|
|
|
La red eléctrica de EE.UU. no solo es grande sino dinámica, lo que hace que sea especialmente difícil de manejar. Los operadores humanos saben cómo mantener los sistemas cuando las condiciones son estáticas, pero cuando éstas cambian rápidamente, debido a fallas repentinas, por ejemplo, los operadores carecen de una manera clara de anticipar cómo el sistema debe adaptarse para cumplir con los requisitos de seguridad.
En el Laboratorio Nacional Argonne del Departamento de Energía (DOE, por sus siglas en inglés), un equipo de investigación ha desarrollado un enfoque novedoso para ayudar a los operadores a entender cómo controlar mejor los sistemas de energía con la ayuda de la Inteligencia Artificial. Su nuevo enfoque podría ayudar a los operadores a controlar los sistemas de energía de modo más eficaz, lo que podría mejorar la resiliencia de la red eléctrica de Estados Unidos, según un artículo reciente en IEEE Transactionson Power Systems.
Cálculos dinámicos y estáticos
El nuevo enfoque permite a los operadores tomar decisiones teniendo en cuenta las características estáticas y dinámicas de un sistema de potencia en un único modelo de toma de decisiones con mejor precisión, un desafío históricamente difícil.
“La decisión de apagar o encender un generador y determinar su nivel de salida de potencia es un ejemplo de una decisión estática, una acción que no cambia dentro de una cierta cantidad de tiempo. La frecuencia eléctrica, sin embargo, que está relacionada con la velocidad de un generador, es un ejemplo de una característica dinámica, porque podría fluctuar con el tiempo en caso de una interrupción (por ejemplo, un disparo de carga) o una operación (por ejemplo, un interruptor cerrado)”, dijo Feng Qiu, coautor del estudio. “Si pones formulaciones dinámicas y estáticas juntas en el mismo modelo, es 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 la capacidad del sistema de mantener la frecuencia y otras características dinámicas.
La mayoría de los analistas calculan las entidades estáticas y dinámicas por separado, pero los resultados se quedan cortos. Mientras tanto, otros han tratado de desarrollar modelos simples que pueden salvar ambos tipos de cálculos, pero estos modelos son limitados en su escalabilidad y precisión, particularmente a medida que los sistemas se vuelven más complejos.
Entonces, en lugar de tratar de encajar las fórmulas estáticas y dinámicas existentes juntas, Qiu y sus pares desarrollaron un enfoque para crear nuevas fórmulas que pudieran unir a los dos. 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, designado postdoctoral de Argonne y autor principal del estudio. “Si conozco las condiciones con las que comenzamos y las que terminamos, puedo usar las redes neuronales para averiguar cómo esas condiciones se asignan entre sí”.
Si bien su enfoque de red neuronal se puede aplicar a los sistemas de energía a granel, el equipo lo probó en un sistema de microred, una red controlable de recursos energéticos distribuidos, como generadores diesel y paneles solares fotovoltaicos.
El equipo utilizó la red neuronal para realizar un seguimiento de cómo un conjunto de condiciones estáticas dentro del sistema de microredes se asignaba a un conjunto de condiciones o valores dinámicos. Más específicamente, los investigadores lo utilizaron para optimizar los recursos estáticos dentro de su microred para que la frecuencia eléctrica se mantuviera dentro de un rango seguro.
Los datos de simulación sirvieron como entradas y salidas para entrenar su red neuronal. 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, “aprendió” a mapear las respuestas dinámicas estimadas para un conjunto de condiciones estáticas.
“La red neuronal transformó las complejas ecuaciones dinámicas que normalmente no podemos combinar con ecuaciones estáticas en una nueva forma que podemos resolver juntos”, dijo Qui.
Nuevas posibilidades para nuevos tipos de análisis
Los investigadores, analistas y operadores pueden utilizar el enfoque de los científicos de Argonne como punto de partida. Por ejemplo, los operadores podrían usarlo potencialmente para anticipar cuándo pueden activar y desactivar los recursos de generación, al mismo tiempo que se garantiza que todos los recursos que están en línea son capaces de soportar ciertas interrupciones.
“Este es el tipo de escenario que los operadores de sistemas siempre han querido analizar, pero no han podido antes debido a los desafíos de calcular las características estáticas y dinámicas juntas”, dijo Tianqi Hong, designado postdoctoral de Argonne. “Ahora creemos 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 restablezcan la energía de forma rápida y segura después de un apagón, un problema desafiado por decisiones operativas complejas enredadas con la dinámica del sistema, haciendo que la red eléctrica sea más resistente a los peligros externos”.
|