智能微电网可以在停电时更高效、更可靠地恢复电力

它似乎变得越来越熟悉了——大风摧毁了电力线，社区停电长达数小时，往好了说是方便，往坏了说是危险加州大学圣塔克鲁兹分校电气与计算机工程助理教授于章及其实验室致力于提高电力系统的效率、可靠性和灵活性，并开发了一种基于人工智能（AI）的方法来实现微电网的智能控制，以便在断电时恢复电力

他们描述了他们的新AI模型，以及如何在IEEETransactionsonControlofNetworkSystems杂志上发表的一篇新论文中执行传统的电源恢复技术，这是控制系统和网络科学领域的一篇文章大喊一声，博士d张实验室的学生，是论文的第一作者

张说：“如今，微电网正是工业界和非农业界关注未来配电系统的关键。”

在许多社区，基础设施和基础设施完全依赖于与电力相比的本地发电设施这意味着，在发生严重天气事件的情况下，或者仅在最后一次降落时，就可以对电源进行彻底修复

如今，许多电气系统都与计算机和传感器相连大多数企业在当地可再生能源，如太阳能电池板或小型风力涡轮机，以及一些家庭和建筑，这些家庭和建筑依赖于备用发电机和/或能源电池来满足其电力需求

这种电源组合提供了一个机会，可以在恢复电源之前通过备用电源停止供电来解决问题一种方法是使用微电网，它将电力分配给安全建筑或城市等较小的区域——尽管微电网的大小可能会有所不同

微电网可以连接到主电源，但也可以在“孤岛模式”下连接时运行，由国际电源自行支持，不受电源影响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运行，以快速、正确地储存电力

张说：“从本质上讲，我们希望将发电设备靠近需求侧，以摆脱长输电线。”“这可以提高电力质量，减少输电线路上的电力损耗。通过这种方式，我们将使电网更小、更坚固、更有弹性。”

为了优化操作过程，张的实验室开发了一种基于AI的技术的集合表示式学习，这是一个支撑大型语言管理模型的概念，以创建一个有效的框架，其中包括电力系统任何组件的模型加强学习取决于对成功完全响应不断变化的环境的算法的奖励——系统管理人员被授予成功完全存储网络组件的指令功率的能力他们明确地模拟了这个世界体系的实际约束，比如电力线可以处理的支流

Bosesa说：“我们正在对太阳能、风能、小型发电机、电池等全产业进行建模，我们也在对人们的电力需求变化进行建模。”“新颖之处在于，这种特殊的强化学习方式，我们称之为约束政策优化（CPO），正被用于第一次。”

他们的rCPO方法考虑了实时条件，并利用机器学习来发现影响可再生能源输出的长期模式，例如对整合可再生能源时间的不同需求和对其他因素的长期关注这与传统的系统不同，传统的系统采用了先进的技术，即集中模式预测控制（MPC），其决策仅基于可用的二次优化时间

例如，如果CPO方法预测它将在一小时内恢复正常，那么它将耗尽太阳能的供应，并知道它稍后会得到补充——这与阴天可能采取的策略不同它可以了解基于长期模式的系统，了解如何使用太阳能

研究人员发现，当可再生资源的预测低于预期时，他们的CPO技术显著优于传统MPC方法，这是因为他们通过任何给定的日期更好地了解了所有可能的极化轮廓

在停电的情况下，信息强化学习可控制的响应速度比传统的优化方法更快

最近的研究小组在举办第一届全球竞赛时，提高了他们的方法的成功率，该竞赛邀请参与者进行更多的信息强化学习或类似的技术要求来操作电网这场名为“2023年2RPNDelft”的比赛由法国电力传输系统运营商（Ré；seaudeTransportd'é；electricalité；）共同主办，加州大学圣塔克鲁兹分校的研究表明，现在大规模的电网运营商可能开始向AI和可再生能源技术转移

既然他们已经在模拟中开发出了成功的算法，他们的团队正在实验室中的微网格上测试他们的模型从长远来看，该公司将在加州大学圣塔克鲁兹分校的能源系统中实施该解决方案，以解决同一校园社区面临的问题他们希望在工业上建立更紧密的联系和合作