A mesterséges intelligencia segítheti a megbízhatóbb villamoshálózatok kialakítását

Az elektromos hálózatok megbízhatósága és hatékonysága új szintre léphet azzal a mesterséges intelligencián alapuló modellel, ami a megújuló energiaforrások kiszámíthatatlanságát és az elektromos járművek növekvő energiaigényét is figyelembe veszi.

A Virginiai Egyetem által fejlesztett AI-modell többrétegű gráf neurális hálózatokat (GNN-eket) használ. Ezek az algoritmusok képesek javítani a teljesítményelemzést, ami nélkülözhetetlen a biztonságos és hatékony energiaelosztás szavatolásához, vagyis GNN-ek felhasználásával az új rendszer nemcsak gyorsabbá és pontosabbá teszi az áramelosztás optimalizálását, hanem rugalmasan alkalmazkodik az áramhálózat változó körülményeihez is – áll a vonatkozó tanulmányban.

Hatékonyság – alacsony és magas minőségű adatok kombinálásával

Az új AI-modell egyik újdonsága a többrétegű megközelítés. Ez lehetővé teszi a kevésbé pontos (alacsony minőségű, azaz „low-fidelity”) adatok és a kisebb mennyiségű, de nagyon precíz (magas minőségű, azaz „high-fidelity”) adatok együttes felhasználását. A kombinált megoldás gyorsabb tanulást és fokozott pontosságot biztosít, miközben jelentősen növeli a rendszer megbízhatóságát. A modell egyedisége abban is rejlik, hogy alkalmazkodni tud különféle hálózati konfigurációkhoz és változásokhoz, például vezetékhibákhoz. Az optimális teljesítményelosztás problémáját szintén segít megoldani azáltal, hogy különböző energiaforrásokból származó energiatermelés optimalizálását célozza meg.

Ahogy mind több megújuló energiaforrás kapcsolódik a villamos hálózatokhoz, az energiatermelés egyre kiszámíthatatlanabbá válik. A hagyományos hálózatirányítási módszerek nem tudják megfelelően kezelni a valós idejű ingadozásokat, viszont az AI-modell az integrált szimulációk révén akár másodpercek alatt optimalizálható hálózati megoldásokat eredményez, még váratlan helyzetekben is.

A tudósok a skálázhatóságot tartják a modell egyik legfontosabb előnyének: kevesebb számítási kapacitást igényel, így nagyobb és összetettebb hálózatok kezelésére egyaránt alkalmas. Pontossága az alacsony minőségű szimulációk tömeges felhasználásában rejlik – ennek köszönhetően megbízhatóbb előrejelzéseket kínál az energiaelosztásra, ráadásul a modell robusztus és alkalmazkodóképes, hiszen képes igazodni a hálózati topológia változásaihoz, amit a hagyományos gépi tanulási modellek nem tudnak biztosítani.

A Virginiai Egyetem fejlesztése áttörést hozhat az energiagazdálkodás terén, és választ adhat azokra a kihívásokra, amelyeket az új energiamodellek és a villamoshálózat modernizálása követel.

Gábor János, NEW technology