA [ 27 ]، این پایگاه داده حاوی سوابقی است که برای ایجاد انتشارات رسمی NOAA Storm Data استفاده می شود، که جزئیات آن را شرح می دهد:
    • رویداد طوفان و سایر پدیده های آب و هوایی قابل توجه؛
    • پدیده‌های آب و هوایی عجیب، کمیاب که توجه رسانه‌ها را جلب می‌کند. و
    • سایر رویدادهای مهم هواشناسی، مانند ثبت حداکثر یا حداقل دما یا بارشی که در ارتباط با رویداد دیگری رخ می دهد.

4. روش شناسی

پس از به دست آمدن داده ها، ابتدا داده ها باید از نظر ناهماهنگی، خطا و حذف بررسی شوند. از آنجایی که این نوع پروژه های تحلیلی نیاز به تجزیه و تحلیل فضایی داده ها دارند، هر ابزاری که استفاده می شود باید برای تجزیه و تحلیل مکان مناسب باشد. یکی از این ابزارها پلتفرم ArcGIS است که توسط موسسه تحقیقات سیستم های محیطی (ESRI) ارائه شده است. بنابراین، ما ترجیح می دهیم از این ابزار به عنوان نمایشی از چارچوب تحلیلی استفاده کنیم که دیگران می توانند اتخاذ کنند. علاوه بر این، چارچوب تحلیلی به راهی برای اطمینان از قابل استفاده مجدد مراحل نیاز دارد. بنابراین، ابزار ModelBuilder در نرم‌افزار ArcMap برای ایجاد سه مدل استفاده می‌شود که می‌توان آن‌ها را صادر کرد و در سایر تحلیل‌های مشابه استفاده کرد.
بخش‌های فرعی زیر ایجاد پایگاه جغرافیایی برای ذخیره تمام داده‌های به‌دست‌آمده، و مراحل لازم برای ترکیب، مرتب‌سازی، تمیز کردن و یکپارچه‌سازی داده‌ها برای رسیدن به مجموعه‌های پردازش نهایی داده‌ها، آماده برای تجزیه و تحلیل را شرح می‌دهد.

4.1. آماده سازی داده ها

ابتدا، یک پایگاه داده جغرافیایی ایجاد کردیم که در آن تمام داده‌های مرتبط با پیش‌بینی نقشه WGS 1984، مناسب برای سایت مطالعه در جورجیا، ایالات متحده، قرار می‌گیرد. سپس پایگاه ژئودیتابیس با تمام داده های فوق الذکر و داده های کلی تر، از جمله (1) فایل های داده های وارد شده از مخزن داده EPRI، (2) شکل فایل جاده ای رمزگذاری و ارجاع جغرافیایی یکپارچه توپولوژیکی گرجستان (TIGER)، (3) 2010 گرجستان تغذیه شد. شکل فایل کانتی، (4) نقشه های جزئیات طوفان و طوفان NOAA از سال 2013 تا 2015، (5) 48 شکل فایل های آب و هوا، دماهای ماهانه و داده های بارش از GaSDI و GIS Clearinghouse جورجیا (چهار فایل کل که حداکثر، حداقل و میانگین را نشان می دهد. دما و میزان بارش در هر ماه از سال).
دوم، ما داده‌های خاموشی را بررسی کردیم و متوجه شدیم که حدود 5٪ از داده‌ها (3992 رکورد از 80839 رکورد) از نظر مکانی فعال نیستند، آنها را از تجزیه و تحلیل حذف کردیم. داده قطعی قطعی 76848 رکورد دارد. سپس برای هر رکورد، متغیرهای ساختگی ایجاد می کنیم تا نوع قطعی را مشخص کنند. به طور کلی، چهار نوع قطعی اصلی شناسایی شده است: حق تقدم، آب و هوا، خرابی تجهیزات، و اضافه بار سیستم، همانطور که در جدول 1 نشان داده شده است. با هر یک از رویدادهای قطع، ما به طور مکرر هر قطع را در لایه نقشه خود جدا می کنیم. برای مرتبط کردن رویدادهای قطع، از میانگین نزدیکترین همسایه برای شناسایی احتمال تشکیل خوشه‌های داده در سراسر سایت‌های مطالعه استفاده می‌کنیم.
سوم، برای آماده‌سازی داده‌ها، فیلد زمان تاریخ در مجموعه داده‌های رویداد طوفان و طوفان NOAA را به روز سال تبدیل می‌کنیم تا مؤلفه تاریخ در همه داده‌ها همگام شود.
چهارم، پس از تنظیم داده‌ها، مراحل پردازش داده‌ها را از طریق ابزار ArcMap ModelBuilder ایجاد می‌کنیم تا مراحل به‌طور سیستماتیک از میان تمام لایه‌های داده‌های آب‌وهوا در پایگاه جغرافیایی عبور کنند. مراحل را به سه مدل تقسیم می کنیم. نتیجه مدل‌ها یک جدول خاموشی با 48 ستون اضافی است (چهار ستون برای هر ماه که حداکثر، میانگین و حداقل دما را نشان می‌دهد و یک فیلد دیگر برای بارندگی برای هر مکان رویداد خاموشی).

