Thế hệ phân phối (DG) ám chỉ việc sản xuất điện ở khoảng thời gian gần nơi sử dụng, thường dựa vào các nguồn năng lượng tái tạo như hệ thống quang hợp, điện năng, tua bin gió, kết hợp nhiệt và năng lượng (CHP) và hệ thống lưu trữ pin. Khi quá trình chuyển giao năng lượng toàn cầu tăng tốc, hoạt động hiệu quả của những tài sản phân cấp này trở thành thiết yếu cho sự ổn định mạng lưới, giảm thiểu chi phí và ảnh hưởng môi trường. Tình báo động điện tử (AI) và CL (máy học) đang nhanh chóng nổi lên để phân phối tối đa thế hệ, cho phép việc phân phối năng lượng thực tế, dự đoán và bảo trì năng lượng tinh vi. Bài này khám phá và phân phối năng lượng và phân phối các nguồn lực (bằng bê tông)

Giao diện ngang hàng giữa AI và ML trong thế hệ phân phối

Hệ thống phân phối hiện đại là môi trường giàu dữ liệu. cảm biến trên máy đảo, trạm thời tiết, các mét thông minh, và SCADA sản xuất dòng số lượng lớn các hoạt động, môi trường và dữ liệu thị trường. Các thuật toán AI và ML chuyển đổi dữ liệu thô này thành trí thông minh có thể hoạt động. Không giống như hệ thống điều khiển truyền thống truyền thống, mô hình ML có thể học các mối quan hệ phức tạp không tuyến tính, thích nghi với điều kiện thay đổi, và cải thiện thời gian. Khả năng này đặc biệt có giá trị để quản lý tính chất hữu hiệu của nguồn năng tái tạo năng tái tạo.

Những dự đoán về cách phát triển năng lượng

Một trong những ứng dụng thành thục nhất của ML trong thế hệ phân phát là dự báo năng lượng. dự báo ngắn hạn về sự vô tuyến tính, tốc độ gió và mây cho phép các nhà điều hành dự đoán sản lượng thế hệ trước nhiều ngày. Ví dụ, các mô hình như mạng bộ nhớ ngắn hạn (LTM), tăng cường các máy tính, và mạng thần kinh giao thoa (CNN) được đào tạo trên thời tiết lịch sử và dữ liệu thế hệ thường xuyên đạt được tỷ lệ phần trăm hoàn toàn thấp hơn cho dự báo năng lượng mặt trời ngày. Lấy thí dụ, các mạng [FLT: 0] mạng lưới [NM:] tăng cường năng lượng (NLLLLLT: mạng lưới giao thức) [NN] đã được rèn luyện để kết quả từ các mô hình phản ứng hóa thời tiết và dự báo thời tiết, tăng cường năng lượng mặt trời và cải tiến hơn nữa để cải tiến các chu kỳ dự báo về mặt trời, tăng cường các chu kỳ dự báo năng lượng mặt trời và tăng cường năng lượng mặt trời.

Bên cạnh các thiết bị dự đoán từ thế hệ, mô hình dự đoán cũng thất bại. Việc phát hiện các thuật toán vô tuyến tính theo dõi nhiệt độ, đường cong điện áp và các mẫu dao động từ hộp quay gió. Có nghĩa là thời gian để thất bại ước tính cho phép các nhà điều hành có thời gian bảo trì trước khi bị hỏng hóc xảy ra, giảm thời gian không dự tính. Việc nghiên cứu từ [FLT: 0]E [FLT: 1] đã chứng minh rằng sự phân hủy vật lý có thể kết hợp các mô hình vật lý với mạng thần kinh với các lỗi năng điện năng trong việc chuyển đổi năng năng năng năng lên đến 72 giờ trước đó hơn báo động dựa trên ngưỡng.

Name

Hệ thống điều khiển theo quy mô thời gian đã dự đoán một bước xa hơn bằng cách điều chỉnh liên tục để phân phối tài sản thế hệ. Tăng cường kiến thức (RL) đã trở thành một kỹ thuật hàng đầu cho quản lý hệ thống DER thời gian thực. Trong một bối cảnh vi mô, một công ty RL học một chính sách tối ưu - chẳng hạn như khi nạp hoặc giải phóng một ắc quy, bao nhiêu để giảm thiểu năng lượng mặt trời, hoặc mà CHP để truyền tải - bằng cách tương tác với môi trường và tối đa hóa phần thưởng cho các chi phí năng lượng, giảm thiểu pin và khí thải carbon. Lấy thí dụ, Google's Mind RL thành công áp dụng thành công trong việc giảm thiểu chi phí điện tử trong trung tâm của họ, 40% các trung tâm đang tiếp cận các nhà máy tính tương tự như vậy.

