Gépi tanulással tehetnék hatékonyabbá az elektromos hálózatokat

Nagyobb terhelés, öregedő hálózatok

Az elektromos hálózatok kulcsszerepet töltenek be a modern társadalomban, miközben az elektromos járművek terjedése, a megújuló energia használata és az éghajlatváltozás elleni fellépés miatt egyre több villamos energiára van szükség. A világ számos hálózata ugyanakkor öregszik, ezért karbantartásra és korszerűsítésre szorul.

A hálózatok üzemeltetésének és tervezésének egyik központi feladata az AC optimalizált teljesítményáramlás, vagyis az AC-OPF. Ennek során az üzemeltetők azt keresik, hogyan lehet a termelést úgy elosztani, hogy az áramellátás a lehető legalacsonyabb költséggel történjen, miközben teljesülnek a fizikai és üzemeltetési korlátok.

Ehhez folyamatos egyensúlyozásra van szükség. Az üzemeltetőknek előre kell jelezniük a villamosenergia-igényt, majd valós időben korrigálniuk kell a rendszert. A hagyományos módszerek nagy rendszerekben számításigényesek és lassúak lehetnek. Ez korlátozza a valós idejű optimalizálást, a fogyasztásoldali szabályozást és az olyan hosszú távú tervezési feladatokat, amelyekben sok optimalizálási problémát kell gyorsan megoldani.

A gépi tanulás önmagában nem elég

A kutatók a gépi tanulást azért vizsgálják, hogy csökkentsék az optimalizálási problémák összetettségét. A kizárólag adatokból tanuló modellek azonban nem mindig tartják tiszteletben a rendszer mögöttes fizikáját. Emiatt megsérthetik a teljesítményegyensúly egyenleteit és az üzemeltetési korlátokat, ami a biztonságkritikus hálózati működésben elfogadhatatlan kockázatot jelenthet.

Hibrid megközelítéssel a gépi tanulás többféleképpen kapcsolható be a folyamatba. A modell azonosíthatja a meghatározó korlátokat, egyszerűsítheti a korlátozott optimalizálási feladatot, linearizálhatja a problémát, vagy kiinduló becslést adhat a megoldáshoz. Ezek a módszerek csökkenthetik a számítási terhet, de mérsékelhetik a gépi tanulásból származó gyorsulást, és egyes korlátsértések továbbra is megmaradhatnak.

A PhD-kutatás során, Neil Lawrence professzorral együttműködve, különböző modelleket hasonlítottak össze. Az eredmények szerint az adatvezérelt módszerek, például a lineáris modellek, felülmúlhatják a DC-OPF-et, amely az elektromosenergia-termelés elosztására és az áramárak kiszámítására használt linearizált matematikai modell. Ez azonban önmagában nem igazolja egy összetettebb gépi tanulási modell használatát. A kutatók egy olyan modellt is kidolgoztak, amely felülmúlta a lineáris modellt, de az előny nem jelent meg következetesen minden adathalmazon.

A hagyományos megoldók megbízhatóságát ötvöznék a gépi tanulással

A kutatás egyik fő eredménye egy új, iteratív AC teljesítményáramlás-megoldó, amelyet gépi tanulással támogatott AC-OPF-hez terveztek. A módszer a gépi tanulás számítási hatékonyságát a hagyományos megoldók, például a Newton-Raphson-módszer megbízhatóságával és megvalósíthatóságával kapcsolja össze.

A kutatók szerint a rögzítettpontos algoritmus a hagyományos AC teljesítményáramlás-megoldótól eltérő módon használható, és kiküszöbölhet bizonyos szokatlan dinamikákat, amelyek az utófeldolgozás során jelentkezhetnek. A módszer további korlátok beépítését is lehetővé teszi, valamint más, gépi tanuláson alapuló keretrendszerekkel is kombinálható.

A kutatás készítője jelenleg nagyobb hálózatokon végzi az utolsó kísérleteket, hogy megerősítse az eredményeket és alátámassza a valós környezetben való alkalmazhatóságot. A lehetséges felhasználások között a valós idejű hálózati üzemeltetés és a hosszú távú hálózattervezés is szerepel.

A következő fejlesztési irány az, hogy a keretrendszert további üzemeltetési korlátok kikényszerítésére is kiterjesszék. Ez a teljes AC-OPF-feladat megoldhatóságát javíthatná. A hálózatüzemeltetők kockázatkerülése miatt a technológia gyakorlati bevezetéséhez megbízható működésre és egyértelmű védőkorlátokra lenne szükség.