4.1.1. تفسیر یک مدل در ModelBuilder

اول، ModelBuilder یک گردش کار گرافیکی است که به ساده کردن تمام مراحل ژئوپردازش کمک می کند. تمام داده‌های ورودی، ابزارهای پردازش جغرافیایی، داده‌های حاصله واسطه و داده‌های خروجی با رنگ‌ها و اشکال خاص نمایش داده می‌شوند. بیضی آبی در ModelBuilder داده های ورودی و بیضی سبز داده های حاصل را نشان می دهد. بیضی سبز مقدار حاصل را نشان می‌دهد، مستطیل یک ابزار پردازشی خاص را نشان می‌دهد، و شش ضلعی یک تکرارکننده را نشان می‌دهد که برای مرور فهرست خاصی از موارد در یک مخزن استفاده می‌شود. فلش ها برای اتصال هر جزء از یک مدل در ModelBuilder استفاده می شوند. به عنوان یک قرارداد، گردش کار مدل از چپ به راست شروع می شود.
4.1.2. مدل 1
مدل 1، نشان داده شده در شکل 5 ، نشان می دهد که گردش کار از انتخاب هر یک از ویژگی های آب و هوا به صورت تکراری شروع می شود و از نظر مکانی به فایل داده های قطعی ترکیبی می پیوندد. این منجر به یک ویژگی جدید می شود که حاوی داده های هر پرونده آب و هوا و پرونده رویداد قطع است.
4.1.3. مدل 2
نتایج مدل 1 48 فایل مربوط به هر مجموعه داده آب و هوا همراه با رویدادهای قطع است. بنابراین، مدل 2 برای تغییر نام فیلد خروجی به طور مناسب استفاده می شود تا ماه و نوع داده های آب و هوا (اعم از حداکثر، حداقل، میانگین دما، یا میانگین بارش) را منعکس کند. روند مدل 2 در شکل 6 نشان داده شده است .
4.1.4. مدل 3
آخرین مدل، مدل 3 ( شکل 7 )، اطمینان حاصل کرد که داده های پردازش شده از دو مدل قبلی در یک لایه ویژگی یکپارچه قرار دارند. برای هر یک از 48 ویژگی متصل شده، مدل فیلد اتصال مناسب را انتخاب می کند و به طور مکرر همه داده ها را به لایه رویداد قطع می پیوندد.
پنجم، پس از پردازش داده‌ها از طریق ModelBuilder، با ایجاد چهار ستون اضافی در جدول ویژگی نقشه قطع، به غنی‌سازی داده‌ها ادامه می‌دهیم تا داده‌های آب‌وهوا برای هر رویداد خاموشی را با در نظر گرفتن ماه سال نشان دهیم. برای هر رویداد قطع، ما داده هایی را برای حداکثر، میانگین و حداقل دما و بارش نشان دادیم. ما این مرحله را با پیوستن سه منبع داده اضافی به لایه ترکیبی، یعنی رویداد طوفان و جزئیات رویداد طوفانی از طریق تبدیل داده در مراحل پردازش دنبال کردیم. علاوه بر این، ما داده‌های جنگلداری زیر را اضافه کردیم که نشان می‌دهد چگونه EPRI زیرساخت‌های خود را حفظ کرده است: «ساعت‌های انسانی هرس مورد انتظار جنگل‌بانی»، «متوسط ​​مایل‌های هرس استاندارد درختان با سطل»، «متوسط ​​مایل‌های هرس درختان مکانیکی»، «متوسط ​​مایل‌های هرس درختان صعودی،» “و “ساعت‌های واقعی هرس مرد/مسافت پیموده شده در مدار.” در نهایت، ما چندین داده تجهیزات، به‌ویژه سن ترانسفورماتور و سن قطب را استخراج کردیم تا نشان دهیم که یک ترانسفورماتور و قطب از اولین نصب تا پایانش چه مدت دوام می‌آورند.

4.2. چارچوب تحلیل

پس از اطمینان از اینکه داده ها به درستی پردازش شده اند، فرآیند تجزیه و تحلیل را شروع می کنیم. تجزیه و تحلیل شامل دو نوع است: غیر مکانی و فضایی. اول، تحلیل غیر فضایی از تحلیل اکتشافی و تاییدی سنتی پیروی می کند. برای مثال، ما روابط آماری درون داده‌ها را با استفاده از آمار توصیفی و تحلیل همبستگی بررسی می‌کنیم. در این مرحله، تحلیل‌های دیگری می‌توان گنجانده شد، یعنی تحلیل عاملی یا تحلیل داده‌های اکتشافی. این قابلیت در پلتفرم ArcGIS وجود ندارد، بنابراین ما ترجیح می دهیم از SPSS برای این کار استفاده کنیم. در واقع، هر ابزار آماری کافی است. این مرحله اساساً یک درک اولیه از داده‌ها و اینکه چگونه هر جزء از داده‌ها می‌توانند به روشی غیرمکانی با یکدیگر مرتبط شوند، فراهم می‌کند.
متعاقباً، یک تحلیل فضایی انجام می‌شود که نشان می‌دهد چگونه می‌توان خاموشی را از طریق تجزیه و تحلیل مکان تجزیه و تحلیل کرد. در این مثال، ما دو روش تجزیه و تحلیل را انتخاب می‌کنیم: تجزیه و تحلیل نقطه‌های مهم برای نشان دادن تحلیل اولیه از طریق فضا و تجزیه و تحلیل نقطه ظهور برای نشان دادن اینکه چگونه رویدادهای خاموشی از طریق مکان و زمان به یکدیگر مرتبط هستند.

5. نتایج و یافته ها

5.1. کاوش اولیه

همانطور که در جدول 2 نشان داده شده است، کاوش داده های اولیه داده های ناکافی برای تجزیه و تحلیل و بسیاری از فیلدهای صفر را نشان می دهد . به عنوان مثال، پوشه مدیریت دارایی داده های بازرسی را تنها برای دو نوع تجهیزات نشان می دهد. در مورد سن داده‌های دارایی تعبیه‌شده در نقشه‌های GIS، تحلیل‌ها نشان داد که فیلدهای «آخرین تاریخ نصب» و «تاریخ اصلی نصب» برای تجهیزات، اما این‌ها عمدتاً مقادیر صفر بودند. به عنوان مثال، از 4600 رکورد برای سوئیچ ها، تنها 106 رکورد تاریخ نصب اولیه را نشان می دهند که معادل 2٪ از کل رکوردها است. بنابراین، ما تصمیم گرفتیم از داده های سن قطب به عنوان یک پروکسی برای بقیه داده های تجهیزات در تجزیه و تحلیل استفاده کنیم.
همه فایل‌های موجود در مجموعه داده‌ها با توجه به دامنه کار این پروژه مفید به نظر نمی‌رسند. به عنوان مثال، فایل داده Jets در مورد مشاغل میدانی است. مثال دیگر داده های “بار” مدار است که شامل داده های طول و عرض جغرافیایی یا هر روش دیگر ارجاع جغرافیایی برای وارد کردن به ArcGIS نمی شود. به نظر می‌رسد که داده‌های “بار” داده‌های کلی فیدر هستند و از آنجایی که فیدرهای توزیع بسیار منشعب هستند، داده‌ها برای نتیجه‌گیری درباره اینکه کدام شاخه بارگذاری شده است و کدام نه مفید است. در مورد سایر مجموعه‌های داده، مانند فایل‌های داده SCADA، تحقیقات نشان می‌دهد که تنها زمانی مفید است که ما نیاز به بررسی یکی از عملیات‌هایی داشته باشیم که باعث بروز حوادث قطعی شده است.

