科学家以新方法使用人工智能来增强电网弹性

由Argonne科学家创建的新的人工神经网络模型以相对较高的精度处理电力系统的静态和动态特征。

美国的电力网系统不仅大，但动态的，这使得它特别难以管理。操作员知道在条件不变时如何维护系统。但是，当条件迅速变化时，例如由于突发故障，操作员就缺乏明确的方法来预测系统应如何最好地满足系统安全性和安全性要求。

在美国能源部（DOE）的阿贡国家实验室，一个研究小组开发了一种新颖的方法，以帮助系统操作员了解如何借助人工智能更好地控制电力系统。根据IEEE Transactions on Power Systems上的最新文章，他们的新方法可以帮助运营商以更有效的方式控制电力系统，从而可以增强美国电网的弹性。

融合动态和静态计算

这种新方法使操作员可以在单个决策模型中以更高的准确性同时考虑电力系统的静态和动态特性来做出决策，这是历史上的艰巨挑战。

“关闭或打开发电机并确定其功率输出水平的决定是静态决定的一个例子，这种决定在一定时间内不会发生变化。尽管如此，电频率与电表的速度有关。发电机是动态功能的一个示例，因为它在发生干扰（例如，负载跳闸）或操作（例如，开关闭合）的情况下会随时间波动，” Argonne计算科学家冯秋说撰写了这项研究。“如果将动态和静态公式放到同一模型中，则根本不可能解决。”

在电力系统中，操作员必须将频率保持在一定范围内，以满足安全限制。静态条件（例如在线发电机的数量）会影响系统的保持频率能力和其他动态功能。

大多数分析人员分别计算静态和动态特征，但结果不足。同时，其他人试图开发可以桥接两种类型的计算的简单模型，但是这些模型的可伸缩性和准确性受到限制，尤其是当系统变得更加复杂时。

人工神经网络将静态和动态特征之间的点连接起来

Qiu和他的同伴并没有试图将现有的静态和动态公式组合在一起，而是开发了一种方法来创建可以将两者联系起来的新公式。他们的方法集中在使用称为神经网络的人工智能工具上。

这项研究的主要作者，阿贡大学博士后被任命者张宜辰说：“神经网络可以在特定输入和特定输出之间建立映射。” “如果我知道我们开始和结束的条件，我可以使用神经网络找出这些条件如何相互映射。”

尽管他们的神经网络方法可以应用于大功率系统，但该团队在微电网系统上进行了测试，该系统是分布式能源的可控网络，例如柴油发电机和太阳能光伏板。

该团队使用神经网络来跟踪微电网系统中的一组静态条件如何映射到一组动态条件或值。更具体地说，研究人员使用它来优化微电网中的静态资源，从而使电频率保持在安全范围内。

仿真数据用作训练其神经网络的输入和输出。输入是静态数据，输出是动态响应，特别是安全的频率范围。当研究人员将两组数据都传递到神经网络时，它“学习”到了针对一组静态条件的估计动态响应图。

said说：“ 神经网络将通常无法与静态方程结合的复杂动态方程转换为可以一起求解的新形式。”

为新型分析打开大门

研究人员，分析人员和操作人员可以使用Argonne科学家的方法作为起点。例如，运营商可以潜在地使用它来预测何时可以打开和关闭发电资源，同时确保所有在线资源都能够承受某些破坏。

Argonne博士后任命兼合著者Tianqi Hong说：“这种情况是系统操作员一直想分析的一种情况，但由于无法同时计算静态和动态特征而无法做到。” “现在我们认为这项工作使这种类型的分析成为可能。”

Argonne的电网计划总监Mark Petri说：“我们对这种分析方法的潜力感到兴奋。” “例如，这可以为操作员提供一种更好的方式，使他们能够在停电后快速安全地恢复电力，这个问题是复杂的操作决策与系统动态纠缠在一起所带来的挑战，使电网对外部危害具有更大的弹性。”

稿源：TechTMT.Com