Может сделать американскую электросеть умнее искусственный интеллект

Может сделать американскую электросеть умнее искусственный интеллект

Следующая статья является частью серии статей об усилиях Аргоннской национальной лаборатории по использованию предсказательной силы искусственного интеллекта, в частности машинного обучения, для продвижения открытий в широком спектре научных дисциплин. Сколько электричества вам понадобится завтра? Отвечать на этот вопрос очень похоже на ожидание вашей утренней поездки на работу - в некоторой степени предсказуемо, но отнюдь не железно.

Чтобы справиться с присущей неопределенностью в прогнозировании потребностей в электроэнергии и избежать неожиданностей, операторы электросетей полагаются на компьютерные модели, которые помогают оценить все - от потребности в электроэнергии до моделей трафика. «Подход Аргонны решает, ожидаются ли текущие условия системы на основе прошлого поведения, или это что-то новое и другое.

Эта информация может использоваться для предупреждения оператора о том, что у него может быть что-то, чего они не ожидают в сети», - заявляет Михай Анитеску, старший математик по вычислительной технике в Аргоннской национальной лаборатории Эта задача учета как определенных, так и неизвестных ситуаций при доставке электроэнергии по всем видам сценариев включает в себя ряд невероятно сложных математических задач.

С помощью искусственного интеллекта (ИИ) исследователи из Аргоннской национальной лаборатории Министерства энергетики США (США) разрабатывают новые способы получения информации из горных массивов данных об электрической сети с целью обеспечения большей её надежности, устойчивости и эффективности. Эта работа сочетает в себе многолетний опыт Аргонна в области энергосистем с ее передовыми вычислительными возможностями и экспертами.

Лучшее понимание неопределенностей

Операторы энергосистемы всегда сталкивались с проблемами и некоторой неопределенностью от таких факторов, как экстремальные погодные условия и отказы оборудования. Теперь, колеблющиеся поставки возобновляемой энергии, некоторые из которых поступают от потребителей с солнечными батареями на крыше, оснащенными интеллектуальными счетчиками, увеличивают число переменных, которые должны учитывать операторы энергосистемы.

Исследователи Аргонна работают над оптимизационными моделями, которые используют машинное обучение, форму искусственного интеллекта, чтобы моделировать электрическую систему и определять серьезность различных проблем. В регионе с 1000 энергетическими активами, такими как генераторы и трансформаторы, отключение всего трех активов может привести к почти миллиарду сценариев потенциального отказа.

Какие из этих возможностей заслуживают наибольшего внимания? Решение такой сложной модели отнимает много времени. Благодаря таким ресурсам, как Argonne Leadership Computing Facility (ALCF), пользовательский центр Министерства науки, исследователи могут параллельно моделировать несколько сценариев, ускоряя процесс. «Идея состоит в том, чтобы создать большое количество сценариев и обучить модель машинного обучения, чтобы она сказала нам ответ», - сказал Кибек Ким, помощник математика по вычислительной технике в Аргонне.

«Вместо того чтобы решать несколько сложных моделей оптимизации в течение нескольких часов или дней, мы заранее обучаем модель, а затем сразу же получаем ответ». Исследователи обучают машину, предоставляя ей набор данных, который включает решения, как если бы машина изучала предыдущие «экзамены» перед тем, как пробовать новые. Это называется контролируемым обучением.

Другой метод, обучение без учителя, включает подачу на компьютер необработанных данных и позволяет ему отсеивать шаблоны, не сообщая ему никаких «ответов». В одном исследовании Ким и его коллеги использовали тип модели, называемой графической сворачиваемой нейронной сетью, для рекомендации оптимальных средств управления, которые предотвратят перегрузку линий передачи, если возникнет проблема с какой-либо из линий.

Они обнаружили, что эта модель, которая использовала машинное обучение для быстрого поиска решения, генерировала гораздо меньше ошибок, чем более традиционные. Работа проводилась с использованием Аргоннского центра вычислительных ресурсов (LCRC) и его Объединенной лаборатории оценки систем.