5.2. آمار توصیفی

در مجموعه داده حاصل نهایی، داده ها شامل مدت زمان رویداد قطع، تعداد اعلان های مشتری، میانگین دما، بارندگی، چندین ویژگی داده جنگلداری در مورد هرس و نگهداری درختان، و سن تجهیزات، یعنی ترانسفورماتور و قطب ها آمار توصیفی در جدول 3نشان می دهد که دامنه وسیعی از مقادیر بین هر نقطه داده وجود دارد. برای مثال، در تماس‌های مشتری رویداد قطع، میانگین 11.19 است، اما انحراف استاندارد 85.07 با حداکثر 4888 است. این نشان می‌دهد که در حالی که تعداد تماس‌های بسیار کم است، موارد متعددی وجود دارد که اعلان‌ها متعدد هستند. ، بنابراین داده ها را منحرف می کند. همچنین جالب است بدانید که تجهیزات ممکن است تا سه سال از کار بیفتند و ترانسفورماتورها تا هشت سال دوام می‌آورند در حالی که قطب‌ها می‌توانند تا 93 سال تا زمان تسلیم شدن در برابر حوادث خاموش شوند.

5.3. نتایج همبستگی

برای بررسی بیشتر روابط بین متغیرها، تحلیل همبستگی را اجرا کردیم. نتیجه در جدول 4 نشان داده شده است . ماتریس همبستگی نشان می‌دهد که طول مدت یک رویداد قطع به طور قابل‌توجهی با اکثر متغیرهای مجموعه داده مرتبط است، به جز اینکه آیا رویداد بخشی از مسیر مدیریت جنگل‌داری است. مدت زمان رویداد قطع رابطه منفی با دما دارد. در حالی که این رابطه قابل توجه است، اما قوی نیست. در مورد تعداد تماس های مشتری، نتیجه تا حدودی معکوس قابل مشاهده است. تنها چهار متغیر وجود دارد که از نظر آماری برای تماس‌های مشتری رویداد قطعی معنی‌دار هستند: مدیریت جنگل‌داری، ساعات واقعی هرس کارکنان/میل مدار، سن ترانسفورماتور و سن قطب. علاوه بر این، روابط بی اهمیت هستند.
جالب است که مشاهده کنید که سن قطب با همه متغیرهای دیگر از نظر آماری معنی‌دار است، که نشان‌دهنده اهمیت سن قطب در بررسی داده‌های خاموشی است. با این حال، این رابطه حداقل همبستگی دارد. در این میان، سن ترانسفورماتور نیز با همه متغیرها به جز دما از نظر آماری معنادار است. جالب است که هیچ رابطه ای بین سن ترانسفورماتور و دما وجود ندارد. همچنین انتظار می‌رود که متغیرهای مرتبط با جنگل‌داری همبستگی مثبت بالایی دارند، با قدرت معناداری آماری بالا.
به طور کلی، ماتریس همبستگی نشان می دهد که روابط قابل توجهی بین متغیرها وجود دارد. با این حال، علیرغم معنی دار بودن آماری، روابط همبستگی حاشیه ای هستند. بنابراین، این نیاز به تجزیه و تحلیل مکانی داده ها را ایجاد می کند. در بخش بعدی، چارچوب تحلیل فضایی را ارائه می‌کنیم و سپس چندین تحلیل را برای برجسته کردن اهمیت ترکیب یک جزء فضایی در هر کار تحلیلی انجام می‌دهیم.

5.4. تحلیل الگوی فضایی در ArcGIS

بر اساس گزارش‌های تحلیل میانگین نزدیک‌ترین همسایه ArcGIS نشان‌داده‌شده در شکل 8 ، میانگین فاصله مشاهده‌شده در مقایسه با رویدادهای مربوط به آب‌وهوا (171 متر)، خرابی تجهیزات (207 متر) و سمت راست، بزرگ‌ترین فاصله بین رویدادهای قطع اضافه بار سیستم (727 متر) است. رویدادهای قطعی خارج از راه (210 متر). قطعی مربوط به آب و هوا کمترین میانگین فاصله بین رویدادها را نشان داد. یک الگوی خوشه‌ای برای هر چهار نوع رویداد خاموشی ظاهر شد. علاوه بر این، بر اساس نتایج تجزیه و تحلیل، کمتر از 1٪ احتمال وجود دارد که این الگوی خوشه‌ای می‌تواند نتیجه شانس تصادفی باشد که نشان‌دهنده معناداری آماری است.

