C’est une histoire devenue trop familière : des vents violents détruisent une ligne électrique et une communauté peut rester sans électricité pendant des heures, voire des jours, ce qui constitue au mieux un inconvénient et au pire une situation dangereuse. Yu Zhang, professeur adjoint de génie électrique et informatique à l’UC Santa Cruz, et son laboratoire exploitent des outils pour améliorer l’efficacité, la fiabilité et la résilience des systèmes électriques et ont développé une approche basée sur l’intelligence artificielle (IA) pour le contrôle intelligent des micro-réseaux pour rétablissement du courant en cas de panne.
Ils décrivent leur nouveau modèle d’IA et montrent qu’il surpasse les tactics traditionnelles de restauration de l’alimentation dans un nouvel posting publié dans la revue IEEE Transactions on Regulate of Community Methods, une revue de leading system dans le domaine des systèmes de contrôle et de la science des réseaux. Shourya Bose, titulaire d’un doctorat. étudiant dans le laboratoire de Zhang, est le leading auteur de l’article.
« De nos jours, les micro-réseaux sont vraiment ce sur quoi les industriels et les universitaires se concentrent pour les futurs systèmes de distribution d’électricité », a déclaré Zhang.
Dans de nombreuses communautés, les infrastructures et leurs utilisateurs dépendent entièrement d’une société locale de output d’électricité pour l’électricité. Cela signifie qu’en cas de disaster ou d’événement météorologique extrême, ou même simplement d’un arbre tombant sur une ligne, l’électricité est coupée jusqu’à ce que des réparations puissent être effectuées.
Aujourd’hui, de nombreux systèmes électriques sont intelligents dans la mesure où ils sont interconnectés à des ordinateurs et à des capteurs. Ils intègrent souvent des sources d’énergie renouvelables locales telles que des panneaux solaires sur les toits ou de petites éoliennes, et certains ménages et bâtiments dépendent de générateurs de secours et/ou de batteries d’énergie pour leur demande d’électricité.
Cette combinaison de resources d’énergie offre l’opportunité de remédier aux pannes localement en utilisant des resources d’énergie alternatives pour fournir de l’électricité avant que l’alimentation en amont ne soit rétablie. Une façon d’y parvenir consiste à utiliser un micro-réseau, qui distribue l’électricité à de petites zones telles que quelques bâtiments ou une ville – bien que la taille du micro-réseau puisse varier.
Le micro-réseau peut être connecté à la principale source d’électricité, mais peut également fonctionner lorsqu’il est déconnecté en « method îlotage », autosuffisant par des sources d’énergie alternate options et non affecté par les problèmes affectant le support general public principal. L’équipe de recherche de Zhang se concentre sur l’optimisation de la manière dont les micro-réseaux exploitent ces diverses sources options telles que les énergies renouvelables, les générateurs et les batteries pour rétablir l’électricité rapidement et correctement.
« Essentiellement, nous voulons rapprocher la manufacturing d’électricité de la demande afin de nous débarrasser des longues lignes de transmission », a déclaré Zhang. « Cela peut améliorer la qualité de l’énergie et réduire les pertes d’énergie sur les lignes. De cette façon, nous rendrons le réseau as well as petit, mais plus fort et additionally résilient. »
Pour exploiter de manière optimale les micro-réseaux, le laboratoire de Zhang a développé une procedure basée sur l’IA appelée apprentissage par renforcement profond, le même concept qui sous-tend les grands modèles de langage, afin de créer un cadre efficace incluant des modèles de nombreux composants du système électrique. L’apprentissage par renforcement dépend de la récompense de l’algorithme pour sa réponse réussie à un environnement changeant : un agent est donc récompensé lorsqu’il est capable de restaurer avec succès la puissance demandée de tous les composants du réseau. Ils modélisent explicitement les contraintes pratiques du système réel, telles que les flux de branchement que les lignes électriques peuvent gérer.
« Nous modélisons tout un tas de choses – l’énergie solaire, éolienne, les petits générateurs, les batteries, et nous modélisons également l’évolution de la demande en électricité des gens », a déclaré Bose. « La nouveauté est que cette model spécifique de l’apprentissage par renforcement, que nous appelons optimisation de politique contrainte (CPO), est utilisée pour la première fois. »
Leur approche CPO prend en compte les conditions en temps réel et utilise l’apprentissage automatique pour trouver des modèles à prolonged terme qui affectent la output d’énergies renouvelables, tels que la demande variable sur le réseau à un second donné et les facteurs météorologiques intermittents qui affectent les resources renouvelables. Ceci est différent des systèmes traditionnels qui utilisent souvent une method appelée contrôle prédictif de modèle (MPC) qui base les décisions simplement sur les circumstances disponibles au instant de l’optimisation.
Par exemple, si la méthode CPO prédit que le soleil brillera dans une heure, elle épuisera sa réserve d’énergie solaire en sachant qu’elle sera reconstituée plus tard – une stratégie différente de celle qu’elle pourrait adopter si la journée était nuageuse. Il peut également en apprendre davantage sur le système en se basant sur des modèles à long terme d’utilisation de l’énergie solaire par le réseau.
Les chercheurs ont découvert que leur system CPO surpasse considérablement les méthodes MPC traditionnelles lorsque les prévisions de sources renouvelables sont inférieures à la réalité, grâce à sa meilleure compréhension de tous les profils solaires possibles tout au prolonged d’une journée donnée.
Ils ont également constaté que le contrôleur d’apprentissage par renforcement est able de réagir beaucoup additionally rapidement que les méthodes d’optimisation traditionnelles en cas de panne de courant.
L’équipe de recherche a récemment prouvé le succès de sa méthode en se classant première dans un concours mondial invitant les individuals à utiliser l’apprentissage par renforcement ou des tactics similaires pour faire fonctionner un réseau électrique. Le concours, appelé L2RPN Delft 2023, était co-parrainé par le gestionnaire du réseau de transport d’électricité français (Réseau de Transport d’Électricité), que les chercheurs de l’UC Santa Cruz considèrent comme un indicateur que les opérateurs de réseau à grande échelle pourraient désormais commencer à s’orienter vers l’IA et procedures d’énergies renouvelables.
Maintenant qu’ils ont développé un algorithme de simulation efficace, l’équipe de recherche travaille à tester son modèle sur des micro-réseaux dans son laboratoire. À lengthy terme, les chercheurs espèrent mettre en œuvre leur answer sur le système énergétique du campus de l’UC Santa Cruz pour résoudre les problèmes de panne auxquels est confrontée la communauté résidentielle du campus. Ils espèrent également voir davantage d’intérêt et de collaboration de la component de l’industrie.