Điều khiển dự đoán (MPC) kết hợp với nhận diện hệ thống dựa trên ML là một cách tiếp cận mạnh mẽ khác. MPC sử dụng một mô hình động động của hệ thống DG để dự đoán hành vi tương lai và điều khiển tối ưu hóa hành động trên chân trời lăn. Khi mô hình hệ thống được học từ dữ liệu thông qua tiến trình tiến trình tiến trình kiểu Gaussian hoặc mạng thần kinh lặp lại, bộ điều khiển có thể thích ứng với các động cơ của hệ thống mà không cần điều chỉnh lại hướng dẫn sử dụng hướng dẫn sử dụng. Phương pháp lai này đặc biệt hiệu quả cho hệ thống chứa và nạp điện, nơi mà thời gian tối ưu thay đổi thời tiết.

Lợi ích chính và kết quả đáng kể

Sự thành công

Al-T đã hiển thị các cải tiến năng lượng do phân phối nhất định dưới các chiến lược điều khiển thông thường. Các thử nghiệm trên mái nhà bằng cách sử dụng các hệ mặt trời có các điểm năng lượng tối đa dựa trên định vị nền tảng ML (MPPT) đã tăng tỷ lệ sử dụng năng lượng sản xuất từ 5–10% dưới một phần pháp lý, so với các thuật toán perturb- và-BBl. Ở cấp độ, tăng cường việc phân phối hệ thống cho hệ thống để gửi năng lượng mặt trời đã tăng tỷ lệ tự tiêu thụ từ 60% đến 85% trong trường hợp ở châu Âu. Những tính năng hiệu suất này sẽ được dịch trực tiếp thành lợi nhuận cao hơn cho chủ và giảm phân phối trong mạng lưới DG.

Hỗ trợ tính tương đối và Lưới tăng cường

Việc phát hiện và định vị sai phạm trong mạng lưới có giá trị thấp là một lĩnh vực khác nơi mà ML thêm giá trị đáng kể. Hỗ trợ máy tính véc tơ và classifier rừng ngẫu nhiên được đào tạo trên mạng điện thờ và dữ liệu hiện thời có thể xác định loại và vị trí của lỗi (v. d., các lỗi địa điểm có đường thẳng đến mặt đất) với độ chính xác rất cao 95%. Khi kết hợp với các thiết bị tự động đóng và chuyển đổi, những hệ thống này hiệu lực khả năng tự động tự bảo vệ và phục vụ trong vòng vài giây. [FL: 0] Bộ xử lý lỗi chính xác [FL: TL] đã hỗ trợ nhiều dự án khác nhau, kiểm tra lại khả năng của đảo và thiết lập lại tính năng của máy tính năng tự động mà không hiệu quả, trong vòng vài phút.

Chi phí tiết kiệm và hiệu quả hoạt động

Bảo trì dự đoán được cung cấp bởi ML có thể giảm hoạt động và bảo trì (O&D;M) chi phí cho việc lắp đặt mặt trời và gió vào 15–30%, theo dấu chấm bảng số công nghiệp. Tránh một hộp điều khiển tua bin riêng lẻ (có thể làm giảm dần việc với chi phí 200.000–50 USD) hoặc một sự thất bại quy mô lớn chi phí cắt giảm chi phí cho toàn bộ cơ sở hạ tầng và cơ sở dữ liệu bằng máy tính nhiều lần. Hơn nữa, các thuật toán giao dịch năng lượng AI- kinh tế cho phép người sở hữu các thị trường dịch vụ DG tham gia vào tỷ lệ và hỗ trợ điện lực. Những thuật toán này dự đoán giá thị trường mô hình hoạt động, và việc gửi tiền thầu tự động, tăng lợi nhuận, và tăng lợi nhuận của các dự án phân phối kinh tế.