5.4.1. چارچوب تحلیل فضایی

ما چارچوب زیر را توسعه دادیم ( شکل 9) برای هدایت تحقیق و نشان دادن سطوح مختلف تحلیل. در سطح اول، همه ویژگی‌ها در رویدادهای خاموشی تحلیل می‌شوند تا یک حس کلی از جایی که خوشه‌های خاموشی ممکن است در فضا باشند، ارائه شود. همانطور که ما در جزئیات داده ها اصلاح می شویم، سطح 2 ویژگی های ورودی گروهی خاص تری را نشان می دهد، یعنی انواع رویدادهای قطع. در این مورد، چهار مورد وجود دارد: خرابی تجهیزات، آب و هوا، حق تقدم و اضافه بار سیستم. همانطور که تجزیه و تحلیل به جزئیات دقیق تر می رسد، سطح 3 به هر ویژگی جداگانه در هر نوع نزدیک می شود و به نوبه خود، تجزیه و تحلیل یک ویژگی خاص را ارائه می دهد. با استفاده از این چارچوب، بخش‌های بعدی پیاده‌سازی و نتایج هر سطح را ارائه می‌کنند. به طور خاص، ما از تجزیه و تحلیل نقاط داغ بهینه برای همه سطوح و از تجزیه و تحلیل نقاط داغ در حال ظهور برای سطح 1 و سطح 2 استفاده می کنیم.
5.4.2. سطح 1 تجزیه و تحلیل فضایی – تجزیه و تحلیل نقطه داغ بهینه
بر اساس سطح 1 چارچوب تحلیل فضایی، ما از ابزار تجزیه و تحلیل نقطه داغ ArcGIS بهینه سازی شده برای ایجاد نقشه ( شکل 10 ) از نقاط سرد و گرم آماری قابل توجه با استفاده از آمار Getis-Ord Gi* استفاده کردیم. از آنجایی که ما یک میدان تحلیل را شناسایی نکردیم، این ابزار ویژگی های کلاس ویژگی ورودی (رویدادهای قطع برق) را برای تولید نتایج بهینه ارزیابی کرد [ 27 ]. این ابزار یک منطقه بزرگ از نقاط داغ در Clayton و Fulton County را نشان داد که در آن قطع برق به دلایل متعدد از نظر آماری معنی دار بود. در مورد نقاط سرد، آنها در شهرستان هایی مانند Coweta، Mid and South Fayette، Butts، North Meriwether و اکثریت شهرستان Henry ظاهر شدند.
با اندازه سلول چند ضلعی 1319 متر، 1296 چند ضلعی وزنی در سایت مورد مطالعه وجود دارد. برای هر یک از سلول ها، به طور متوسط ​​59.29 شمارش حوادث، با انحراف استاندارد 81.23 وجود دارد. حداقل و حداکثر تعداد حوادث به ترتیب 1 و 598 است. به همین ترتیب، باند بهینه فاصله ثابت بر اساس میانگین فاصله تا 30 نزدیکترین همسایه 5738 متر است. 984 ویژگی خروجی آماری قابل توجهی وجود دارد که بر اساس یک تصحیح نرخ کشف نادرست برای آزمایش های متعدد و وابستگی فضایی است. علاوه بر این، تنها 0.5٪ از ویژگی ها کمتر از هشت همسایه داشتند.
5.4.3. سطح 1 تجزیه و تحلیل فضایی-تحلیل نقطه داغ در حال ظهور
علاوه بر تجزیه و تحلیل نقاط داغ بهینه، تجزیه و تحلیل نقاط داغ در حال ظهور نامزد دیگری از نوع تجزیه و تحلیل فضایی است که می تواند اجرا شود. تجزیه و تحلیل نقاط داغ در حال ظهور شبیه به تجزیه و تحلیل نقاط داغ بهینه است، با بعد زمان اضافه شده است. در نتیجه، دسته‌های نقاط گرم و سرد به انواع جدیدی از جمله جدید، متوالی، تشدیدکننده، پایدار، رو به کاهش، پراکنده، نوسانی و تاریخی گسترش می‌یابند. دسته بندی ها به صورت زیر تعریف می شوند:
  • جدید: آخرین فاصله گام زمانی برای اولین بار گرم/سرد است
  • متوالی: یک اجرا بدون وقفه از فواصل زمانی گرم/سرد که کمتر از 90 درصد از تمام فواصل را شامل می شود.
  • تشدید کننده: حداقل 90 درصد از فواصل گام های زمانی گرم/سرد هستند و با گذشت زمان گرمتر/سردتر می شوند.
  • پایدار: حداقل 90٪ از فواصل گام های زمانی گرم/سرد هستند، بدون روند صعودی یا نزولی
  • کاهش: حداقل 90 درصد از فواصل گام های زمانی گرم/سرد هستند و با گذشت زمان کمتر گرم/سرد می شوند.
  • پراکنده: کمتر از 90 درصد فواصل گام های زمانی گرم/سرد هستند
  • نوسانی: جدیدترین فاصله گام زمانی گرم/سرد است، کمتر از 90 درصد فواصل گام های زمانی گرم/سرد است و دارای سابقه معکوس از گرم به سرد و بالعکس است.
  • تاریخی: حداقل 90 درصد فواصل گام‌های زمانی گرم/سرد هستند، اما آخرین بازه زمانی گام‌ها چنین نیست.
بخش زیر نتایج تجزیه و تحلیل نقطه داغ ArcGIS و تفسیر نتایج را خلاصه می کند.
در شکل 11 ، مکعب فضا-زمان 76847 نقطه را در 6000 محل شبکه ماهیگیری در 32 بازه زمانی گام جمع کرد. هر مکان 1319 متر در 1319 متر مربع است. کل مکعب فضا-زمان منطقه ای به طول 131900 متر از غرب به شرق و 79140 متر از شمال به جنوب را در بر می گیرد. هر فاصله زمانی گام 1 ماه است، بنابراین کل دوره زمانی تحت پوشش مکعب فضا-زمان 32 ماه است. از مجموع 6000 مکان، 1296 (21.60٪) دارای حداقل یک نقطه برای حداقل یک فاصله زمانی گام هستند. این 1296 مکان شامل 41472 سطل فضا-زمان است که 18973 (45.75٪) تعداد نقاط بیشتر از صفر دارند. هیچ افزایش یا کاهش معنی داری در تعداد امتیازات در طول زمان مشاهده نشد. خلاصه نتایج در جدول 5 نمایش داده شده است.
به طور کلی، تجزیه و تحلیل نقاط داغ در حال ظهور نگاه دقیق تری به نقاط سرد و داغ مشاهده شده در تجزیه و تحلیل نقاط داغ بهینه شده را روشن می کند. با افزودن زمان، بعد دیگر، می‌توان مشاهده کرد که مناطق زیادی وجود دارد که نقاط سرد و گرم دائمی دارند که نشان می‌دهد به ترتیب مسائل مزمن و پایداری در کجاست. نقاط گرم دائمی در شمال غربی شهرستان کلیتون جمع شده اند در حالی که نقاط سرد دائمی را می توان در شهرستان های هنری، بوت، مری ودر، تروپ، فایت و کویتا یافت. این نقاط نشان می دهد که در 90٪ مواقع، مکان ها به طور مداوم به عنوان نقاط گرم و سرد شناسایی می شوند. علاوه بر این، برخی نقاط داغ در نزدیکی شمال شهرستان کلیتون و فولتون وجود دارد که نیاز به تحقیقات بیشتر را نشان می‌دهد. در غرب شهرستان فایت، می‌توانیم نقاط سرد نوسانی را پیدا کنیم. مکان هایی که قبلاً نقاط گرم بودند اما اکنون به نقاط سرد تغییر یافته اند. اینها جذاب هستند زیرا می توان بیشتر مطالعه کرد تا ببینیم چه چیزی از بهبود کاهش حوادث خاموشی حمایت کرده است. چنین درک‌هایی می‌تواند برای بهبود مکان‌های دیگر، به‌ویژه مکان‌هایی که به عنوان نقاط داغ پایدار و نقاط داغ تشدید طبقه‌بندی می‌شوند، مورد استفاده قرار گیرد.
5.4.4. سطح 2 تجزیه و تحلیل فضایی – تجزیه و تحلیل نقطه داغ بهینه
بر اساس سطح 2 چارچوب تحلیل فضایی، با انتخاب متوالی کلاس‌های ویژگی ورودی «رویدادهای قطع برق اضافه بار سیستم»، «رویدادهای قطعی خرابی تجهیزات»، چهار لایه نقشه اضافی ( شکل 12 ) با استفاده از ابزار تحلیل نقطه داغ بهینه‌سازی شده ایجاد کردیم. “رویدادهای قطعی مربوط به آب و هوا” و “رویدادهای قطعی حق تقدم”.
