Mikrotinklai gali pasinaudoti vietiniais atsinaujinančiais energijos šaltiniais, tokiais kaip saulės baterijos ant stogo arba mažos vėjo turbinos, kad atkurtų elektros tiekimą nutrūkus. Kreditas: Nick Gonzales, UC Santa Cruz Tai istorija, kuri tapo per daug pažįstama – stiprūs vėjai nutraukia elektros liniją, o bendruomenė gali likti be elektros ištisas valandas ar dienas, geriausiu atveju – nepatogumų, o blogiausiu – pavojinga situacija. UC Santa Cruz elektros ir kompiuterių inžinerijos docentas Yu Zhang ir jo laboratorija naudoja įrankius, kad pagerintų energijos sistemų efektyvumą, patikimumą ir atsparumą, ir sukūrė dirbtiniu intelektu (AI) pagrįstą metodą, skirtą pažangiam elektros energijos mikrotinklų valdymui. atstatymas įvykus gedimams.
Jie aprašo savo naująjį AI modelį ir parodo, kad jis pranoksta tradicinius energijos atkūrimo metodus naujame žurnale paskelbtame dokumente. IEEE operacijos dėl tinklo sistemų valdymo. Shourya Bose, mokslų daktaras. Zhango laboratorijos studentas yra pirmasis šio straipsnio autorius.
„Šiais laikais mikrotinklai iš tikrųjų yra tas dalykas, į kurį tiek pramonės, tiek akademinės bendruomenės žmonės daugiausia dėmesio skiria ateities energijos paskirstymo sistemoms“, – sakė Zhang.
Daugelyje bendruomenių infrastruktūra ir jos naudotojai yra visiškai priklausomi nuo vietinės elektros energijos gamybos įmonės. Tai reiškia, kad įvykus nelaimei ar ekstremaliam oro įvykiui ar net ant linijos užgriuvus medžiui, elektra nutrūksta, kol bus galima atlikti remontą.
Šiandien daugelis elektros sistemų yra išmanios, nes yra tarpusavyje sujungtos su kompiuteriais ir jutikliais. Juose dažnai naudojami vietiniai atsinaujinančios energijos šaltiniai, pvz., saulės baterijos ant stogų arba mažos vėjo turbinos, o kai kurie namų ūkiai ir pastatai naudojasi atsarginiais generatoriais ir (arba) energijos baterijomis, kad patenkintų elektros energijos poreikį.
Šis energijos šaltinių derinys suteikia galimybę vietiniu lygmeniu pašalinti elektros tiekimo sutrikimus, naudojant alternatyvius energijos šaltinius, kad būtų tiekiama elektra prieš atkuriant tiekimą. Vienas iš būdų tai padaryti yra naudoti mikrotinklą, kuris paskirsto elektrą mažoms vietovėms, pvz., keliems pastatams ar miesteliui, nors mikrotinklo dydis gali skirtis.
Mikrotinklą galima prijungti prie pagrindinio maitinimo šaltinio, bet jis taip pat gali veikti atjungtas „salelės režimu“, palaikantis iš alternatyvių energijos šaltinių ir neveikiantis problemų, turinčių įtakos pagrindiniam įrenginiui. Zhango tyrimų grupė daugiausia dėmesio skiria tam, kaip optimizuoti mikrotinklus iš šių įvairių alternatyvių šaltinių, tokių kaip atsinaujinantys energijos šaltiniai, generatoriai ir baterijos, kad greitai ir teisingai atkurtų energiją.
„Iš esmės norime priartinti energijos gamybą prie paklausos, kad atsikratytume ilgų perdavimo linijų“, – sakė Zhang. „Tai gali pagerinti elektros energijos kokybę ir sumažinti elektros energijos nuostolius linijose. Tokiu būdu mes padarysime tinklą mažesnį, bet tvirtesnį ir atsparesnį.”
Siekdama optimaliai eksploatuoti mikrotinklus, Zhang laboratorija sukūrė dirbtiniu intelektu pagrįstą techniką, vadinamą giliu sustiprinimu, tą pačią koncepciją, kuria grindžiami dideli kalbų modeliai, kad būtų sukurta efektyvi sistema, apimanti daugelio energijos sistemos komponentų modelius.
