构建更智能的电网

随着电网向双向和分散的方向发展，人工智能是唯一能够以所需规模实时管理电网的工具。

世界各地的电网都面临着类似的挑战。其中最大的一个是各种可再生能源发电量的增加。太阳能和风能对地球非常有益，但它们与天气一样难以预测。旨在鼓励消费者将太阳能电池板放在屋顶上并使用电动汽车储存能量的计划意味着电网正在从单向转变为双向。而不是需求预测，公用事业现在需要以非常精细的粒度实时预测供需。

“将人工智能添加到组合中并在边缘进行实时分析的能力对于增加可以上线的分布式能源数量至关重要，”能源部门全球业务发展和技术主管 Marc Spieler英伟达告诉EE Times。

马克·斯皮勒

斯皮勒指出，风能、太阳能和电动汽车正在做大量工作，但如果电网没有能力支持这些应用，那么这些努力就白费了。

需求预测利用了许多复杂的因素。除了天气，实时预测可能包括复杂的任务，例如预测有多少电动卡车将到达哪个加油站，以及需要在什么确切时间为电池充电。

“这将归结为每小时、每分钟的类型决策，”他说。“而人工智能是唯一能让它变得高效的东西。”

大规模预测

如今，公用事业公司通常订阅详细的天气预报服务，将这些数据输入复杂的模型中，以尝试预测能源需求。

“在这方面做得最好的人可能是金融服务公司，是买卖权力的对冲基金，”斯皮勒说。“那些人正在对人工智能进行巨额投资，他们正在利用利润。”

然而，斯皮勒说，公用事业公司正在升级他们的游戏。

“我们看到公用事业中的数据科学正在兴起，”他说。“我们正在合作的一些 [实用程序] 正在加强他们的数据科学社区。我们开始首次将硬件 DGX 系统 [Nvidia 数据中心级 AI 加速器] 出售给公用事业公司。”

点击查看完整大小的图片

虽然昨天的电网是单向的，但今天的能源需要在分散的数字化电网中流入和流出消费者（图片：Veritone）

大规模人工智能实用程序可用的技术之一是联合学习——一种可以使用来自多个来源的数据训练中央模型的技术，而无需集中或共享数据。这通常在医疗保健领域用于医疗 AI 模型，因为可以访问更多的训练数据可以使模型更准确，但数据不能离开医院场所。本质上，模型的本地版本在边缘重新训练，然后集中更新模型参数以使整体模型更好。Nvidia 有一个名为 Clara 的联合学习平台。

Spieler 指出，电网的大规模需求和供应预测模型将是 Clara 的一个有趣用例。

“[Utilities] 无法共享他们的数据，但他们也不是完全的竞争对手，因为只有一组电源线连接到你的房子，”他说。“我们相信，我们可以使用联合学习，通过训练他们的模型并与可以整合这些模型的大型组织共享模型权重，让整个行业协同工作。”

这可以使更准确的模型能够预测电网对异常天气条件的响应——例如，部署在沙漠州的模型可以部分使用来自更北方的数据进行训练，其中将包括更多这些特定条件的实例。

网格边缘

未来的电网也将在边缘使用人工智能。

十年前的“智能电表”将变得更加智能。智能电表的用例已经从摆脱人工抄表员转变为在使用人工智能预测太阳能电池板和电动汽车的消费者需求和供应方面发挥更多作用。

根据 Spieler 的说法，今天的智能电表使用的数据很少。一个典型的仪表可能有八个可用的数据通道，而智能恒温器等下游设备可能收集多达 20 或 30 个数据通道。

“今天的每个智能电表都有一个芯片——问题是它是否足够强大来处理大量数据？” 他说。“我们设想智能电表可以像 iPhone 一样——它捕获大量数据，然后公用事业、消费者和其他人可以在此基础上应用应用程序，以优化能源效率。”

如果变电站出现故障，智能电表可以提供必要的数据，以在特定社区创建微电网，该微电网可以在邻居之间共享太阳能或电动汽车电池的能量。在极端天气的情况下，支持人工智能的智能电表也可能被用于关闭非必要负载的电源，作为一种智能减载方案。（斯皮勒在这里的例子是，在最近的德克萨斯电网危机期间，休斯顿游泳池泵的电源可能已经关闭，以维持对正在运行救生医疗设备的家庭的供应）。