نقشه سمت چپ بالای شکل 12 خاموشی ها را بر اساس اضافه بار سیستم نشان می دهد. تنها یک منطقه کوچک در جنوب شهرستان کلیتون وجود دارد که به عنوان یک نقطه داغ شناخته شده است. روابط همه نقاط دیگر ناچیز است، که نشان دهنده یکنواختی در رویدادهای قطع بر اساس مسائل سیستم است. در نتیجه، این نقطه داغ باید بیشتر بررسی شود و مطمئن شود که سطح بالای قطعی در این منطقه به دلیل بارگذاری بیش از حد سیستم کاهش می یابد.
نقشه سمت راست بالای شکل 12نتیجه تجزیه و تحلیل نقطه داغ بهینه شده برای خرابی تجهیزات را ارائه کرد. همانطور که می بینیم، یک نقطه داغ بزرگ در شهرستان Clayton وجود دارد که در وسط به شمال این شهرستان واقع شده است و به سمت شمال به شهرستان Fulton گسترش یافته است. به نظر می رسد تجهیزات مورد استفاده در این منطقه سریعتر از بقیه ایالت ها خراب می شوند. بنابراین، منابع بیشتری باید برای بررسی و حفظ سطح بالایی از عملکرد و افزونگی به طور معمول قرار داده شود تا مطمئن شوید که خرابی تجهیزات کاهش یافته است. علاوه بر این، چندین نقطه سرد در این نقشه مشاهده شده است. به طور خاص، شهرستان هنری دارای یک نقطه سرد در شمال، و نقاط سرد پراکنده در اطراف وسط و جنوب شهرستان است. علاوه بر این، شهرستان Coweta دارای مجموعه ای از نقاط سرد در جنوب شرقی است در حالی که شهرستان Meriwether دارای یک نقطه سرد در شمال است. این مکان ها مکان مناسب دیگری را برای بررسی فراهم می کنند. این بررسی‌ها می‌تواند بهترین شیوه‌ها و استانداردهایی را که می‌تواند برای بهبود رویداد خرابی تجهیزات در مکان‌های نقطه داغ مورد استفاده قرار گیرد، نشان دهد.
به طور تصادفی، تجزیه و تحلیل نقطه داغ بهینه شده برای آب و هوا (سمت چپ پایین شکل 12 ) تقریباً با تجزیه و تحلیل خرابی تجهیزات یکسان است. این یافته باید بیشتر مورد بررسی قرار گیرد و مقامات می توانند طرحی را برای مبارزه با مسائل مربوط به آب و هوا تدوین کنند و در عین حال به مشکلات خرابی تجهیزات نیز رسیدگی کنند.
5.4.5. سطح 2 تجزیه و تحلیل فضایی-تحلیل نقطه داغ در حال ظهور
بر اساس سطح 2 چارچوب تحلیل فضایی، با انتخاب متوالی کلاس‌های ویژگی ورودی «رویدادهای قطع برق اضافه بار سیستم»، «رویدادهای قطعی خرابی تجهیزات»، چهار لایه نقشه اضافی ( شکل 13 ) با استفاده از ابزار تحلیل نقطه داغ در حال ظهور ایجاد کردیم. “رویدادهای قطعی مربوط به آب و هوا” و “رویدادهای قطع حق تقدم (در ارتباط با درختان)”.
نتایج تجزیه و تحلیل، نشان‌داده‌شده در شکل 13 ، نشان می‌دهد که قطعی‌های حق تقدم (مربوط به درختان) بیشترین تعداد مکان‌های با روند گرم (259 کل مکان‌ها) را در مقایسه با خاموشی‌های مربوط به آب و هوا (160 مکان)، خرابی تجهیزات داشتند. قطع (129 مکان)، و اضافه بار سیستم (27 تعداد مکان با روند داغ). بنابراین، یک شرکت خدمات شهری می تواند از این هوشمندی برای کاهش خطر قطع برق استفاده کند و بر اساس آن برنامه ریزی کند.
در این مثال، ما درختان/جنگل‌هایی را شناسایی کرده‌ایم که نیاز به هرس دارند تا علت اصلی قطعی‌ها باشد و 259 مکان با روند گرم را شناسایی کرده‌ایم. این 259 مکان شامل 40 مکان متوالی با یک اجرای بدون وقفه از نقاط داغ از نظر آماری است.
شرکت برق می تواند از این اطلاعات برای کاهش خطر آتش سوزی و حفظ امنیت مشتریان استفاده کند. شرکت برق کار مدیریت پوشش گیاهی خود را تسریع می‌بخشد و هرس درختان را در اولویت کار میدانی قرار می‌دهد تا ابتدا با این 40 مکان متوالی مقابله کند. همچنین، با توجه به در دسترس بودن پیش‌بینی‌های آب و هوا، این تحلیل می‌تواند به یک شرکت خدماتی کمک کند تا در صورت پیش‌بینی طوفان آماده شود. در صورت وقوع طوفان، اولویت‌ها به کارمندان تجهیزات و مرمت در آن 160 مکان با روندهای گرم مرتبط با آب و هوا داده می‌شود.
در کار آینده، راه حلی با استفاده از Insights برای ArcGIS ایجاد خواهد شد تا نشان دهد چگونه یک شرکت خدماتی می تواند مکان هایی را که نیاز به بازرسی یا کار زیرساختی دارند اولویت بندی کند و مناطقی را که اجزای جدید مانند سوئیچ های توزیع ممکن است مزایای خالص ارائه دهند را شناسایی کند. از طریق Insights for ArcGIS، یک تحلیلگر ابزار توانایی کار با نقشه ها و نمودارهای تعاملی را دارد. هدف گام بعدی ارائه نمونه ای از مدل GIS و چارچوب تحلیل فضایی توسعه یافته در این مطالعه است.
5.4.6. سطح 3 تجزیه و تحلیل فضایی
آمار Gi* همچنین برای یک میدان تجزیه و تحلیل با مقادیر مختلف طراحی شده است. این آمار برای داده های باینری مناسب نیست. بنابراین، ما از این ابزار برای بررسی فیلد تجزیه و تحلیل استفاده کردیم تا مطمئن شویم که مقادیر حداقل تغییراتی دارند [ 27 ].
از آنجایی که ما به تجزیه و تحلیل رویدادهای قطعی مربوط به آب و هوا مرتبط با دما علاقه مندیم، “دما” را برای میدان تجزیه و تحلیل شناسایی کردیم. بر اساس سطح 3 چارچوب تحلیل فضایی، با انتخاب متوالی «حداکثر دما»، «متوسط ​​دما»، «حداقل دما» و «بارش» برای میدان تحلیل ، چهار لایه نقشه اضافی ( شکل 14 ) ایجاد کردیم.
علاوه بر این، ما دو لایه نقشه ( شکل 15 ) را با ارسال یک لایه نقشه حوادث خرابی تجهیزات در ویژگی ورودی و انتخاب متوالی “سن ترانسفورماتور” و “سن قطب” برای میدان تجزیه و تحلیل در ابزار تجزیه و تحلیل نقطه داغ بهینه ایجاد کردیم. هدف از این مرحله بررسی رویدادهای خرابی تجهیزاتی بود که با سن زیرساخت همسو هستند.
بر اساس سطح 3 چارچوب تجزیه و تحلیل فضایی، ما دو لایه نقشه تکمیلی ( شکل 16 ) را با استفاده از ابزار تحلیل نقطه داغ بهینه شده با انتخاب رویدادهای قطعی Right Of Way (مربوط به درختان) در ویژگی ورودی و انتخاب متوالی “ساعت های مورد انتظار کارکنان هرس” ایجاد کردیم. ، “متوسط ​​استاندارد هرس درختان مایل با سطل” و “ساعت کارمندان هرس واقعی/ مسافت پیموده شده در مدار” برای میدان تجزیه و تحلیل.
همانطور که توسط نقشه های شکل 16 نشان داده شده است، متغیرهای میانگین هرس استاندارد مایل درختان با سطل و جنگل ساعات کاری کارکنان هرس تقریباً کاملاً با یکدیگر همبستگی دارند. تجزیه و تحلیل بیشتر در SPSS نشان داد که متغیرهای میانگین مایل‌های هرس درختان بالا رفتن، میانگین مایل‌های استاندارد هرس درختان با سطل، میانگین مایل‌های هرس مکانیکی درختان، و ساعات کاری کارکنان هرس مورد انتظار جنگل‌داری یا کاملاً همبسته بودند ( r = 1.00) یا تقریباً همبستگی کامل داشتند. ( r > 0.90) با یکدیگر.