Mokymosi pastiprinimas priklauso nuo atlyginimo algoritmui už sėkmingą reagavimą į besikeičiančią aplinką – taigi agentas yra apdovanotas, kai sugeba sėkmingai atkurti reikalingą visų tinklo komponentų galią. Jie aiškiai modeliuoja praktinius realaus pasaulio sistemos suvaržymus, tokius kaip atšakų srautai, kuriuos gali valdyti elektros linijos.
„Modeliuojame daugybę dalykų – saulės, vėjo, mažų generatorių, akumuliatorių, taip pat modeliuojame, kai keičiasi žmonių elektros poreikis“, – sakė Bose. „Naujovė ta, kad šis specifinis mokymosi sustiprinimo skonis, kurį vadiname suvaržytu politikos optimizavimu (CPO), naudojamas pirmą kartą.
Jų CPO metodas atsižvelgia į realaus laiko sąlygas ir naudoja mašininį mokymąsi, kad surastų ilgalaikius modelius, turinčius įtakos atsinaujinančių energijos šaltinių išeigai, pvz., kintančią paklausą tinkle tam tikru metu ir pertrūkius oro veiksnius, turinčius įtakos atsinaujinantiems šaltiniams. Tai skiriasi nuo tradicinių sistemų, kurios dažnai naudoja metodą, vadinamą nuspėjamuoju modelio valdymu (MPC), kuris sprendimus pagrįsti tiesiog turimomis sąlygomis optimizavimo metu.
Pavyzdžiui, jei CPO metodas numato, kad saulė švies ryškiai po valandos, jis išnaudotų savo saulės energijos atsargas žinodamas, kad vėliau jos bus papildytos – tai kitokia strategija, nei gali prireikti, jei diena būtų debesuota. Jis taip pat gali sužinoti apie sistemą, pagrįstą ilgalaikiais saulės energijos naudojimo tinkle modeliais.
Tyrėjai nustatė, kad jų CPO technika gerokai lenkia tradicinius MPC metodus, kai atsinaujinančių šaltinių prognozės yra mažesnės nei tikrovė, nes jie geriau supranta visus galimus saulės profilius bet kurią dieną.
Jie taip pat nustatė, kad pastiprinimo mokymosi valdiklis gali reaguoti daug greičiau nei tradiciniai optimizavimo metodai elektros energijos tiekimo nutraukimo metu.
Neseniai tyrėjų komanda įrodė savo metodo sėkmę, kai užėmė pirmąją vietą pasauliniame konkurse, kuriame dalyviai kvietė naudoti sustiprinimo mokymąsi ar panašius metodus, kad valdytų elektros tinklą. Konkursą, pavadintą L2RPN Delft 2023, bendrai rėmė Prancūzijos elektros perdavimo sistemos operatorius (Réseau de Transport d’Électricité), kurį UC Santa Cruz tyrėjai laiko rodikliu, kad dabar didelio masto tinklo operatoriai gali pradėti pereiti prie AI ir atsinaujinančios energijos technologijas.
Dabar, kai jie sukūrė sėkmingą modeliavimo algoritmą, tyrimų grupė stengiasi išbandyti savo modelį savo laboratorijoje mikrotinkluose. Ilgainiui mokslininkai tikisi įgyvendinti savo sprendimą UC Santa Cruz universiteto miestelio energetikos sistemoje, kad išspręstų gedimų problemas, su kuriomis susiduria gyvenamųjų namų bendruomenė. Jie taip pat tikisi sulaukti tolesnio pramonės susidomėjimo ir bendradarbiavimo.
Daugiau informacijos: Apkrovos atkūrimas salose esančiose mikrotinkliuose: formulavimo ir sprendimo strategijos, IEEE operacijos dėl tinklo sistemų valdymo (2023). DOI: 10.1109 / TCNS.2023.3337710
Citata: dirbtiniu intelektu pagrįstas požiūris į mikrotinklus, galinčius efektyviau ir patikimiau atkurti maitinimą nutraukus (2023 m. lapkričio 30 d.), gautas 2023 m. lapkričio 30 d. iš https://techxplore.com/news/2023-11-ai-based-approach- microgrids-power-efektyviai.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
