This post is also available in:
English (אנגלית)
בשנים האחרונות, ועם העלייה במודעות לסביבתיות, אנשים רבים מחפשים ללא הרף מקורות אנרגיה מתחדשים. כעת, כשהשימוש באנרגיה סולארית וטורבינות רוח נעשה נפוץ הרבה יותר, ניהול המורכבויות של רשת החשמל הפך לאתגר משמעותי. חוקרים מאוניברסיטת וירג'יניה פיתחו מודל בינה מלאכותית חדשני (AI) שמטרתו לענות על אי הוודאות הקשורה לייצור אנרגיה מתחדשת ודרישות של כלי רכב חשמליים. התקדמות זו מבטיחה לשפר את האמינות והיעילות של רשתות החשמל.
על פי TechXplore, בלב החדשנות הזו נמצא השימוש ב- multi-fidelity graph neural networks (GNNs), שיטה מתוחכמת מבוססת בינה מלאכותית, במטרה לשפר את ניתוח זרימת החשמל – הדרך בה מנתחים כיצד להפיץ חשמל בבטחה ברחבי הרשת. על ידי שימוש בגישה זו, המודל יכול לשלב נפחים גדולים של נתונים באיכות נמוכה יותר תוך שימוש גם בקבוצות קטנות יותר של נתונים מדויקים מאוד. אסטרטגיה זו לא רק מאיצה את אימון המודל, אלא גם משפרת את האמינות והדיוק הכוללים של המערכת.
יכולת ההסתגלות של מודל ה-AI לתצורות רשת שונות אל מול כשלים בקווי חשמל, מטפלת בבעיה של "זרימת אנרגיה אופטימלית", הקובעת כמה כוח צריך להיות מופק ממקורות שונים. שיטות ניהול רשת מסורתיות מתקשות לעתים קרובות להתמודד עם וריאציות בזמן אמת הנגרמות משימוש במקורות אנרגיה מתחדשת והגברת הביקוש לכלי רכב חשמליים.
היתרונות העיקריים של גישה חדשה זו כוללים סקלביליות, דיוק גבוה יותר באמצעות סימולציות באיכות נמוכה, והכללה משופרת לשינויים בטופולוגיה של רשת. חדשנות AI זו עומדת למלא תפקיד קריטי בהבטחת האמינות של רשתות חשמל בעידן המושפע יותר ויותר ממקורות אנרגיה מתחדשים.
המאמרים של החוקרים בנושא, "Multi-fidelity Graph Neural Networks for Efficient Power Flow Analysis Under High-Dimensional Demand and Renewable Generation Uncertainty," ו-"Hybrid Chance-Constrained Optimal Power Flow under Load and Renewable Generation Uncertainty Using Enhanced Multi-Fidelity Graph Neural Networks, פורסמו בכתב העת Electric Power Systems Research and the Journal of Machine Learning for Modeling and Computing.
