Вчені використовують штучний інтелект по-новому, щоб посилити стійкість електромережі

Нова модель штучної нейронної мережі, створена вченими Argonne, обробляє як статичні, так і динамічні особливості енергосистеми з відносно високим ступенем точності.

Система енергомережі в Америці не тільки велика, але динамічна, що робить її особливо складною в управлінні. Людські оператори знають, як підтримувати системи, коли умови статичні. Але коли умови швидко змінюються, наприклад, через раптові несправності, операторам не вистачає чіткого способу передбачити, як система повинна найкраще адаптуватися до вимог безпеки та безпеки системи.

У Національній лабораторії Аргонського департаменту енергетики США (DOE) дослідницька група розробила новий підхід, щоб допомогти операторам системи зрозуміти, як краще контролювати енергосистеми за допомогою штучного інтелекту. Їх новий підхід може допомогти операторам контролювати енергосистеми більш ефективним способом, що може підвищити стійкість американської електромережі, згідно з останньою статтею в Операції IEEE в енергосистемах.

Зближення динамічних та статичних обчислень

Новий підхід дозволяє операторам приймати рішення, враховуючи як статичні, так і динамічні особливості енергосистеми в єдиній моделі прийняття рішень з кращою точністю — історично важким завданням.

"Рішення про вимкнення або ввімкнення генератора та визначення рівня його вихідної потужності є прикладом статичного рішення, дії, яке не змінюється протягом певного часу. Однак електрична частота, яка пов'язана зі швидкістю генератор — це приклад динамічної особливості, оскільки він може коливатися в часі у випадку зриву (наприклад, навантаження, що спрацьовує) або операції (наприклад, перемикач закритий) ", — сказав вчений-обчислювач Аргонна Фен Цю, який співпрацює з автор дослідження. "Якщо скласти динамічні та статичні рецептури разом у одну модель, вирішити це практично неможливо."

В енергосистемах оператори повинні утримувати частоту в межах певного діапазону значень, щоб відповідати межам безпеки. Статичні умови, такі як кількість генераторів в Інтернеті, впливають на здатність системи утримувати частоту та інші динамічні характеристики.

Більшість аналітиків розраховують статичні та динамічні характеристики окремо, але результати не відповідають. Тим часом, інші намагалися розробити прості моделі, які дозволять обміняти обидва типи обчислень, але ці моделі обмежені в масштабованості та точності, особливо, коли системи стають складнішими.

Штучні нейронні мережі з'єднують точки між статичними та динамічними ознаками

Замість того, щоб намагатися поєднати існуючі статичні та динамічні формули разом, Циу та його однолітки розробили підхід для створення нових формул, які могли б з'єднати їх. Їх підхід зосереджується на використанні інструменту штучного інтелекту, відомого як нейронна мережа.

"Нейронна мережа може створити карту між конкретним входом і конкретним результатом", — сказав Ічен Чжан, докторський призначальник Аргонни та головний автор дослідження. "Якщо я знаю, з яких умов ми починаємо і з якими ми закінчуємо, я можу використовувати нейронні мережі, щоб зрозуміти, як ці умови співпадають один з одним".

Незважаючи на те, що їхній нейромережевий підхід може застосовуватися до силових систем, команда протестувала його на мікромережі, керованій мережі розподілених енергоресурсів, таких як дизельні генератори та сонячні фотоелектричні панелі.

Команда використовувала нейронну мережу для відстеження того, як набір статичних умов у системі мікросетки відображається на набір динамічних умов або значень. Більш конкретно, дослідники використовували його для оптимізації статичних ресурсів в межах їх мікросетки, щоб електрична частота залишалася в безпечному діапазоні.

Дані моделювання слугували входами та виходами для навчання їх нейронної мережі. Вхідні дані були статичними даними, а виходи — динамічними відгуками, зокрема безпечним діапазоном частот. Коли дослідники передавали обидва набори даних у нейронну мережу, вона "навчилася" відображати оціночні динамічні реакції для набору статичних умов.

"Нейронна мережа перетворила складні динамічні рівняння, які ми, як правило, не можемо поєднати зі статичними рівняннями, в нову форму, яку ми можемо вирішити разом", — сказав Кві.

Відкривання дверей для нових видів аналізів

Дослідники, аналітики та оператори можуть використовувати підхід вчених Аргонну як вихідну точку. Наприклад, оператори потенційно можуть використовувати його, щоб передбачити, коли вони можуть включати та вимикати генеруючі ресурси, одночасно забезпечуючи, щоб усі ресурси, які перебувають в Інтернеті, могли протистояти певним перебоям.

"Це такий сценарій, який системні оператори завжди хотіли проаналізувати, але раніше не змогли цього зробити через проблеми спільного обчислення статичних та динамічних особливостей", — сказав докторант Аргонни та співавтор Тянькі Гонг. "Тепер ми вважаємо, що ця робота робить можливим подібний аналіз".

"Ми схвильовані потенціалом для такого типу аналітичного підходу", — сказав Марк Петрі, директор програми "Електромережі" Аргонни. "Наприклад, це може забезпечити кращий спосіб операторам швидко та безпечно відновити електроенергію після відключення електроенергії. Проблема, що викликається складними оперативними рішеннями, пов'язаними з динамікою системи, роблячи електричну мережу більш стійкою до зовнішніх небезпек."

Facebook Comments