“[我们可以]以外科手术的方式将能源消耗从电网中移除，”他说。“今天它纯粹是通过打开和关闭[整个城市]来完成的，但在未来你可以根据某人家的温度做出决定。”

在寒流期间，智能电表可以显示哪些家庭的温度处于或低于 40 度，然后电网可以优先考虑他们的电力供应，这样他们的管道就不会冻结。

“人工智能将提供这种级别的可见性，”他说。“数据是存在的，我们在 Nest 恒温器和仪表后面的其他东西上看到了这一点。但这些数据并没有返回给公用事业公司以更好地做出决策。”

网格 AI 算法

Veritone 是为网格管理开发 AI 解决方案的几家公司之一。该公司的 CDI（协作分布式推理）技术旨在确保整个电网的可预测能量分布和弹性。该系统使用预测数据和规则来构建和持续更新设备状态模型，然后用于智能控制边缘设备。

“没有人可以正确控制电网，” Veritone 能源高级副总裁 Sean McEvoy 告诉EE Times。他说，需要对大量数据进行分析，以持续监控电网上每个发电和储存设备的状态，以及能源需求、天气模式、传输流量和能源价格。

只有人工智能能够做到这一切。

“对这场海啸数据的持续实时建模提供了智能，可以不断了解每个电网参与者需要多少能量，以及在任何给定时刻或不久的将来可以输送多少能量，”McEvoy 说。“不仅没有人能做到这一点——即使是巨大的计算机能力也是不够的。它需要边缘计算能力与智能强化和适应学习相结合。”

强化学习是一种人工智能代理（一种采取某种行动的人工智能算法）被训练以最大化某种奖励概念的技术。这使代理能够有效地从其行为的后果中学习，而不是专门被教导。Veritone 算法的自适应特性意味着它会随着实时条件的变化而不断更新其系统模型。

McEvoy 进一步解释说，Veritone 为网格创建的 AI 模型使用“分布式、受约束的哈密顿量”方法。在这种情况下分布式意味着在边缘进行推理以改善延迟。这些模型可能受到规则的约束，例如设备保修，或北美电力可靠性公司 (NERC) 或联邦能源管理委员会 (FERC) 颁布的规则。平均场算法用于模型同步，线性代数模型用于预测。Veritone 的模拟器使用蒙特卡罗技术来模拟不同结果的概率。

Veritone 的电网人工智能解决方案概述如下所示。有关域规则的信息由规则转换器转换为参数。断层扫描仪学习和更新受控设备的模型，优化器不断创建满足操作和行为目标的策略，平均场通过将整个网络的状态投影到本地代理来同步 CDI 代理。边缘控制器控制边缘设备，黑板提供信息流，预测器使用过去和当前的传感器数据来预测未来的能源因素，包括需求。

点击查看完整大小的图片

Veritone 用于实时监控和控制电网的 AI 解决方案概述（图片：Veritone）

Veritone 面向公用事业和独立电力生产商 (IPP)，如微电网开发商和运营商，并与设备供应商合作，为太阳能逆变器和电池系统等资源开发和部署人工智能模型和预测控制器。

“该软件可以集中部署在变电站、数据中心或边缘，以控制边缘设备并提供边缘推理，”McEvoy 说。“多个电网边缘设备的实时同步提供了工厂状态和容量的整体模型视图。”

这些人工智能技术将在多大范围内推广，从相对较小的规模开始是否有意义，也许是微电网？或者从零开始有缺点吗？

“通常，Veritone 建议从控制单个站点的能源资源开始，”McEvoy 说。

首先将人工智能技术推广到较小的站点——也许是 25-50 兆瓦的可再生能源发电机和存储——可以为电网运营商提供信心。

“一旦该站点使用 AI 进行了优化，它就可以扩展到多个站点，并且 AI 可以在站点级别进行同步，”他说。“该技术可以管理和控制纳米电网、微电网和更广泛的公用电网，但随着规模的扩大，复杂性会呈指数级增长。”

审核编辑 黄昊宇