طراحی ربات هوش‌مصنوعی مبتنی بر iec 61968 برای پایش، پیش‌بینی و پاسخگویی بار در سیستم‌های توزیع برق با استفاده از داده‌های واقعی کنتورهای هوشمند

در سال‌های اخیر، افزایش پیچیدگی شبکه‌های توزیع برق و نفوذ منابع پراکنده تولید، لزوم بهره‌گیری از راهکارهای هوشمند در مدیریت سمت تقاضا را دوچندان کرده است. این مقاله به طراحی و پیاده‌سازی یک ربات هوش‌مصنوعی نرم‌افزاری مبتنی بر عامل (ai agent) می‌پردازد که قادر است داده‌های واقعی از کنتورهای هوشمند را پایش، تحلیل و پیش‌بینی کند و بر اساس نتایج تحلیل، تصمیمات خودکار برای پاسخگویی بار (demand response) اتخاذ نماید. ربات پیشنهادی بر اساس مدل داده‌ای استاندارد 61968- iec پارت 9 توسعه یافته است تا تبادل داده میان سامانه‌های سازمانی، سامانه مدیریت داده‌های کنتور (mdm) و سامانه پاسخگویی بار را تسهیل نماید. نتایج پیاده‌سازی و آزمون بر روی داده‌های واقعی یک شبکه توزیع شهری نشان می‌دهد که استفاده از عامل هوشمند می‌تواند دقت پیش‌بینی بار را تا 12٪ بهبود دهد و در شرایط بحرانی، میزان بار اوج را تا 8٪ کاهش دهد.

design of an artificial intelligence-based agent complying with iec 61968-9 for monitoring, forecasting, and demand response in power distribution systems using real smart meter data

in recent years, the increasing complexity of power distribution networks and the growing penetration of distributed energy resources have intensified the need for intelligent solutions in demand side management (dsm). this article presents the design and implementation of an ai-based software agent capable of monitoring, analyzing, and forecasting real smart-meter data, and making automated demand response (dr) decisions based on the analytical outcomes. the proposed agent is developed according to the iec 61968-9 standard data model to facilitate data exchange between enterprise systems, the meter data management (mdm) system, and the demand response module integrated within sepehr, the advanced intelligent distribution management platform. implementation and evaluation on real-world data from the khorasan razavi distribution network demonstrate that the intelligent agent can improve load-forecasting accuracy by up to 12% and reduce peak load by up to 8% under critical conditions.