مدیریت کارآمد برق با کمک شبکه عصبی مبتنی بر هوش مصنوعی

به گزارش پایداری ملی به نقل از ایسنا، دانشمندان در بررسی جدیدی موفق شدند یک مدل شبکه عصبی مصنوعی ابداع کنند که می‌تواند هم ویژگی‌های ثابت و هم ویژگی‌های پایدار یک سیستم نیرو را با دقت بالا مدیریت کند.

شبکه تورین‌های برقی، نه تنها بزرگ بلکه پویا هم هستند و همین موضوع موجب می‌شود که مدیریت آنها چالش‌برانگیز باشد. اپراتورهای انسان می‌دانند که در شرایط پایدار چگونه سیستم‌ها را حفظ کنند اما هنگامی که شرایط در اثر دلایل گوناگون از جمله اشتباهات ناگهانی به سرعت تغییر می‌کنند، اپراتورها روش مشخصی ندارند تا ایمنی مورد نیاز سیستم‌ها را حفظ کنند.

"آزمایشگاه ملی آرگون"(Argonne National Laboratory) که به "وزارت انرژی آمریکا"(DOE) وابسته است، روش جدیدی ارائه داده تا به اپراتورها کمک کند که سیستم‌های نیرو را با کمک هوش مصنوعی، بهتر و با روش کارآمدتری کنترل کنند.

این روش جدید به اپراتورها امکان می‌دهد تا با استفاده از یک مدل تصمیم‌گیری بسیار دقیق و در نظر داشتن ویژگی‌های پویا و ثابت، تصمیم بگیرند و یک چالش دشوار را پشت سر بگذارند.

"فنگ کیو"(Feng Qiu)، از دانشمندان آزمایشگاه ملی آرگون گفت: تصمیم‌گیری برای خاموش و روشن کردن یک ژنراتور و تعیین سطح نیروی خروجی آن، نمونه یک تصمیم ثابت است که در یک بازه زمانی خاص تغییر نمی‌کند. فرکانس الکتریکی که به سرعت ژنراتور بازمی‌گردد، یک ویژگی پویا است زیرا می‌تواند به مرور زمان نوسان داشته باشد. هنگامی که فرمول پویا و ثابت را در یک مدل کنار یکدیگر می‌گذارید، حل کردن آن غیرممکن به نظر می‌رسد.

در سیستم‌های نیرو، اپراتورها باید فرکانس را در یک طیف خاص نگه دارند تا محدودیت‌های ایمنی را رعایت کنند.

بیشتر تحلیلگران، ویژگی‌های ثابت و پویا را به صورت جداگانه محاسبه می‌کنند؛ در حالی که برخی سعی کرده‌اند تا مدل‌های ساده‌ای را ابداع کنند که هر دو نوع محاسبه را شامل می‌شوند اما دقت و مقیاس‌پذیری این مدل‌ها محدود است زیرا سیستم‌ها پیچیده‌تر هستند.

کیو و همکارانش برای همراه کردن فرمول‌های کنونی ثابت و پویا، روشی ابداع کردند تا فرمول‌های جدیدی را برای اتصال این دو ویژگی ایجاد کنند. در روش آنها، از یک ابزار مبتنی بر هوش مصنوعی موسوم به شبکه عصبی استفاده می‌شود.

"ییچن ژانگ"(Yichen Zhang)، نویسنده ارشد این پروژه گفت: یک شبکه عصبی می‌تواند نقشه‌ای را میان ورودی و خروجی خاص ایجاد کند. اگر من شرایطی که با آنها آغاز می‌کنیم و با آنها به پایان می‌بریم بدانم، می‌توانم شبکه‌های عصبی را برای درک چگونگی نقشه‌برداری از این شرایط به کار ببرم.

اگرچه روش شبکه عصبی این گروه را می‌توان برای سیستم‌های بزرگ به کار گرفت اما آنها روش خود را روی یک سیستم ریزشبکه آزمایش کردند. این سیستم، یک شبکه قابل کنترل از منابع توزیع شده انرژی مانند ژنراتور دیزلی و پنل‌های خورشیدی فتوولتاییک است.

پژوهشگران از این شبکه عصبی استفاده کردند تا چگونگی نقشه‌برداری مجموعه‌ای از شرایط ایستا را در سیستم ریزشبکه و به همراه مجموعه‌ای از شرایط یا مقادیر پویا ردیابی کنند. آنها به طور خاص از این شبکه استفاده کردند تا منابع ثابت سیستم ریزشبکه را تنظیم کنند و بدین ترتیب فرکانس الکتریکی، در سطح ایمن باقی بماند.

داده‌های شبیه‌سازی شده، به عنوان ورودی‌ها و خروجی‌های لازم برای آموزش شبکه عصبی به کار گرفته شدند. ورودی‌ها، داده‌های ثابت و خروجی‌ها، واکنش‌های پویا به خصوص در طیف فرکانس‌های ایمن بودند. هنگامی که پژوهشگران، هر دو مجموعه داده را به شبکه عصبی منتقل کردند، شبکه یاد گرفت که از واکنش‌های پویا برای مجموعه‌ای از شرایط ثابت، نقشه‌برداری کند.

کویی اضافه کرد: شبکه عصبی، معادلات پویای پیچیده را که معمولا نمی‌توانیم با معادلات ثابت ادغام کنیم، به شکل جدیدی تبدیل کرد که امکان حل کردن آنها با یکدیگر را برای ما فراهم می‌کند.

پژوهشگران، تحلیل‌گران و اپراتورها می‌توانند از این روش جدید به عنوان یک نقطه آغاز استفاده کنند. برای مثال، اپراتورها می‌توانند از این روش استفاده کنند تا هنگام خاموش و روشن شدن منابع تولید مطمئن باشند که منابع آنلاین می‌توانند اختلالات خاص را تحمل کنند.

"تیانکی هونگ"(Tianqi Hong)، از پژوهشگران این پروژه گفت: این جریانی است که اپراتورهای سیستم همیشه می‌خواهند آن را تحلیل کنند اما به خاطر چالش‌های محاسبه ویژگی‌های ثابت و پویا نمی‌توانند. اکنون ما باور داریم که این روش، چنین تحلیل‌هایی را امکان‌پذیر می‌سازد.

"مارک پتری"(Mark Petri)، از پژوهشگران این پروژه گفت: ما از ارائه این روش تجزیه و تحلیل، هیجان‌زده هستیم. این روش می‌تواند راه بهتری برای اپراتورها فراهم کند تا به بازیابی سریع و ایمن نیرو بپردازند.