El sistema de la red eléctrica estadounidense y de otros países desarrollados no solo es grande sino también dinámico, lo que lo hace especialmente difícil de manejar.

Los operadores humanos saben cómo mantener los sistemas cuando las condiciones son estáticas.

Pero cuando las condiciones cambian rápidamente, debido a fallos repentinos, por ejemplo, los operadores carecen de una forma clara de anticipar cómo debe adaptarse mejor el sistema para cumplir con los requisitos de seguridad y protección.

En el Laboratorio Nacional Argonne del Departamento de Energía de los Estados Unidos (DOE), un equipo de investigación ha desarrollado un novedoso enfoque para ayudar a los operadores de sistema a comprender cómo controlar mejor los sistemas de energía con la ayuda de inteligencia artificial.

Su nuevo método podría ayudar a los operadores a controlar los sistemas de energía de una manera más eficaz, lo que podría mejorar la resistencia de la red eléctrica estadounidense, según un reciente artículo en la revista IEEE Transactions on Power Systems.

El nuevo método permite a los operadores tomar decisiones considerando tanto las características estáticas como dinámicas de un sistema de energía en un único modelo de toma de decisiones con mayor precisión, un desafío históricamente difícil.

“La decisión de apagar o encender un generador y determinar su nivel de potencia de salida es un ejemplo de decisión estática, una acción que no cambia dentro de un cierto tiempo.

Sin embargo, la frecuencia eléctrica, que está relacionada con la velocidad de un generador, es un ejemplo de característica dinámica, porque podría fluctuar en el tiempo en caso de una interrupción (por ejemplo, una carga disparada) o una operación (por ejemplo, un interruptor cerrado)”, dijo el científico computacional de Argonne Feng Qiu, que fue coautor del estudio.

“Si pones las formulaciones dinámicas y estáticas juntas en el mismo modelo, es algo esencialmente imposible de resolver“.

En los sistemas de energía, los operadores deben mantener la frecuencia dentro de un cierto rango de valores para cumplir con los límites de seguridad.

Las condiciones estáticas, como el número de generadores en línea, afectan a la capacidad del sistema para mantener la frecuencia y otras características dinámicas.

La mayoría de los analistas calculan las características estáticas y dinámicas por separado, pero los resultados se quedan cortos.

Mientras tanto, otros han tratado de desarrollar modelos sencillos que puedan servir de puente para ambos tipos de cálculos, pero esos modelos son limitados en cuanto a su escalabilidad y precisión, en particular a medida que los sistemas se vuelven más complejos.

En lugar de intentar encajar las fórmulas estáticas y dinámicas existentes, Qiu y sus compañeros desarrollaron un método para crear nuevas fórmulas que pudieran unir ambas.

Su enfoque se centra en el uso de una herramienta de inteligencia artificial conocida como red neuronal.

“Una red neuronal puede crear un mapa entre una entrada específica y una salida específica“, dijo Yichen Zhang, postdoctorado de Argonne y autor principal del estudio.

“Si conozco las condiciones con las que empezamos y las que terminamos, puedo usar redes neuronales para averiguar cómo esas condiciones se mapean entre sí“.

Si bien su método de red neuronal puede aplicarse a sistemas de energía a gran escala, el equipo lo probó en un sistema de microrredes, una red controlable de recursos energéticos distribuidos, como generadores diesel y paneles solares fotovoltaicos.

El equipo utilizó la red neuronal para rastrear cómo un conjunto de condiciones estáticas dentro del sistema de microrredes se mapeaba ante un conjunto de condiciones o valores dinámicos.

Más específicamente, los investigadores la utilizaron para optimizar los recursos estáticos dentro de su microrred para que la frecuencia eléctrica se mantuviera dentro de un rango seguro.

Los datos de la simulación sirvieron como entradas y salidas para el adiestramiento de su red neural.

Las entradas eran datos estáticos y las salidas eran respuestas dinámicas, específicamente el rango de frecuencias que son seguras.

Cuando los investigadores pasaron ambos conjuntos de datos a la red neuronal, esta “aprendió” a mapear las respuestas dinámicas estimadas para un conjunto de condiciones estáticas.

“La red neuronal transformó las complejas ecuaciones dinámicas que típicamente no podemos combinar con las ecuaciones estáticas en una nueva forma que podemos resolver juntos“, dijo Qui.

Los investigadores, analistas y operadores pueden utilizar el método de los científicos de Argonne como punto de partida.

Por ejemplo, los operadores podrían utilizarlo para anticipar cuándo pueden activar y desactivar los recursos de generación, asegurándose al mismo tiempo de que todos los recursos que están en línea puedan soportar ciertas perturbaciones.

“Este es el tipo de escenario que los operadores de sistemas siempre han querido analizar, pero que antes no podían hacerlo debido a los retos de calcular conjuntamente las características estáticas y dinámicas“, dijo el postdoctorando y coautor de Argonne, Tianqi Hong.

“Ahora pensamos que este trabajo hace posible este tipo de análisis“.

“Estamos entusiasmados por el potencial de este tipo de enfoque analítico“, dijo Mark Petri, director del Programa de Red Eléctrica de Argonne.

“Por ejemplo, esto podría proporcionar una mejor manera para que los operadores restauren la energía de forma rápida y segura después de una interrupción“.

Fuente: Noticias de la Ciencia

Artículos relacionados:

Compuesto común en las velas puede ayudar a almacenar energía para alimentar a la red eléctrica Usan inteligencia artificial para predecir la radiación solar Astrónomos usan inteligencia artificial para reducir el tiempo de análisis de meses a segundos Usan inteligencia artificial para controlar los semáforos de manera más eficiente Usan inteligencia artificial de Google para ‘escribir’ una nueva canción de Nirvana Usan inteligencia artificial para controlar el plasma, en experimentos de fusión nuclear