这是一个非常熟悉的故事——强风吹倒了电线，一个社区可能会断电数小时到数天，最坏的情况是不方便，最坏的情况是危险的情况。加州大学圣克鲁斯分校电气与计算机工程助理教授张宇和他的实验室正在利用工具来提高电力系统的效率、可靠性和弹性，并开发了一种基于人工智能(AI)的方法，用于在停电时智能控制微电网，以便恢复电力。
他们在《IEEE网络系统控制学报》上发表的一篇新论文中描述了他们的新人工智能模型，并表明它优于传统的电力恢复技术。Shourya Bose, Zhang实验室的博士生，是这篇论文的第一作者。
“如今，微电网确实是工业界和学术界都在关注的未来配电系统，”张说。
在许多社区，基础设施及其用户完全依赖当地的发电公用事业公司供电。这意味着，在发生灾难或极端天气事件的情况下，甚至只是一棵树倒在电线上，电力就会中断，直到可以进行维修。
今天，许多电力系统都是智能的，因为它们与计算机和传感器相连。它们通常结合当地的可再生能源，如屋顶太阳能电池板或小型风力涡轮机，一些家庭和建筑物依靠备用发电机和/或能源电池来满足电力需求。
这种能源组合提供了一个机会，通过在上游电力恢复之前使用替代能源提供电力来解决当地的停电问题。实现这一目标的一种方法是建立微电网，将电力分配到小范围的区域，如几栋建筑或一个城镇，尽管微电网的规模可以有所不同。
微电网可以连接到主要的公用事业电源，但也可以在断开时以“孤岛模式”运行，由替代能源自给自足，不受影响主要公用事业的问题的影响。Zhang的研究团队专注于优化微电网如何从可再生能源、发电机和电池等各种替代能源中提取电力，以快速、正确地恢复电力。
张说:“从本质上讲，我们希望使发电更接近需求方，以摆脱长输电线。”“这可以提高电能质量，减少线路上的功率损耗。通过这种方式，我们将使电网更小，但更强大，更有弹性。”
为了优化微电网的运行，Zhang的实验室开发了一种基于人工智能的技术，称为深度强化学习，这与支持大型语言模型的概念相同，以创建一个包括电力系统许多组件模型的有效框架。
强化学习依赖于对成功响应不断变化的环境的算法进行奖励，所以当一个代理能够成功地恢复网络所有组件的所需功率时，它就会得到奖励。它们明确地对现实世界系统的实际约束进行建模，例如电力线可以处理的分支流。
“我们正在模拟一大堆东西——太阳能、风能、小型发电机、电池，我们也在模拟人们电力需求的变化，”Bose说。“新奇之处在于，这种强化学习的特殊风格，我们称之为约束策略优化(CPO)，是第一次被使用。”
他们的CPO方法考虑了实时条件，并使用机器学习来寻找影响可再生能源产出的长期模式，例如在给定时间对电网的变化需求和影响可再生能源的间歇性天气因素。这与传统系统不同，传统系统通常使用一种称为模型预测控制(MPC)的技术，该技术仅根据优化时的可用条件做出决策。
例如，如果CPO方法预测太阳将在一小时内明亮地照耀，它就会用完它的太阳能供应，并知道它稍后会被补充——这与多云天气时可能采取的策略不同。它还可以根据电网如何使用太阳能的长期模式来了解该系统。
研究人员发现，当可再生能源的预测低于现实时，他们的CPO技术明显优于传统的MPC方法，因为他们更好地了解了任何一天所有可能的太阳剖面。
他们还发现，在停电的时刻，强化学习控制器能够比传统的优化方法更快地做出反应。
该研究团队最近证明了他们的方法的成功，他们在一项邀请参与者使用强化学习或类似技术来操作电网的全球竞赛中获得了第一名。这项名为L2RPN Delft 2023的竞赛由法国电力传输系统运营商(rseau de Transport d'électricité)共同赞助，加州大学圣克鲁兹分校的研究人员将其视为一个指标，表明现在大型电网运营商可能开始转向人工智能和可再生能源技术。
现在他们已经在模拟中开发了一种成功的算法，研究小组正在实验室中测试他们的微电网模型。从长远来看，研究人员希望在加州大学圣克鲁斯分校的能源系统中实施他们的解决方案，以解决住宅校园社区面临的停电问题。他们还希望看到来自工业界的进一步兴趣和合作。
更多信息:孤岛微电网的负荷恢复:制定和解决策略，IEEE网络系统控制学报(2023)。引文:一种基于人工智能的微电网方法，可以在停电时更有效、更可靠地恢复电力(2023,11月30日)2023年11月30日从https://techxplore.com/news/2023-11-ai-based-approach-microgrids-power-efficiently.html检索。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
