دانلود ترجمه مقاله تکنیک های هوش مصنوعی در شبکه هوشمند

1. مقدمه 2. تکنیک های هوش مصنوعی 3. تکنیک های هوش مصنوعی در شبکه های هوشمند 4. چالش های هوش مصنوعی در شبکه های هوشمند 5. آینده هوش مصنوعی در شبکه های هوشمند 6. محدودیت ها 7. نتیجه گیری

چکیده – شبکه هوشمند، گردآوری حجم عظیمی از داده های ابعاد زیاد و چند نوعی در مورد بهره برداری از شبکه قدرت را ممکن ساخته است که این کار را با تلفیق زیرساخت کنتور پیشرفته، فناوریهای کنترل و فناوریهای ارتباطاتی انجام می دهد. با این حال، روش های مدل سازی، بهینه سازی و کنترل سنتی، محدودیت های بسیاری در پردازش داده ها دارند؛ بنابراین کاربردهای روش های هوش مصنوعی (AI) در شبکه هوشمند، در حال گسترش هستند. این مطالعه، یک مرور سیستماتیک مقالات از پژوهش های انجام شده در مورد تعدادی از روش های AI مرسوم بکار گرفته شده برای پیش بینی بار، ارزیابی پایداری شبکه قدرت، شناسایی خطا و مسائل ایمنی در شبکه هوشمند و سیستم های قدرت، ارائه می دهد. همچنین، چالش های پژوهشی بیشتری برای بکارگیری روش های AI جهت محقق سازی سیستم های شبکه واقعاً هوشمند، فراهم می کند. در نهایت، این مطالعه، فرصت های بکارگیری AI برای مسائل شبکه هوشمند را ارائه می دهد. این مقاله نتیجه گیری می کند که کاربرد روش های AI می تواند قابلیت اطمینان و تاب آوری سیستم های شبکه هوشمند را بهبود دهد. مقدمه: مفهوم شبکه هوشمند در حال ایجاد تحول در شبکه قدرت سنتی از یک سیستم کنترل الکترومکانیکی به یک شبکه کنترل الکترونیکی، می باشد. طبق گزارش سیستم شبکه هوشمند وزارت انرژی آمریکا [1]، سیستم های شبکه هوشمند از مدیریت اطلاعات، فناوری های کنترل، سنجش دیجیتالی، فناوریهای ارتباطاتی و ادوات میدانی تشکیل شده اند که برای هماهنگ کردن چندین فرآیند الکتریکی عمل می کنند. این فناوریهای شبکه هوشمند، مسائل برنامه ریزی و بهره برداری شبکه متداول را در حداقل سه زمینه اصلی، عمدتاً در توانایی در این زمینه ها تغییر داده اند: (1) نظارت یا سنجش فرایندها، ارسال داده ها به مراکز عملیاتی و اغلب پاسخ خودکار برای تنظیم یک فرآیند؛ (2) اشتراک داده ها میان ادوات و سیستم ها؛ و (3) پردازش، تحلیل و کمک به بهره برداران در دسترسی و بکارگیری داده های رسیده از فناوریهای دیجیتال سراسر شبکه. تعدادی از مسائل مرتبط در شبکه های هوشمند شامل پیش بینی بار (LF)، ارزیابی پایداری شبکه هوشمند، شناسایی خطا (FD) و امنیت شبکه هوشمند می باشند. این عناصر کلیدی، گردآوری حجم عظیمی از داده های ابعاد بالا و چند نوع در مورد بهره برداری از شبکه قدرت الکتریکی را ممکن می سازند. با این حال، روش های مدل سازی، بهینه سازی و کنترل سنتی، محدودیت های بسیاری در پردازش این مجموعه داده ها دارند؛ بنابراین، کاربردهای فنون هوش مصنوعی (AI) در شبکه هوشمند، مشهودتر شده اند.

The smart grid is enabling the collection of massive amounts of high-dimensional and multi-type data about the electric power grid operations, by integrating advanced metering infrastructure, control technologies, and communication technologies. However, the traditional modeling, optimization, and control technologies have many limitations in processing the data; thus, the applications of artificial intelligence (AI) techniques in the smart grid are becoming more apparent. This survey presents a structured review of the existing research into some common AI techniques applied to load forecasting, power grid stability assessment, faults detection, and security problems in the smart grid and power systems. It also provides further research challenges for applying AI technologies to realize truly smart grid systems. Finally, this survey presents opportunities of applying AI to smart grid problems. The paper concludes that the applications of AI techniques can enhance and improve the reliability and resilience of smart grid systems. Introduction: The concept of the smart grid is transitioning the traditional electric power grid from an electromechanically controlled system to an electronically controlled network. According to the US Department of Energy’s Smart Grid System Report [1], the smart grid systems consist of information management, control technologies, digitally based sensing, communication technologies, and field devices that function to coordinate multiple electric processes. These smart grid technologies have changed the conventional grid planning and operation problems in at least three main areas, primarily in the ability to (1) monitor or measure processes, communicate data back to operation centers, and often respond automatically to adjust a process; (2) share data among devices and systems; and (3) process, analyze, and help operators access and apply the data coming from digital technologies throughout the grid. Some of the related problem space in smart grids include load forecasting (LF), power grid stability assessment, fault detection (FD), and smart grid security. These key elements are allowing massive amounts of high-dimensional and multitype data to be collected about the electric power grid operations. However, the traditional modeling, optimization, and control technologies have many limitations in processing these datasets; thus, the applications of artificial intelligence (AI) techniques in the smart grid become more apparent.