في عصر تزايد التقنيات الرقمية، يتزايد الاعتماد على أنظمة قياس متطورة لضمان سلامة الشبكات الكهربائية. في مقالنا اليوم، نسلط الضوء على طبقة جديدة للتحقق من سلامة القياسات (Measurement Integrity Validation) الخاصة بالدوائر الكهربائية المعتمدة على العاكسات.

تعتبر المرحلات Differential Relays أو المحولات التفاضلية لخطوط التيار (LCDRs) أجهزة رصد تعتمد على قياسات دقيقة للتيار لتحديد الأعطال داخل الشبكات الكهربائية. لكن مع الاعتماد المتزايد على الاتصالات الرقمية، واجهت هذه الأنظمة تهديدات كبيرة تتمثل في هجمات إدراج بيانات زائفة (FDIAs)، حيث يقوم المهاجمون بتحريف القياسات المرسلة لإنشاء مسارات تيار ضارة.

تناول الباحثون هذه المشكلة المتزايدة من خلال تقديم خطة تحقق مبتكرة تعمل كطبقة إدارة إشرافية. تعتمد هذه الخطة على تحليل قياسات التيار المتزامنة الملتقطة خلال تشغيل المرحلات، لتمييز المسارات الحقيقية الناتجة عن الأعطال عن تلك الم manipulated. تم تدريب شبكة عصبية متكررة (Recurrent Neural Network) باستخدام قياسات التيار المتاحة فقط من المرحلات، مما يسمح بتحليل ديناميكية موجات التيار بكفاءة حتى في أنظمة الكهرباء التي تحتوي على مستويات عالية من عدم التوافق.

ما يميز هذه التقنية الجديدة هو أنها لا تحتاج إلى أي أجهزة استشعار إضافية أو عناصر حماية مساعدة، مما يجعلها قابلة للتطبيق بسهولة على المرحلات المعتمدة على التيار المتردد (AC) والتيار المستمر (DC). وقد أظهرت التجارب، بما في ذلك اختبار حقيقي باستخدام مُحاكِي OPAL-RT، فعالية عالية في الكشف عن الأخطاء مع الحفاظ على موثوقية الأجهزة.

لذا، يعد هذا التطور خطوة بارزة نحو تعزيز أمان الشبكات الكهربائية وضمان استمرارية الطاقة في ظل التحديات السيبرانية المتزايدة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.