科學家以新方式使用人工智能來增強電網彈性

由Argonne科學家創建的新的人工神經網絡模型以相對較高的精度處理電力系統的靜態和動態特征。美國的電力網系統不僅大，但動態的，這使得它特別難以管理。操作員知道在條件不變時如何維護系統。但是，當條件迅速變化時，例如由于突發故障，操作員就缺乏明確的方法來預測系統應如何最好地滿足系統安全性和安全性要求。

在美國能源部(DOE)的阿貢國家實驗室，一個研究小組開發了一種新穎的方法，以幫助系統操作員了解如何借助人工智能更好地控制電力系統。根據IEEE Transactions on Power Systems上的最新文章，他們的新方法可以幫助運營商以更有效的方式控制電力系統，從而可以增強美國電網的彈性。

融合動態和靜態計算

這種新方法使操作員可以在單個決策模型中以更高的準確性同時考慮電力系統的靜態和動態特性來做出決策，這是歷史上的艱巨挑戰。

“關閉或打開發電機并確定其輸出功率水平的決定是靜態決定的一個例子，這種決定在一定時間內不會改變。但是，電頻率與電表的速度有關。發電機是動態功能的一個示例，因為它在發生干擾(例如，負載跳閘)或操作(例如，開關閉合)的情況下會隨時間波動，” Argonne計算科學家馮秋說撰寫了這項研究。“如果將動態和靜態公式放到同一模型中，則根本不可能解決。”

在電力系統中，操作員必須將頻率保持在一定范圍內，以滿足安全限制。靜態條件(例如在線發電機的數量)會影響系統的保持頻率能力和其他動態功能。

大多數分析人員分別計算靜態和動態特征，但結果不足。同時，其他人試圖開發可以橋接兩種類型的計算的簡單模型，但是這些模型的可伸縮性和準確性受到限制，尤其是當系統變得更加復雜時。

人工神經網絡將靜態和動態特征之間的點連接起來

Qiu和他的同伴沒有嘗試將現有的靜態和動態公式擬合在一起，而是開發了一種方法來創建可以將兩者聯系起來的新公式。他們的方法集中在使用稱為神經網絡的人工智能工具上。

這項研究的主要作者，阿貢大學博士后被任命者張宜辰說：“神經網絡可以在特定的輸入和特定的輸出之間建立映射。” “如果我知道我們開始和結束的條件，我可以使用神經網絡找出這些條件如何相互映射。”

盡管他們的神經網絡方法可以應用于大功率系統，但該團隊在微電網系統上進行了測試，該系統是分布式能源的可控網絡，例如柴油發電機和太陽能光伏板。

該團隊使用神經網絡來跟蹤微電網系統中的一組靜態條件如何映射到一組動態條件或值。更具體地說，研究人員使用它來優化微電網中的靜態資源，從而使電頻率保持在安全范圍內。

仿真數據用作訓練其神經網絡的輸入和輸出。輸入是靜態數據，輸出是動態響應，特別是安全的頻率范圍。當研究人員將兩組數據都傳遞到神經網絡時，它“學習”到了針對一組靜態條件的估計動態響應圖。

said說：“神經網絡將通常無法與靜態方程結合的復雜動態方程轉換為可以一起求解的新形式。”