随着可再生能源使用量的增加，新的人工智能模型可以使电网更加可靠

Josiah02

随着风能、太阳能等可再生能源的普及，电网管理也变得越来越复杂。弗吉尼亚大学的研究人员开发出了一种创新的解决方案：一种人工智能模型，可以解决可再生能源发电和电动汽车需求的不确定性，使电网更加可靠和高效。
他们的论文“高维需求和可再生能源发电不确定性下多保真图神经网络高效潮流分析”和“使用增强多保真图神经网络在负荷和可再生能源发电不确定性下的混合机会约束最优潮流”分别发表在《电力系统研究》和《机器学习建模与计算杂志》上。
多保真度图神经网络：一种新的人工智能解决方案
新模型基于多保真图神经网络(GNN)，这是一种旨在改善电力流分析的人工智能，电力流分析是确保电力在电网中安全高效地分配的过程。
“多保真度”方法允许 AI 模型利用大量低质量数据（低保真度），同时仍能从少量高精度数据（高保真度）中获益。这种双层方法可以加快模型训练速度，同时提高系统的整体准确性和可靠性。
增强电网灵活性以实现实时决策
通过应用 GNN，该模型可以适应各种电网配置，并且对电力线故障等变化具有鲁棒性。它有助于解决长期存在的“最佳电力流”问题，确定应从不同来源产生多少电力。
由于可再生能源给发电和分布式发电系统引入了不确定性，加上电气化（例如电动汽车），增加了需求的不确定性，传统的电网管理方法难以有效地处理这些实时变化。
新的人工智能模型集成了详细和简化的模拟，可以在几秒钟内优化解决方案，即使在不可预测的条件下也能提高电网性能。
“随着可再生能源和电动汽车改变格局，我们需要更智能的解决方案来管理电网，”土木与环境工程助理教授、该项目首席研究员 Negin Alemazkoor 表示。“我们的模型有助于做出快速、可靠的决策，即使发生意外变化也是如此。”
主要优点：
可扩展性：训练需要较少的计算能力，使其适用于大型复杂的电力系统。
更高的准确性：利用丰富的低保真模拟来实现更可靠的电力流预测。
提高通用性：该模型对电网拓扑变化（如线路故障）具有很强的鲁棒性，这是传统机器学习模型所不具备的功能。
面对日益增加的不确定性，人工智能建模的创​​新可以在提高电网可靠性方面发挥关键作用。
确保未来能源可靠性
“管理可再生能源的不确定性是一个巨大的挑战，但我们的模型让它变得更容易，”Alemazkoor 实验室的研究生、博士生 Mehdi Taghizadeh 说道。专注于可再生能源整合的博士生 Kamiar Khayambashi 补充道，“这是迈向更稳定、更清洁的能源未来的一步。”