隨著電網(wǎng)向雙向和分散的方向發(fā)展，人工智能是唯一能夠以所需規(guī)模實時管理電網(wǎng)的工具。

世界各地的電網(wǎng)都面臨著類似的挑戰(zhàn)。其中最大的一個是各種可再生能源發(fā)電量的增加。太陽能和風能對地球非常有益，但它們與天氣一樣難以預測。旨在鼓勵消費者將太陽能電池板放在屋頂上并使用電動汽車儲存能量的計劃意味著電網(wǎng)正在從單向轉變?yōu)殡p向。而不是需求預測，公用事業(yè)現(xiàn)在需要以非常精細的粒度實時預測供需。

“將人工智能添加到組合中并在邊緣進行實時分析的能力對于增加可以上線的分布式能源數(shù)量至關重要，”能源部門全球業(yè)務發(fā)展和技術主管 Marc Spieler英偉達告訴EE Times。

馬克·斯皮勒

斯皮勒指出，風能、太陽能和電動汽車正在做大量工作，但如果電網(wǎng)沒有能力支持這些應用，那么這些努力就白費了。

需求預測利用了許多復雜的因素。除了天氣，實時預測可能包括復雜的任務，例如預測有多少電動卡車將到達哪個加油站，以及需要在什么確切時間為電池充電。

“這將歸結為每小時、每分鐘的類型決策，”他說?！岸斯ぶ悄苁俏ㄒ荒茏屗兊酶咝У臇|西?！?/p>

大規(guī)模預測

如今，公用事業(yè)公司通常訂閱詳細的天氣預報服務，將這些數(shù)據(jù)輸入復雜的模型中，以嘗試預測能源需求。

“在這方面做得最好的人可能是金融服務公司，是買賣權力的對沖基金，”斯皮勒說?！澳切┤苏趯θ斯ぶ悄苓M行巨額投資，他們正在利用利潤。”

然而，斯皮勒說，公用事業(yè)公司正在升級他們的游戲。

“我們看到公用事業(yè)中的數(shù)據(jù)科學正在興起，”他說?！拔覀冋诤献鞯囊恍?[實用程序] 正在加強他們的數(shù)據(jù)科學社區(qū)。我們開始首次將硬件 DGX 系統(tǒng) [Nvidia 數(shù)據(jù)中心級 AI 加速器] 出售給公用事業(yè)公司?！?/p>

點擊查看完整大小的圖片

雖然昨天的電網(wǎng)是單向的，但今天的能源需要在分散的數(shù)字化電網(wǎng)中流入和流出消費者（圖片：Veritone）

大規(guī)模人工智能實用程序可用的技術之一是聯(lián)合學習——一種可以使用來自多個來源的數(shù)據(jù)訓練中央模型的技術，而無需集中或共享數(shù)據(jù)。這通常在醫(yī)療保健領域用于醫(yī)療 AI 模型，因為可以訪問更多的訓練數(shù)據(jù)可以使模型更準確，但數(shù)據(jù)不能離開醫(yī)院場所。本質(zhì)上，模型的本地版本在邊緣重新訓練，然后集中更新模型參數(shù)以使整體模型更好。Nvidia 有一個名為 Clara 的聯(lián)合學習平臺。

Spieler 指出，電網(wǎng)的大規(guī)模需求和供應預測模型將是 Clara 的一個有趣用例。

“[Utilities] 無法共享他們的數(shù)據(jù)，但他們也不是完全的競爭對手，因為只有一組電源線連接到你的房子，”他說?！拔覀兿嘈?，我們可以使用聯(lián)合學習，通過訓練他們的模型并與可以整合這些模型的大型組織共享模型權重，讓整個行業(yè)協(xié)同工作?！?/p>

這可以使更準確的模型能夠預測電網(wǎng)對異常天氣條件的響應——例如，部署在沙漠州的模型可以部分使用來自更北方的數(shù)據(jù)進行訓練，其中將包括更多這些特定條件的實例。

網(wǎng)格邊緣

未來的電網(wǎng)也將在邊緣使用人工智能。

十年前的“智能電表”將變得更加智能。智能電表的用例已經(jīng)從擺脫人工抄表員轉變?yōu)樵谑褂萌斯ぶ悄茴A測太陽能電池板和電動汽車的消費者需求和供應方面發(fā)揮更多作用。

根據(jù) Spieler 的說法，今天的智能電表使用的數(shù)據(jù)很少。一個典型的儀表可能有八個可用的數(shù)據(jù)通道，而智能恒溫器等下游設備可能收集多達 20 或 30 個數(shù)據(jù)通道。

“今天的每個智能電表都有一個芯片——問題是它是否足夠強大來處理大量數(shù)據(jù)？” 他說?！拔覀冊O想智能電表可以像 iPhone 一樣——它捕獲大量數(shù)據(jù)，然后公用事業(yè)、消費者和其他人可以在此基礎上應用應用程序，以優(yōu)化能源效率。”

如果變電站出現(xiàn)故障，智能電表可以提供必要的數(shù)據(jù)，以在特定社區(qū)創(chuàng)建微電網(wǎng)，該微電網(wǎng)可以在鄰居之間共享太陽能或電動汽車電池的能量。在極端天氣的情況下，支持人工智能的智能電表也可能被用于關閉非必要負載的電源，作為一種智能減載方案。（斯皮勒在這里的例子是，在最近的德克薩斯電網(wǎng)危機期間，休斯頓游泳池泵的電源可能已經(jīng)關閉，以維持對正在運行救生醫(yī)療設備的家庭的供應）。

“[我們可以]以外科手術的方式將能源消耗從電網(wǎng)中移除，”他說。“今天它純粹是通過打開和關閉[整個城市]來完成的，但在未來你可以根據(jù)某人家的溫度做出決定?！?/p>

在寒流期間，智能電表可以顯示哪些家庭的溫度處于或低于 40 度，然后電網(wǎng)可以優(yōu)先考慮他們的電力供應，這樣他們的管道就不會凍結。

“人工智能將提供這種級別的可見性，”他說?！皵?shù)據(jù)是存在的，我們在 Nest 恒溫器和儀表后面的其他東西上看到了這一點。但這些數(shù)據(jù)并沒有返回給公用事業(yè)公司以更好地做出決策?！?/p>

網(wǎng)格 AI 算法

Veritone 是為網(wǎng)格管理開發(fā) AI 解決方案的幾家公司之一。該公司的 CDI（協(xié)作分布式推理）技術旨在確保整個電網(wǎng)的可預測能量分布和彈性。該系統(tǒng)使用預測數(shù)據(jù)和規(guī)則來構建和持續(xù)更新設備狀態(tài)模型，然后用于智能控制邊緣設備。

“沒有人可以正確控制電網(wǎng)，” Veritone 能源高級副總裁 Sean McEvoy 告訴EE Times。他說，需要對大量數(shù)據(jù)進行分析，以持續(xù)監(jiān)控電網(wǎng)上每個發(fā)電和儲存設備的狀態(tài)，以及能源需求、天氣模式、傳輸流量和能源價格。

只有人工智能能夠做到這一切。

“對這場海嘯數(shù)據(jù)的持續(xù)實時建模提供了智能，可以不斷了解每個電網(wǎng)參與者需要多少能量，以及在任何給定時刻或不久的將來可以輸送多少能量，”McEvoy 說?！安粌H沒有人能做到這一點——即使是巨大的計算機能力也是不夠的。它需要邊緣計算能力與智能強化和適應學習相結合?！?/p>

強化學習是一種人工智能代理（一種采取某種行動的人工智能算法）被訓練以最大化某種獎勵概念的技術。這使代理能夠有效地從其行為的后果中學習，而不是專門被教導。Veritone 算法的自適應特性意味著它會隨著實時條件的變化而不斷更新其系統(tǒng)模型。

McEvoy 進一步解釋說，Veritone 為網(wǎng)格創(chuàng)建的 AI 模型使用“分布式、受約束的哈密頓量”方法。在這種情況下分布式意味著在邊緣進行推理以改善延遲。這些模型可能受到規(guī)則的約束，例如設備保修，或北美電力可靠性公司 (NERC) 或聯(lián)邦能源管理委員會 (FERC) 頒布的規(guī)則。平均場算法用于模型同步，線性代數(shù)模型用于預測。Veritone 的模擬器使用蒙特卡羅技術來模擬不同結果的概率。

Veritone 的電網(wǎng)人工智能解決方案概述如下所示。有關域規(guī)則的信息由規(guī)則轉換器轉換為參數(shù)。斷層掃描儀學習和更新受控設備的模型，優(yōu)化器不斷創(chuàng)建滿足操作和行為目標的策略，平均場通過將整個網(wǎng)絡的狀態(tài)投影到本地代理來同步 CDI 代理。邊緣控制器控制邊緣設備，黑板提供信息流，預測器使用過去和當前的傳感器數(shù)據(jù)來預測未來的能源因素，包括需求。

點擊查看完整大小的圖片

Veritone 用于實時監(jiān)控和控制電網(wǎng)的 AI 解決方案概述（圖片：Veritone）

Veritone 面向公用事業(yè)和獨立電力生產(chǎn)商 (IPP)，如微電網(wǎng)開發(fā)商和運營商，并與設備供應商合作，為太陽能逆變器和電池系統(tǒng)等資源開發(fā)和部署人工智能模型和預測控制器。

“該軟件可以集中部署在變電站、數(shù)據(jù)中心或邊緣，以控制邊緣設備并提供邊緣推理，”McEvoy 說?！岸鄠€電網(wǎng)邊緣設備的實時同步提供了工廠狀態(tài)和容量的整體模型視圖?！?/p>

這些人工智能技術將在多大范圍內(nèi)推廣，從相對較小的規(guī)模開始是否有意義，也許是微電網(wǎng)？或者從零開始有缺點嗎？

“通常，Veritone 建議從控制單個站點的能源資源開始，”McEvoy 說。

首先將人工智能技術推廣到較小的站點——也許是 25-50 兆瓦的可再生能源發(fā)電機和存儲——可以為電網(wǎng)運營商提供信心。

“一旦該站點使用 AI 進行了優(yōu)化，它就可以擴展到多個站點，并且 AI 可以在站點級別進行同步，”他說?！霸摷夹g可以管理和控制納米電網(wǎng)、微電網(wǎng)和更廣泛的公用電網(wǎng)，但隨著規(guī)模的擴大，復雜性會呈指數(shù)級增長。”

審核編輯 黃昊宇