研究人员利用人工智能应对现代电网日益复杂的局面。
随着风能和太阳能等可再生能源的使用持续增长，电网的管理变得明显更加复杂。弗吉尼亚大学的一个团队创造了一种开创性的解决方案：一种人工智能模型，能够有效减轻与可再生能源生产和电动车辆需求相关的不可预测性，提高电网的可靠性和效率。
多保真图神经网络：前沿人工智能解决方案
新开发的模型利用了多保真图神经网络（GNNs），这是一种旨在改进电力流分析的特定人工智能技术——确保电力安全高效地分配到网络中。”多保真”方法使得人工智能模型可以利用大量低质量数据（低保真），同时仍利用较小的高质量数据（高保真）。这种双层策略加快了模型的训练，并提升了系统的整体准确性和可靠性。
增强电网灵活性以实现即时决策
借助GNNs，模型能够适应不同的电网设置，并承受诸如电线故障等变化。它为持续的”最优电力流”挑战提供解决方案，该挑战涉及确定来自不同来源的理想电力输出。随着可再生能源在电力生产和分布式发电系统中引入不可预测性，以及电气化——特别是电动车辆——增加了更多的需求变动，传统的电网管理技术往往难以应对这些实时变化。新的人工智能模型巧妙地将详细和简化的模拟结合起来，在几秒钟内生成最佳解决方案，即使在不可预见的情况下也能增强电网的性能。
“在可再生能源和电动车辆带来的变化环境中，我们需要更智能的策略来管理电网，”项目的首席研究员、土木与环境工程助理教授Negin Alemazkoor解释道。”我们的模型提供快速、可靠的决策支持，即使在意外情况下也能应对。”
主要优势：
- 可扩展性：需要较少的计算能力进行训练，使其非常适合大型复杂的电力系统。
- 更高的准确性：利用大量低保真模拟进行更可靠的电力流预测。
- 增强的普适性：模型在电网结构变化（如线路故障）期间保持稳健，而传统的机器学习模型通常不提供这一特性。
这一人工智能模型的进步有望在不确定性上升的背景下显著促进电网的可靠性。
确保能源可靠性的未来
“管理可再生能源的不可预测性是一个重大挑战，但我们的模型简化了这个过程，”Alemazkoor实验室的博士生Mehdi Taghizadeh评论道。另一位博士生Kamiar Khayambashi，专攻可再生能源整合，也指出，”这代表着朝着更稳定、更可持续的能源未来迈进了一步。”