6. نتیجه گیری

این مطالعه با هدف پاسخ به این سوال انجام شد: چگونه تجزیه و تحلیل فضایی ممکن است درک ما را از قطع برق افزایش دهد؟ برای پاسخ به سوال تحقیق، ما یک چارچوب تحلیل فضایی ایجاد کردیم که می تواند به طور موثر در صنعت برق برای بررسی رویدادهای قطع برق و علل آنها استفاده شود. تجزیه و تحلیل مناطقی را نشان داد که قطع برق به دلایل مختلف از نظر آماری معنی دار بود.
مدل GIS ارائه شده در این مطالعه می‌تواند به ارتقای قابلیت اطمینان شبکه هوشمند از طریق، برای مثال، روشن کردن علت اصلی قطع برق، تعریف راه‌حلی برای خاموشی از طریق داده‌ها، یا اجرای راه‌حلی با نظارت و مدیریت مستمر کمک کند. در این مطالعه، ما از استفاده جدید از تجزیه و تحلیل موقعیت مکانی برای افزایش درک قطعی برق پرده برداری کردیم.
یکی از محدودیت‌های این تحقیق این است که ما از داده‌های سن قطب به عنوان پروکسی برای سن زیرساخت و بقیه داده‌های تجهیزات استفاده کردیم. تحقیقات بسیاری از فیلدهای پوچ، داده های گمشده و ناقص را در پایگاه داده سیستم برق نشان داد.
تحقیقات آینده باید شامل تجزیه و تحلیل در ArcGIS Pro باشد، که محصول GIS رومیزی نسل بعدی Esri است که نقشه‌برداری حرفه‌ای دوبعدی و سه بعدی و ابزارهای اضافه‌شده برای پیشبرد تجسم، تجزیه و تحلیل و تصویربرداری را ارائه می‌دهد. همچنین، ArcGIS GeoEvent Server ابزار دیگری برای تطبیق جریان های متعدد داده است که به طور مداوم از طریق فیلترها و مراحل پردازشی که ممکن است تعریف شود، جریان می یابد. بنابراین، شناسایی خرابی‌ها در شبکه با انجام تجزیه و تحلیل بلادرنگ بر روی جریان‌های داده می‌تواند امکان‌پذیر شود. کار آینده ممکن است شامل اتصال تقریباً به هر نوع جریان داده‌های جریانی و تبدیل برنامه‌های GIS به برنامه‌های تصمیم‌گیری خط مقدم باشد، و حوادث قطع برق را در زمان وقوع نشان دهد.
از این تحقیق، نتیجه می گیریم که GIS راه حلی برای تجزیه و تحلیل سیستم توزیع شبکه برق ارائه می دهد. مدل ما شواهدی ارائه می دهد که GIS می تواند تجزیه و تحلیل را برای بررسی رویدادهای قطع برق و علل آنها انجام دهد. اگر بودجه و داده‌های بیشتری در دسترس باشد، می‌توانیم این تجزیه و تحلیل را گسترش دهیم، کد منبع ArcMap را بسازیم، و یک راه‌حل سفارشی برای صنعت ابزار برای کنترل و پیش‌بینی قطعی برق ایجاد کنیم. GIS می‌تواند منبع اصلی برای کمک به سیستم‌های بازرسی الکترونیکی، کاهش مدت زمان قطعی مشتریان، بهبود زمان پاسخ‌دهی خدمه و کاهش هزینه‌های نیروی کار و اضافه کاری باشد.

