機器學習為美國電網技術革新注入活力

出處 Renewable Energy World 作者 黃孔良 年份 2018/11/19
報告類型 能源新聞 分類 能源新聞 資料時間 2018年11月
原始連結 原始連結
    這一切都引出了一些問題,公用事業公司如何在不犧牲可靠性的情況下跟上技術的快速增長和需求,以及再生能源供應的不確定波動?美國能源部(DOE)阿貢(Argonne)國家實驗室正在開始通過一種稱為機器學習的特定途徑來探索它們,機器學習是一套人工智慧技術,已經推動了許多研究領域問題的快速解決。機器學習使用樣本數據並逐步從中學習以改進對新數據的預測,其目標是找到滿足擬議問題需求的最佳變量組合。
    這些機器學習技術的核心是資料和大量數據。電力行業內已存在大量可以為優化模型提供資訊的數據。有些只是如當地能源使用和天氣模式的單純歷史數據,其他數據來自不斷增長的設備傳感器集合、可能的使用量或危險場景的模擬。
    Argonne實驗室已因其在能源系統方面的工作而受到認可,它為電力行業帶來了機器學習的深度知識,這些知識來自不同研究領域的持續工作,從宇宙天文學和醫學到城市和材料科學。其中,在內燃機的優化中,使用機器學習取得了豐碩成果。該團隊通過機器學習算法運行來自計算流體動態模擬的數據,並開發了一個訓練模型,能更快地預測發動機的性能,將模擬速度從兩到三個月減少到數天。
    解決電網網格問題
    Kibaek Kim是一位助理計算數學家,專注於不確定或極端條件下的電力系統,其範圍從颶風等自然災害到恐怖活動。在此類事件期間,操作員必須立即對系統中斷做出反應,並對其反應具有高度的確定性。為了幫助他們即時獲得最佳或最佳解決方案,Kim的團隊使用優化,機器學習和計算機模擬的組合。
雖然用於機器學習模型的輸入可以來自基礎設施損壞的歷史數據及其對分佈的影響,但這些信息通常不可用或不完整。模擬不僅發掘了電力系統特有的動態細微差別,而且可以設計為針對特定類型的事件運行數百萬種可能的場景,從而更好地為機器學習演算法提供資訊。
使用機器學習來提高電力市場效率
    電力市場每天都由獨立的系統運營商進行電價出清,需要有效地解決複雜的優化問題。優化模型和解決方案的效率和保真度是市場效率和可靠性的關鍵。通過機器學習技術的支援,可以有效地解決市場清算模型,例如,為再生能源和負載提供更好的預測。
    更大的問題:將分佈式能源資源整合到現有電網中
    由於系統中包含有許多自然和技術的移動部分,大多數研究人員都認為美國電網是一個複雜的最佳化系統,其反應的時間規模由數分鐘到數天。了解所有這些部分的相互作用需要比目前更多可用的數據,以使機器學習預測可行。這需要在太陽能電池板和風力渦輪機等組件上安裝及整合更多傳感器,有效分析所有這些數據,以最大化的利用分佈式能源的資源。高性能計算機和機器學習算法用於改進下一個小時或接下來24小時的預測,我們可以創建一個幾乎瞬間運行的模型,有助於改善分佈式能源發電的預測。