В дополнение к LCRC, работа Ким предполагает сотрудничество по всей Аргонне. Команда Ким работает над тем, чтобы сделать такие модели еще более надежными, предоставляя операторам энергосистем более четкие ориентиры, которые могут обеспечить более надежное планирование и операции для непредвиденных событий, таких как штормы, неисправности оборудования и большие колебания в производстве возобновляемой энергии.

Планировать заранее

Другая работа в Аргонне включает применение ИИ для ускорения ежедневных расчетов, которые используются при планировании региональных электрических систем. Одним из таких расчетов является обязательство блока с ограничением безопасности (SCUC), которое помогает операторам энергосети устанавливать график для ежедневной и почасовой выработки электроэнергии. «В энергосистемах эта проблема SCUC решается несколько раз в день», - сказал Фэн Цю, главный ученый в области вычислительной техники в Аргонне.

«Поскольку эта проблема решается неоднократно, мы можем накапливать много данных и выявлять закономерности, которые можно использовать для решения следующих проблем». По словам Цю, вместо того, чтобы заменить текущую аналитику машинным обучением, идея состоит в том, чтобы поддержать существующие, используя машинное обучение, чтобы предложить «подсказки», извлеченные из предыдущих решений.

Используя кластер Bebop от LCRC, команда под руководством докторанта Argonne Алинсона Сантоса Ксавьера разработала ИИ, который может решать SCUC в среднем в 12 раз быстрее, чем обычные методы.

Ранняя версия метода была успешно использована в тестах в Midcontinent Independent System Operator (MISO), который контролирует доставку электроэнергии в 15 штатах и одной канадской провинции. «Все это может привести к более эффективному рынку и более рентабельному производству электроэнергии», - сказал Цю. «Для долгосрочного планирования, это может помочь операторам сети рассмотреть больше сценариев и составить лучшие планы расширения».

Программирование для более умной сетки

Модернизированные сетки все чаще включают в себя датчики, которые могут отслеживать состояния всей системы, и они также предоставляют возможности для улучшенной обработки данных. Например, устройства, размещенные на линиях электропередач и на подстанциях, служат в качестве стражей, которые предупреждают операторов энергосистемы о проблемах с оборудованием, когда они возникают.

Ученые из Аргонны оценили годовой объем данных датчиков от ComEd, утилиты, которая обслуживает почти четыре миллиона клиентов на Среднем Западе США. На этот раз исследователи использовали неконтролируемое обучение, передавая данные на машину и прося ее искать аномалии в выходных сигналах датчиков. «Оператору не всегда известно, когда все работает не так, как должно», - сказал МихайАнитеску, старший математик по вычислительной технике в Аргонне, который работал над проектом.

«Наш подход решает, ожидаются ли текущие условия системы на основе прошлого поведения, или произойдет что-то новое и другое. Эта информация может использоваться для предупреждения оператора о том, что у него может быть то, чего он не ожидает в сети». Такого рода классификационные работы могут также применяться к прогнозированию погоды для возобновляемых источников энергии, например, с поправкой на недооценку ветровых ресурсов вблизи водоемов и комбинированию численных моделей с физическими измерениями для повышения точности.

По словам Анитеску, большая часть работы с ИИ связана с чистыми данными - например, с распознаванием речевых паттернов или анализом картинки: «Физических правил не так много», - добавляет он. Это не относится к крупным системам реального мира, таким как погода или электросеть. «Вы действительно должны согласовать данные, даже если их много, с физической информацией», - сказал он.

«Это технология еще в зачаточном состоянии, и именно там нужны суперкомпьютеры». Работа Аргонна над ИИ для энергосистемы финансировалась Министерством науки Министерства энергетики США, Отделом перспективных исследований и разработок в области электроснабжения Министерства энергетики США и Программой аргоннских исследований и разработок Swift для краткосрочных проектов.

Автор статьи: Виктор Булавин