منابع

  1. لاکامار، ک. Eto, J. درک هزینه قطع برق برای مصرف کنندگان برق ایالات متحده . آزمایشگاه ملی لارنس برکلی: برکلی، کالیفرنیا، ایالات متحده آمریکا، 2004.
  2. Eto, J. هزینه ملی قطع برق برای مصرف کنندگان برق – به روز رسانی تجدید نظر شده . آزمایشگاه ملی لارنس برکلی: برکلی، کالیفرنیا، ایالات متحده آمریکا، 2017.
  3. شورای مشاوران اقتصادی رئیس جمهور و دفتر تحویل برق و قابلیت اطمینان انرژی وزارت انرژی ایالات متحده، با کمک دفتر علم و فناوری کاخ سفید. مزایای اقتصادی افزایش انعطاف پذیری شبکه برق در برابر قطعی آب و هوا. 2013. در دسترس آنلاین: https://energy.gov/sites/prod/files/2013/08/f2/Grid ResiliencyReport_FINAL.pdf (در 19 نوامبر 2015 قابل دسترسی است).
  4. پورتر، جی. سوال 306 میلیارد دلاری: چگونه مدیریت خاموشی را بهتر کنیم؟ 12 ژوئن 2018. موجود به صورت آنلاین: https://www.power-grid.com/2018/06/12/the-306-billion-question-how-to-make-outage-management-better/#gref (دسترسی در 13 آگوست 2019).
  5. انجمن مهندسین عمران آمریکا. برگه اطلاعات زیرساخت 2009. 2009. در دسترس آنلاین: https://www.infrastructurereportcard.org/2009/sites/default/files/RC2009_rail.pdf (در 7 اکتبر 2015 قابل دسترسی است).
  6. استون، دی. این شبکه الکتریکی است، احمقانه. 9 سپتامبر 2011. در دسترس آنلاین: https://www.thedailybeast.com/articles/2011/09/09/major-power-outage-shows-weakness-of-aging-electric-infrastructure.html (دسترسی در 5 اکتبر 2015 ).
  7. چاینام، ک. تحلیل قطعی برق مخابرات-داخلی. کارگردان پایان نامه: اندرو پی اسنو. ژوئن 2005. در دسترس آنلاین: https://etd.ohiolink.edu/rws_etd/document/get/ohiou1125024491/inline (در 15 سپتامبر 2017 قابل دسترسی است).
  8. انرژی وستار چه چیزی باعث قطع برق می شود؟ تلاش برای بهبود قابلیت اطمینان خدمات. 2017. در دسترس آنلاین: https://www.westarenergy.com/outage-causes (در 11 سپتامبر 2017 قابل دسترسی است).
  9. خدمات و تامین دیزل. علل قطعی برق و قطع برق | خدمات دیزل. 2017. در دسترس آنلاین: https://www.dieselserviceandsupply.com/Causes_of_Power_Failures.aspx (در 11 سپتامبر 2017 قابل دسترسی است).
  10. قدرت کوه راکی دلایل اصلی قطع برق 2017. در دسترس آنلاین: https://www.rockymountainpower.net/ed/po/or/kcopo.html (در 11 سپتامبر 2017 قابل دسترسی است).
  11. میلر، ریچ چگونه از خرابی به دلیل خطای انسانی جلوگیری کنیم | دانش مرکز داده آگوست 2010. در دسترس آنلاین: https://www.datacenterknowledge.com/archives/2010/08/13/how-to-prevent-downtime-due-to-human-error (در 11 سپتامبر 2017 قابل دسترسی است).
  12. Freedman, A. آب و هوا و بلایای آب و هوایی در سال 2017 306 میلیارد دلار هزینه برای ایالات متحده داشت. 8 ژانویه 2018. در دسترس آنلاین: https://mashable.com/2018/01/08/2017-record-year-billion-dollar- Disasters-third-warmest/#92t4_Zb.Hmq7 (در 13 اوت 2019 قابل دسترسی است).
  13. شورای قابلیت اطمینان الکتریکی تگزاس ERCOT به طوفان هاروی پاسخ می دهد. 1 سپتامبر 2017. در دسترس آنلاین: https://www.ercot.com/help/harvey (در 29 ژوئیه 2018 قابل دسترسی است).
  14. اداره اطلاعات انرژی ایالات متحده طوفان ایرما برق تقریباً دو سوم مشتریان برق فلوریدا را قطع کرد. 20 سپتامبر 2017. موجود به صورت آنلاین: https://www.eia.gov/todayinenergy/detail.php?id=32992# (در 29 ژوئیه 2018 قابل دسترسی است).
  15. مالونی، پی. آب و هوای سال گذشته، آتش‌سوزی‌ها تلاش‌های سخت‌تر طوفانی شرکت‌های برق را افزایش می‌دهند. 21 مه 2018. موجود به صورت آنلاین: https://www.utilitydive.com/news/last-years-weather-wildfires-heighten-utilities-storm-hardening-efforts/523666/ (در 13 اوت 2019 قابل دسترسی است).
  16. ردیاب خاموشی ایتون. گزارش سالانه قطع برق. 2017. در دسترس آنلاین: https://switchon.eaton.com/plug/blackout-tracker (در 29 ژوئیه 2018 قابل دسترسی است).
  17. خدمات عمومی ویسکانسین چرا قطع برق رخ می دهد 2017. در دسترس آنلاین: https://www.wisconsinpublicservice.com/home/power_occur.aspx (در 11 سپتامبر 2017 قابل دسترسی است).
  18. مشاوره دیویس مقررات قابلیت اطمینان وضعیت توزیع در ایالات متحده ؛ موسسه ادیسون الکتریک: واشنگتن، دی سی، ایالات متحده آمریکا، 2005; در دسترس آنلاین: https://legalectric.org/f/2010/04/stateofdistributionreliability-2005.pdf (در 13 اوت 2019 قابل دسترسی است).
  19. کنوارد، ا. راجا، یو. خاموشی: آب و هوای شدید، تغییرات آب و هوا و قطع برق . گزارش فنی؛ Climate Central, Inc.: Princeton, NJ, USA, 2014; در دسترس آنلاین: https://www.eenews.net/assets/2014/04/14/document_ew_01.pdf (در 15 سپتامبر 2017 قابل دسترسی است).
