ИИ для предотвращения перебоев электроэнергии
Схема примерной сети с распределенными энергетическими ресурсами (DERS) как с способностью обрабатывать сетку, так и без нее, так и без переключателей для секции/связей.Кредит: Природная связь (2024).Doi: 10.1038/s41467-024-49207-y
Исследователи UT Dallas, которые сотрудничали с инженерами в университете в Буффало в Нью -Йорке, продемонстрировали автоматизированную систему в исследовании, опубликованном в Интернете 4 июня в Nature Communications.
Подход является ранним примером технологии «самовосстановления сетки», которая использует ИИ для обнаружения и восстановления проблем, таких как отключения автономно и без вмешательства человека, когда возникают проблемы, такие как линии электропередачи, поврежденные штормом.
Североамериканская сетка представляет собой обширную, сложную сеть линий передачи и распределения, генеральных средств и трансформаторов, которые распределяют электроэнергию от источников энергии для потребителей.
Используя различные сценарии в тестовой сети, исследователи продемонстрировали, что их решение может автоматически идентифицировать альтернативные маршруты для передачи электроэнергии пользователям до возникновения отключения.ИИ имеет преимущество скорости: система может автоматически перенаправлять электрический поток в миллисекундах, в то время как текущие процессы, контролируемые человеком, чтобы определить альтернативные пути, могут занять от нескольких минут до нескольких часов.
«Наша цель состоит в том, чтобы найти оптимальный путь, чтобы как можно быстрее отправить власть большинству пользователей», - сказал доктор Цзе Чжан, доцент кафедры машиностроения в Школе инженерии и компьютерных наук Эрика Джонссона.«Но необходимо больше исследований до того, как эта система будет реализована».
Чжан, который является совместным автором исследования, и его коллеги использовали технологию, которая применяет машинное обучение на графики, чтобы сопоставить сложные отношения между сущностями, которые составляют сеть распределения власти.Графическое машинное обучение включает в себя описание топологии сети, способ расположены различные компоненты по отношению друг к другу и как электричество движется через систему.
Топология сети также может сыграть решающую роль в применении ИИ для решения проблем в других сложных системах, таких как критическая инфраструктура и экосистемы, сказал соавтор исследования д-р Юлия Гель, профессор математических наук в Школе естественных наук и математики.
«В этом междисциплинарном проекте, используя нашу командную экспертизу в области энергетических систем, математики и машинного обучения, мы исследовали, как мы можем систематически описать различные взаимозависимости в системах распределения с использованием абстракций графов», - сказал Гель.«Затем мы исследовали, как может использоваться основная топология сети, интегрированная в рамку обучения подкрепления, для более эффективного управления отключениями в системе распределения электроэнергии».
Подход исследователей основан на обучении подкреплению, которое принимает наилучшие решения для достижения оптимальных результатов.Во главе с совместным автором доктора Соумы Чоудхури, доцента кафедры механической и аэрокосмической инженерии, Университет исследователей Буффало, сосредоточенного на аспекте обучения подкрепления.
Если электричество заблокировано из-за неисправностей линейки, система может реконфигурировать с помощью переключателей и извлекать мощность из доступных источников в непосредственной близости, например, из крупномасштабных солнечных батарей или батарей в университетском городке или бизнесе, сказала Рошни Анна Джейкоб,UTD Electrical Engineering Acomeral Student и автора статьи статьи.
«Вы можете использовать эти энергоснабжения для подачи электроэнергии в определенной области», - сказал Джейкоб.
Сосредоточив внимание на предотвращении отключений, исследователи будут стремиться разработать аналогичную технологию для восстановления и восстановления сетки после сбоя энергии.
More information: Roshni Anna Jacob et al, Real-time outage management in active distribution networks using reinforcement learning over graphs, Nature Communications (2024). DOI: 10.1038/s41467-024-49207-y
Нашли ошибку в тексте? Напишите нам.