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

这是一个再熟悉不过的故事了——强风吹断电线，社区可能会停电数小时至数天，往好了说是造成不便，往坏了说是危险的情况。加州大学圣克鲁斯分校电气与计算机工程助理教授YuZhang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)的方法来智能控制电力微电网发生断电时恢复。

他们在《IEEETransactionsonControlofNetworkSystems》杂志上发表的一篇新论文中描述了他们的新人工智能模型，并表明其性能优于传统的电源恢复技术。ShouryaBose，博士张实验室的学生是该论文的第一作者。

“现在，微电网确实是工业界和学术界对于未来配电系统关注的焦点。”张说。

在许多社区，基础设施及其用户完全依赖当地发电公用事业公司提供电力。这意味着，如果发生灾难或极端天气事件，甚至只是一棵树倒在电线上，就会断电，直到可以进行维修为止。

如今，许多电力系统都是智能的，因为它们与计算机和传感器互连。它们通常采用当地的可再生能源，例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。

这种电源组合提供了在上游电力恢复之前使用替代能源提供电力来解决本地停电问题的机会。实现这一目标的一种方法是使用微电网，将电力分配到一些建筑物或城镇等小区域，尽管微电网的规模可能会有所不同。

微电网可以连接到主要公用电源，但也可以在“孤岛模式”断开连接时运行，由替代能源自给自足，并且不受影响主要公用事业的问题的影响。张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获取电力，以快速、正确地恢复电力。

“本质上，我们希望使发电更接近需求侧，以摆脱长输电线路，”张说。“这可以改善电能质量并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，张的实验室开发了一种名为深度强化学习的基于人工智能的技术，该技术与支撑大型语言模型的概念相同，以创建一个包含电力系统许多组件模型的高效框架。

强化学习取决于对成功响应不断变化的环境的算法进行奖励，因此当代理能够成功恢复网络所有组件所需的功率时，它就会得到奖励。他们明确地模拟了现实世界系统的实际约束，例如电力线可以处理的分支流。

“我们正在对一大堆东西进行建模——太阳能、风能、小型发电机、电池，我们也在对人们的电力需求变化进行建模，”博斯说。“新颖之处在于，这种特殊的强化学习方式，我们称之为约束策略优化(CPO)，是首次被使用。”

他们的CPO方法考虑了实时条件，并使用机器学习来查找影响可再生能源输出的长期模式，例如给定时间对电网的不同需求以及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个小时内发出明亮的光芒，它就会耗尽太阳能供应，并知道稍后会得到补充——这与当天阴天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系统。

研究人员发现，当可再生能源的预测低于实际情况时，他们的CPO技术明显优于传统的MPC方法，因为他们可以更好地了解任何一天中所有可能的太阳剖面。

他们还发现，在断电时，强化学习控制器能够比传统优化方法更快地做出响应。

该研究团队最近在一项邀请参与者使用强化学习或类似技术来运营电网的全球竞赛中获得第一名，证明了他们的方法的成功。这项名为L2RPNDelft2023的竞赛由法国电力传输系统运营商(RéseaudeTransportd'Électricité)共同主办，加州大学圣克鲁斯分校的研究人员认为，这是一个指标，表明大型电网运营商现在可能开始转向人工智能和可再生能源技术。

现在他们已经开发出成功的模拟算法，研究团队正在实验室的微电网上测试他们的模型。从长远来看，研究人员希望在加州大学圣克鲁斯分校校园的能源系统上实施他们的解决方案，以解决校园住宅社区面临的停电问题。他们还希望看到业界的进一步兴趣和合作。