由Argonne科學家創(chuàng)建的新的人工神經(jīng)網(wǎng)絡模型以相對較高的精度處理電力系統(tǒng)的靜態(tài)和動態(tài)特征。美國的電力網(wǎng)系統(tǒng)不僅大，但動態(tài)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(tǒng)。但是，當條件迅速變化時，例如由于突發(fā)故障，操作員就缺乏明確的方法來預測系統(tǒng)應如何最好地滿足系統(tǒng)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(fā)了一種新穎的方法，以幫助系統(tǒng)操作員了解如何借助人工智能更好地控制電力系統(tǒng)。根據(jù)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(tǒng)，從而可以增強美國電網(wǎng)的彈性。

融合動態(tài)和靜態(tài)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(tǒng)的靜態(tài)和動態(tài)特性來做出決策，這是歷史上的艱巨挑戰(zhàn)。

“關閉或打開發(fā)電機并確定其輸出功率水平的決定是靜態(tài)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(fā)電機是動態(tài)功能的一個示例，因為它在發(fā)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(tài)和靜態(tài)公式放到同一模型中，則根本不可能解決。”

在電力系統(tǒng)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(tài)條件(例如在線發(fā)電機的數(shù)量)會影響系統(tǒng)的保持頻率能力和其他動態(tài)功能。

大多數(shù)分析人員分別計算靜態(tài)和動態(tài)特征，但結果不足。同時，其他人試圖開發(fā)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(tǒng)變得更加復雜時。

人工神經(jīng)網(wǎng)絡將靜態(tài)和動態(tài)特征之間的點連接起來

Qiu和他的同伴沒有嘗試將現(xiàn)有的靜態(tài)和動態(tài)公式擬合在一起，而是開發(fā)了一種方法來創(chuàng)建可以將兩者聯(lián)系起來的新公式。他們的方法集中在使用稱為神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡找出這些條件如何相互映射。”

盡管他們的神經(jīng)網(wǎng)絡方法可以應用于大功率系統(tǒng)，但該團隊在微電網(wǎng)系統(tǒng)上進行了測試，該系統(tǒng)是分布式能源的可控網(wǎng)絡，例如柴油發(fā)電機和太陽能光伏板。

該團隊使用神經(jīng)網(wǎng)絡來跟蹤微電網(wǎng)系統(tǒng)中的一組靜態(tài)條件如何映射到一組動態(tài)條件或值。更具體地說，研究人員使用它來優(yōu)化微電網(wǎng)中的靜態(tài)資源，從而使電頻率保持在安全范圍內。

仿真數(shù)據(jù)用作訓練其神經(jīng)網(wǎng)絡的輸入和輸出。輸入是靜態(tài)數(shù)據(jù)，輸出是動態(tài)響應，特別是安全的頻率范圍。當研究人員將兩組數(shù)據(jù)都傳遞到神經(jīng)網(wǎng)絡時，它“學習”到了針對一組靜態(tài)條件的估計動態(tài)響應圖。

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