Những thử thách và động lực thúc đẩy

Việc triển khai AI và ML trong hệ thống phân phối dữ liệu có những rào cản đáng kể. Chất lượng dữ liệu và tiện ích là mối quan tâm đầu tiên. Nhiều chương trình DG thời kỳ đầu không có đủ dữ liệu lịch sử để đào tạo các mô hình mạnh mẽ. Truyền dữ liệu di chuyển học tập trung và tổng hợp bằng mạng thần kinh cung cấp một đường dẫn tới bằng cách sử dụng các thiết lập dữ liệu từ các cấu trúc tương tự. Tính riêng tư dữ liệu cũng rất quan trọng khi tổng hợp các mô hình học tập hợp khách hàng; các khuôn mẫu học tập thể được cung cấp qua nhiều trang web khác nhau, mà không cần thiết lập dữ liệu thô, để bảo tồn các cấu hình chung.

Bảo vệ mạng là một thách thức cấp bách khác. Mô hình L có thể là mục tiêu của các cuộc tấn công đối kháng- kết quả đầy ác ý được thiết kế để gây ra những dự đoán sai. Chẳng hạn, một kẻ tấn công có thể tiêm một tín hiệu dự báo thời tiết nhỏ vào một thông tin dự báo thời tiết để lừa một mô hình dự báo năng lượng mặt trời thành một mô hình đánh giá quá mức độ bất ổn định, dẫn đến việc tạo ra các kỹ thuật tập luyện (sự huấn xuyên suốt, bảo vệ được xác nhận) và hệ thống dò dựa trên các vùng phát hiện bất thường là nghiên cứu tích cực. Tính phức tạp của việc kết hợp Atil với các giao thức và giao thức liên lạc (v. d. d. S. S. S. hay DB.N, iP3 cũng đòi hỏi nâng cấp phần mềm và nâng cấp phần mềm và nâng cấp tính năng lượng công cụ.

Hướng tương lai: Lưới tự động và xa hơn

Sự tiến hóa của trí tuệ phân phối chỉ ra các mục tiêu hoàn toàn tự động mà không cần sự can thiệp của con người. kiến trúc RL có thể điều khiển nhiều DERs trên một khuôn viên hay khu vực lân cận, tối ưu cho sự pha trộn của nền kinh tế, sức bật, và các mục tiêu bền vững. cặp song sinh số - động lực, mô phỏng hệ thống DG vật lý - cho phép các nhà điều khiển kiểm soát chiến lược ở silico trước khi được triển khai. cạnh đó, mô hình MI, chạy trên các máy chủ hay cổng không phải là các máy chủ đám mây, giảm sự phụ thuộc vào mạng lưới tính năng, tính năng quan trọng cho các ứng dụng và tính năng quan trọng.

Các kỹ thuật tạo ra các mạng thần kinh đồ thị đang được áp dụng để mô phỏng các địa chất phức tạp của mạng phân phối, cho phép quản lý tắc nghẽn và điều hòa điện áp tốt hơn. Trong khi đó, các mô hình ngôn ngữ lớn (LM) đang được khám phá để tìm kiếm các giao diện ngôn ngữ tự nhiên cho phép người điều khiển truy vấn hệ thống hoặc nhận lời giải thích cho các lời khuyên của AI. Khi các giá trị phần cứng tiếp tục giảm và mã nguồn mở, các rào cản để tiếp nhận các phương pháp tối ưu hóa sẽ giảm, làm cho việc phân phối thông minh đến người dùng quy mô nhỏ hơn.

Kết luận

Thông minh nhân tạo và máy học không phải là khái niệm tương lai cho thế hệ phân phối họ là công nghệ đã được chứng minh đã cung cấp những cải tiến về hiệu quả, đáng tin cậy và chi phí. từ dự đoán với mạng lưới điện năng lượng mặt trời để tăng cường việc học để kiểm soát vi mô, thuật toán ML đang cho phép một hệ thống năng lượng thông minh hơn, đáp ứng hơn. những thách thức của sự thiếu thốn dữ liệu, an ninh mạng và tích hợp được gửi thông qua nghiên cứu hợp và tiêu chuẩn công nghiệp. khi sức mạnh của máy tính tăng và các thuật toán trở nên hiệu quả hơn, vai trò của AI trong thế hệ phân phối sẽ tăng, giúp xây dựng một cơ sở hạ tầng điện và bền vững hơn cho hàng thập kỷ trước.