  20. کمپبل، RJ قطع برق مرتبط با آب و هوا و انعطاف پذیری سیستم الکتریکی ؛ گزارش خدمات پژوهشی کنگره؛ خدمات پژوهشی کنگره: واشنگتن، دی سی، ایالات متحده آمریکا، 2012; صص 1-15. در دسترس آنلاین: https://fas.org/sgp/crs/misc/R42696.pdf (دسترسی در 15 سپتامبر 2017).
  21. آکادمی های ملی علوم، مهندسی و پزشکی. افزایش تاب آوری سیستم برق کشور ؛ انتشارات آکادمی ملی: واشنگتن، دی سی، ایالات متحده آمریکا، 2017؛ در دسترس آنلاین: https://doi.org/10.17226/24836 (در تاریخ 6 اکتبر 2017 قابل دسترسی است).
  22. Reed, D. تجزیه و تحلیل توزیع ابزار الکتریکی برای بادهای شدید. جی. مهندس باد. هندی آئرودین. 2008 ، 96 ، 123-140. [ Google Scholar ] [ CrossRef ]
  23. سان، اچ. وانگ، ز. وانگ، جی. هوانگ، ز. کارینگتون، ن. Liao, J. تشخیص قطع برق مبتنی بر داده توسط حسگرهای اجتماعی. IEEE Trans. شبکه هوشمند 2016 ، 7 ، 2516–2524. [ Google Scholar ] [ CrossRef ]
  24. گوون، ن. اوزی، ن. Tunah، E. سیستم تجزیه و تحلیل قطعی مبتنی بر GIS برای شبکه های توزیع برق. در مجموعه مقالات هشتمین کنفرانس الکتروتکنیکی مدیترانه ای در مورد کاربردهای صنعتی در سیستم های قدرت، علوم کامپیوتر و ارتباطات (MELECON 96)، باری، ایتالیا، 16 مه 1996; جلد 2، ص 761–764. [ Google Scholar ] [ CrossRef ]
  25. موسسه تحقیقات برق EPRI. ابتکار داده کاوی نمایش مدرنیزاسیون توزیع EPRI (DMD). (دوم). در دسترس آنلاین: https://smartgrid.epri.com/DMD-DMI.aspx (در 12 اوت 2019 قابل دسترسی است).
  26. زیرساخت داده های مکانی جورجیا. درباره | GaSDI. 2014. در دسترس آنلاین: https://www.georgiaspatial.org/gasdi/about (در 13 اوت 2019 قابل دسترسی است).
  27. مراکز ملی اطلاعات محیطی NOAA. پایگاه داده رویدادهای طوفان | مراکز ملی اطلاعات محیطی 2018. در دسترس آنلاین: https://www.ncdc.noaa.gov/stormevents/ (در 13 اوت 2019 قابل دسترسی است).
Ijgi 09 00054 g001 550
شکل 1. ایالات متحده قطعی برق را بر اساس سال گزارش کرد. منبع: Eaton’s Blackout Tracker [ 16 ].
Ijgi 09 00054 g002 550
شکل 2. ایالات متحده قطعی برق را بر اساس علت در سال 2017 گزارش کرد. منبع: Eaton’s Blackout Tracker [ 16 ].
Ijgi 09 00054 g003 550
شکل 3. علل قطع برق/تهیه شده توسط ویویان سلطان/تاریخ چاپ 7 ژانویه 2018.
Ijgi 09 00054 g004 550
شکل 4. فایل های داده های دما و بارش ماهانه. منبع: زیرساخت داده های مکانی جورجیا [ 26 ].
Ijgi 09 00054 g005 550
شکل 5. ArcMap ModelBuilder (مدل 1) برای پیوستن مکانی به رویدادهای خاموشی با داده های آب و هوا.
Ijgi 09 00054 g006 550
شکل 6. ArcMap ModelBuilder (مدل 2) برای تغییر نام فیلد خروجی (فیلد کانتور) از مدل 1.
Ijgi 09 00054 g007 550
شکل 7. ArcMap ModelBuilder (مدل 3) برای پیوستن به داده های رویدادهای خاموشی با 48 فیلد داده های آب و هوا.
Ijgi 09 00054 g008 550
شکل 8. ArcGIS میانگین نزدیکترین همسایه نتایج را برای چهار نوع قطعی تجزیه و تحلیل می کند: آب و هوا ( بالا سمت چپ )، اضافه بار سیستم ( بالا سمت راست )، تجهیزات ( پایین سمت چپ )، و سمت راست ( پایین سمت راست ).
Ijgi 09 00054 g009 550
شکل 9. چارچوب تحلیل فضایی.
Ijgi 09 00054 g010 550
شکل 10. نقشه خروجی سطح 1 تجزیه و تحلیل نقطه داغ ArcGIS بهینه شده است.
Ijgi 09 00054 g011 550
شکل 11. ArcGIS Emerging Hot Spot Analysis Level 1.
Ijgi 09 00054 g012a 550 Ijgi 09 00054 g012b 550
شکل 12. تجزیه و تحلیل فضایی سطح 2- نقشه های خروجی تجزیه و تحلیل نقطه داغ بهینه شده به ازای هر نوع علت قطعی. بالا سمت چپ : اضافه بار سیستم. بالا سمت راست : خرابی تجهیزات، پایین سمت چپ : آب و هوا. پایین سمت راست : سمت راست.
Ijgi 09 00054 g013 550
شکل 13. تجزیه و تحلیل فضایی سطح 2-نقشه های خروجی تحلیل نقطه داغ در حال ظهور به ازای هر نوع خروجی13علت. بالا سمت چپ : آب و هوا; بالا سمت راست : خرابی تجهیزات، پایین سمت چپ : سمت راست. پایین سمت راست : اضافه بار سیستم.
Ijgi 09 00054 g014a 550 Ijgi 09 00054 g014b 550
شکل 14. تحلیل فضایی سطح 3 – نقشه های خروجی تجزیه و تحلیل نقطه داغ بهینه شده برای هر رویداد قطع آب و هوا. بالا سمت چپ : حداکثر دما; بالا سمت راست : میانگین دما، پایین سمت چپ : حداقل دما. پایین سمت راست : بارش
Ijgi 09 00054 g015 550
شکل 15. سطح 3 تجزیه و تحلیل فضایی – نقشه های خروجی تجزیه و تحلیل نقطه داغ بهینه شده برای هر نوع خرابی تجهیزات. سمت چپ : سن قطب; سمت راست : سن ترانسفورماتور
Ijgi 09 00054 g016 550
شکل 16. تحلیل فضایی سطح 3 – نقشه های خروجی تجزیه و تحلیل نقطه داغ بهینه شده برای رویدادهای قطعی سمت راست. سمت چپ : ساعات کار مورد انتظار هرس. سمت راست : میانگین استاندارد هرس درختان مایل با سطل. پایین: ساعت واقعی کارکنان هرس / مسافت پیموده شده در مدار.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید