Προχωρώντας πέρα από τις προσομοιώσεις, η ομάδα ολοκλήρωσε με επιτυχία τη μετάβαση σε δοκιμές με πραγματικό εξοπλισμό και σε επιδείξεις πεδίου στο Λάμποκ του Τέξας.
Ερευνητές στα Sandia National Laboratories ανέπτυξαν μια πλατφόρμα λογισμικού που βασίζεται στην τεχνητή νοημοσύνη, με την ονομασία Distributed Energy Resource Management System (DERMS).
Είναι ευρέως γνωστό ότι η επέκταση των AI data centers επιβαρύνει τα τοπικά ηλεκτρικά δίκτυα. Παράλληλα, προκύπτουν και αρκετά υποκείμενα προβλήματα, όπως οι απρόβλεπτες αιχμές στην κατανάλωση ηλεκτρικής ισχύος που απειλούν να αποσταθεροποιήσουν τα επίπεδα τάσης.
Συχνά, ο συμβατικός μηχανικός εξοπλισμός των ηλεκτρικών δικτύων ανταποκρίνεται πολύ αργά σε αυτές τις ταχείες διακυμάνσεις. Στην εποχή της τεχνητής νοημοσύνης, κάθε δευτερόλεπτο έχει σημασία. Μια αιφνίδια πτώση της τάσης μπορεί να καταστρέψει ευαίσθητο εξοπλισμό data centers ή να θέσει εκτός λειτουργίας στρατιωτικές υποδομές.
Για την αντιμετώπιση αυτού του προβλήματος, αναδύεται μια νέα λύση.
Η αξιοποίηση του AI για τη σταθεροποίηση της αστάθειας του ηλεκτρικού δικτύου που δημιουργεί το ίδιο το AI
«Ο τρόπος με τον οποίο παράγουμε ηλεκτρική ενέργεια και τα φορτία που επιβάλλονται στο δίκτυο εξελίσσονται, όμως ο βασικός κορμός του δικτύου που τα συνδέει παραμένει ο ίδιος», δήλωσε ο μηχανικός των Sandia National Laboratories, Rachid Darbali-Zamora.
«Χρειαζόμαστε μεγαλύτερο έλεγχο ώστε να διασφαλίσουμε ότι όλα μπορούν να ενσωματωθούν στο δίκτυο με πιο αξιόπιστο τρόπο. Βασικός στόχος είναι η διατήρηση της τάσης εντός των ορίων λειτουργίας καθώς οι συνθήκες μεταβάλλονται από δευτερόλεπτο σε δευτερόλεπτο», πρόσθεσε ο Darbali-Zamora.
Σύστημα που βασίζεται στην τεχνητή νοημοσύνη
Για την αντιμετώπιση αυτών των προκλήσεων, το DERMS χρησιμοποιεί ελέγχους τεχνητής νοημοσύνης σε πραγματικό χρόνο για τη σταθεροποίηση της τάσης στα τοπικά δίκτυα διανομής ηλεκτρικής ενέργειας.
Αντί να βασίζεται σε μηχανικές αναβαθμίσεις, όπως οι συστοιχίες πυκνωτών που ενεργοποιούνται και απενεργοποιούνται με αργό ρυθμό, το DERMS αξιοποιεί τους έξυπνους μετατροπείς (smart inverters) που είναι ήδη ενσωματωμένοι στα υπάρχοντα συστήματα ηλιακής ενέργειας και αποθήκευσης με μπαταρίες.
Με την υποστήριξη της τεχνητής νοημοσύνης, η πλατφόρμα λογισμικού προβλέπει τις μεταβολές στην ηλεκτρική ισχύ και συντονίζει ταυτόχρονα χιλιάδες από αυτές τις συνδεδεμένες με το δίκτυο συσκευές, παρέχοντας συνεχή υποστήριξη της τάσης σε πραγματικό χρόνο.
Το σύστημα προσφέρει στις εταιρείες κοινής ωφέλειας ένα οικονομικά αποδοτικό και πρακτικό εργαλείο που μπορεί να ανταποκρίνεται άμεσα σε απρόβλεπτες διαταραχές.
Παράλληλα, η έρευνα αναγνώρισε ότι οι ανάγκες των ηλεκτρικών δικτύων διαφέρουν ανάλογα με την περιοχή. Για τον λόγο αυτό, οι ερευνητές των Sandia National Laboratories χρησιμοποίησαν δοκιμές τύπου Power Hardware-in-the-Loop (PHIL) για να επικυρώσουν τους αλγορίθμους τεχνητής νοημοσύνης πριν από την ανάπτυξή τους σε πραγματικές συνθήκες.
Η μέθοδος αυτή συνδέει φυσικό εμπορικό εξοπλισμό, όπως μετατροπείς και μπαταρίες, με έναν ψηφιακό προσομοιωτή ηλεκτρικού δικτύου, ώστε να αξιολογηθεί με ασφάλεια ο τρόπος με τον οποίο το λογισμικό διαχειρίζεται τις ταχείες μεταβολές της τάσης και τις εσκεμμένες επιθετικές παρεμβολές.
Οι δοκιμές με πραγματικά φυσικά εξαρτήματα, αντί μόνο με υπολογιστικά μοντέλα, παρείχαν έναν κρίσιμο έλεγχο της λειτουργίας του συστήματος υπό πραγματικές συνθήκες. Επιβεβαίωσαν ότι η τεχνητή νοημοσύνη μπορούσε να διατηρεί σταθερή απόδοση ακόμη και όταν αντιμετώπιζε καθυστερήσεις στις επικοινωνίες ή μειωμένες ταχύτητες μετάδοσης δεδομένων.
«Αυτά τα πειράματα ήταν κρίσιμης σημασίας», δήλωσε ο ερευνητής των Sandia National Laboratories, Jon Berg.
«Μας επέτρεψαν να αξιολογήσουμε τη συμπεριφορά του συστήματος με πραγματικό εξοπλισμό και όχι μόνο με μοντέλα. Αυτό δίνει τόσο σε εμάς όσο και στους συνεργάτες μας τη βεβαιότητα ότι η τεχνολογία είναι έτοιμη για εφαρμογή στον πραγματικό κόσμο» συμπλήρωσε ο ίδιος.
Δοκιμάστηκε σε δύο εγκαταστάσεις
Μετά την επιτυχή επικύρωση στο εργαστήριο, η ομάδα πραγματοποίησε παράλληλες δοκιμές πεδίου σε δύο εγκαταστάσεις στο Λάμποκ του Τέξας: στην αιολική εγκατάσταση SWiFT των Sandia National Laboratories και στο μικροδίκτυο GLEAMM του Texas Tech University, το οποίο περιλαμβάνει ενεργό κέντρο δεδομένων.
Η πλατφόρμα DERMS συνδέθηκε απευθείας με εξοπλισμό που βρισκόταν σε κανονική λειτουργία. Οι δοκιμές αξιολόγησαν την απόδοση της τεχνητής νοημοσύνης σε πραγματικό χρόνο υπό μεταβαλλόμενες συνθήκες, τόσο με τον ελεγκτή ενεργοποιημένο όσο και απενεργοποιημένο.
Κατά τη διάρκεια των δοκιμών πεδίου, οι έλεγχοι της τεχνητής νοημοσύνης κατάφεραν να επαναφέρουν την τάση της εγκατάστασης, η οποία συνήθως λειτουργεί κατά 5% υψηλότερα από το κανονικό επίπεδο, προς την ιδανική τιμή-στόχο που ορίζεται από την εταιρεία ηλεκτρικής ενέργειας.
«Αυτές οι επιδείξεις αποδεικνύουν ότι η τεχνητή νοημοσύνη μπορεί να βελτιώσει ουσιαστικά τον τρόπο λειτουργίας των μικροδικτύων και των κατανεμημένων ενεργειακών πόρων», δήλωσε ο ερευνητής των Sandia National Laboratories, Miguel Jimenez-Aparicio.
«Τα δεδομένα από τις δοκιμές πεδίου επιβεβαιώνουν όσα παρατηρήσαμε στις δοκιμές PHIL. Η τεχνολογία αυτή μπορεί να προσφέρει πραγματικά οφέλη στις εταιρείες κοινής ωφέλειας, στις τοπικές κοινωνίες και στις κρίσιμες υποδομές» κατέληξε.
Η τεχνολογία αυτή είναι ιδιαίτερα σημαντική και για την εθνική ασφάλεια. Διασφαλίζει την ποιότητα της ηλεκτρικής ισχύος για ευαίσθητα φορτία και επιτρέπει στις κρίσιμες αμυντικές υποδομές να αντιμετωπίζουν αυτόνομα διαταραχές του ηλεκτρικού δικτύου σε πραγματικό χρόνο ή ακόμη και σκόπιμες εχθρικές επιθέσεις.
www.worldenergynews.gr
