人工智能可以使美国电网变得更加智能

互联网 2020-11-07 17:34:57

以下文章是阿贡国家实验室努力利用人工智能预测能力,特别是机器学习,推动广泛科学学科发现的系列文章的一部分。你明天需要多少电?回答这个问题很像是在你早上的通勤中展望 - 有些可预测,但绝不是铁定的。为了管理预测电力需求和避免意外的固有不确定性,电网运营商依靠计算机模型来帮助估算从电力需求到交通模式的所有内容。

“Argonne的方法决定了系统的当前条件是基于过去的行为,还是某些东西是新的和不同的。这些信息可用于提醒操作员他们可能在网格上有他们不期望的东西。“ - 阿贡国家实验室高级计算数学家Mihai Anitescu

在各种情况下分析某些和未知的电力的这一挑战涉及一系列极其复杂的数学问题。在人工智能(AI)的帮助下,美国能源部(DOE)阿贡国家实验室的研究人员正在开发新的方法,从电网中的大量数据中提取见解,目的是确保更高的可靠性,弹性和效率。这项工作将Argonne长期以来的网格专业知识与其先进的计算设施和专家相结合。

更好地掌握不确定性

电网运营商始终处理从极端天气到设备故障等因素的挑战和一些不确定性。现在,可再生能源的供应波动,其中一些来自配备智能电表的屋顶太阳能电池板的消费者,正在增加电网运营商必须考虑的变量数量。

Argonne研究人员正致力于优化模型,这些模型使用机器学习(一种AI)来模拟电力系统和各种问题的严重性。在具有区域1,000电力资产,如发电机,变压器,短短三年资产的中断会产生近十亿场景潜在故障。哪些可能性最值得关注?

解决这样一个复杂的模型非常耗时。借助美国能源部领导计算机构(ALCF),DOE科学用户设施办公室等资源,研究人员可以并行模拟多个场景,更快地推动这一过程。

“我们的想法是生成大量的场景,并训练机器学习模型告诉我们答案,”Argonne助理计算数学家Kibaek Kim说。“而不是解决在几个小时或几天了一些困难的优化模型,我们训练模型的时间提前,然后得到答案的时候了。”

研究人员通过喂养它的一组数据,其中包括解决方案,如果机器正在研究以前的训练机器“尝试新的之前的考试”。这称为监督学习。另一种技术,无监督学习,涉及饲养计算机的原始数据,并允许它筛选出的图案没有告诉任何“答案”。

在一项研究中,Kim和他的同事们使用了一种称为图形卷积神经网络的模型来推荐最佳控制,以防止传输线在任何线路出现问题时过载。他们发现,这种使用机器学习快速找到解决方案的模型产生的错误远远少于传统的错误。这项工作是使用Argonne的实验室计算资源中心(LCRC)及其系统评估联合实验室进行的。除了LCRC之外,Kim的工作涉及Argonne之间的合作。

Kim的团队正致力于使这些模型更加强大,为电网运营商提供更强大的指导,为风暴,设备故障和可再生能源发电的大幅波动等特殊事件提供更可靠的规划和运营信息。

提前计划

Argonne的其他工作涉及应用AI来加速区域电力系统规划中的日常计算。其中一个计算是安全约束单位承诺(SCUC),它可以帮助电网运营商设定每日和每小时发电的时间表。

“在电力系统中,这个SCUC问题每天都会被解决多次,”Argonne首席计算科学家冯秋说。“既然这个问题被反复得到解决,我们可以积累大量的数据,并发现可用于解决下一轮的模式。”

而不是与机器学习取代目前的分析,邱说,这个想法是加强使用机器学习提供现有的“提示”,从以前的解决方案的经验教训。利用的LCRC的波普集群,由阿贡博士后任命Alinson泽维尔桑托斯领导的研究小组开发的AI是可以解决SCUC12快倍,平均比传统方法。该方法的早期版本在Midcontinent独立系统运营商(MISO)的测试中成功使用,该运营商负责监督15个州和一个加拿大省的电力供应。

“所有这些都可以带来更有效的市场和更具成本效益的电力生产,”邱说。“对于长期规划,它可以帮助电网运营商考虑更多的方案,并做出更好的扩张计划。”

为更智能的网格编程

现代化的网格越来越多地采用可以监控整个系统状况的传感器,这些也为增强的数据处理提供了机会。例如,放置在输电线路和变电站上的设备用作哨兵,当发生电网操作员时发出设备问题。

Argonne科学家已经评估了ComEd一年的传感器数据,ComEd是一家为美国中西部地区近400万客户提供服务的公用事业公司。这一次,研究人员使用无监督学习,将数据输送到机器并要求它查找传感器输出中的异常。

“当事情无法正常工作时,操作员并不总是知道,”负责该项目的Argonne高级计算数学家Mihai Anitescu说。“我们的方法决定是否该系统的当前状况是基于过去的行为预期,还是东西是新的,不同的。该信息可用于提醒操作员他们可能在网格上有他们不期望的东西。“

这种分类工作也可以应用于可再生能源的天气预报,例如,校正水体附近的风资源的低估,并将数值模型与物理测量相结合以提高准确性。

很多AI工作,指出Anitescu,涉及纯数据-识别语音模式,例如,或分析图:“不会有太多的物理规则,”他补充道。

对于像天气或电网这样的大型现实系统来说,情况并非如此。“你真的要调和数据,即使有很多的它,与物理信息,”他说。“这是一个处于起步阶段非常多,它真的在那里的超级计算机是必要的。”

阿贡国家实验室的人工智能网格工作一直由美国能源部在科学的办公室,高级电网研究与发展司DOE“电力办公室和阿贡国家实验室的实验室指导研究和开发斯威夫特计划短期项目。

版权声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益,请作者持权属证明与本网联系,我们将及时更正、删除,谢谢您的支持与理解。