讓電網智慧化

作者 : Sally Ward-Foxton,EE Times歐洲特派記者

全球電網都面臨相似的挑戰,其中最大的挑戰是各種可再生能源的興起。太陽能和風能雖然對環保有益,但它們和天氣一樣難以預測…

全球電網都面臨相似的挑戰,其中最大的挑戰是各種可再生能源的興起。太陽能和風能雖然對環保有益,但它們和天氣一樣難以預測,鼓勵消費者將太陽能電池板安裝在屋頂上,或者用電動車儲存能量,這些都表明電網正從單向變為雙向(圖1)。公共事業公司現在需要非常準確地即時預測供應和需求,而不僅僅是預測需求。

 

圖1:過去的電網是單向的,但今天的能源需要在去中心化、數位化的電網和消費者之間雙向流動。

(來源:Veritone)

 

「能夠在電網中使用AI並在邊緣進行即時分析,對於增加可用的分散式能源至關重要,」Nvidia能源部全球業務開發與技術主管Marc Spieler在接受筆者的採訪時說。他還指出,人類在風能、太陽能和電動車領域已經成績顯著,但如果電網不具備支持這些應用的能力,所有努力都將白費。

需求預測涉及許多複雜的因素。除了天氣,即時預測可能涵蓋一些很複雜的任務,例如預測有多少電動卡車將到達哪個充電站,以及需要在哪個確切的時間為電池充電。「有時候每小時甚至每分鐘都需要做出決定,」Marc Spieler說,「而AI是唯一能使之高效的技術。」

大規模預測

如今,公共事業公司通常會訂閱詳細的天氣預報服務,並將這些資料登錄到複雜的模型中,以嘗試預測能源需求。

「在這方面做得最好的應屬金融服務公司,」Spieler說,「他們利用買、賣能源的避險基金在AI方面進行大量投資,並獲得了不錯的收益。」不過,Spieler說,公共事業公司也在加大力度。「我們看到了公共事業中資料科學的崛起,」他說,「我們合作的一些公共事業公司正在逐步強化他們的資料科學社區,我們也開始向公共事業公司銷售硬體DGX系統(Nvidia的資料中心級AI加速器)。」

對公共事業公司來說,一種可用於大規模AI的技術是聯合學習(federated learning),這種技術利用多個來源的資料訓練中央模型,而不必將資料集中或共用。該技術通常用於醫療保健領域的醫療AI模型,因為讀取更多的訓練資料可以使模型更加準確,但醫療資料不能流出醫院。從本質上來說,模型的本地版本在邊緣被重新訓練,然後更新的模型參數被集中起來,以改善整體模型,Nvidia就提供了一個名為Clara的聯合學習平台。

Spieler指出,電網的大規模供需預測模型將是Clara平台上一個引人關注的使用案例。「公共事業公司之間不能共用資料,但他們又不是競爭對手,因為只會有一組電源線連接到每個家庭,」他說,「我們相信,採用聯合學習技術,透過訓練其模型並與可以整合這些模型的更大的機構共用模型權重,就可以實現整個行業的協同合作。」

採用這種技術可以得到更準確的模型來預測電網對異常天氣條件的反應。例如,部署在沙漠中的模型可以部分地使用來自更北部的資料進行訓練,其中包含這些特定條件下的更多實例。

電網邊緣

未來的電網也將在邊緣使用AI。十年前的「智慧電錶」未來將變得更加智慧。智慧電錶的作用已經從擺脫人工抄錶的束縛,到透過具備AI能力的太陽能板和電動車來預測消費者的供需情況。

Spieler表示,今天的智慧電錶只利用了很少一部分讀取到的資料。一個典型的電錶可能有8個通道的資料可用,智慧恆溫器等下游設備則可能收集多達20或30個通道的資料。

「現在的每個智慧電錶中都有一個晶片——問題是它是否有足夠的能力處理大量資料?」Spieler說,「我們設想智慧電錶可以像iPhone一樣擷取大量資料,然後公共事業公司、消費者或其他人可以在其上載入應用,以便最佳化能源效率。」

如果變電站出現故障,智慧電錶可以提供必要的資料在相鄰的社區創建一個微電網,以便與鄰居共用太陽能或電動車電池的能量。在極端天氣情況下,可以實施智慧減載方案,透過AI智慧電錶關斷非必要負載的電源。Spieler舉例,在最近發生的德州大斷電中,對休斯頓泳池泵的供電本來是可以關斷,把電留給使用救生醫療設備的家庭。

「我們能夠像外科手術那樣精確地將一些能耗從電網中剔除,」他說,「現在我們只能簡單地打開或關斷整個城市的電網,但將來可以根據某個人家裡的溫度來做出決策。」

「如果寒流來襲,智慧電錶可以顯示哪些家庭的溫度低於4℃,電網將優先為他們供電,避免其管線凍結。AI能夠對這樣的情況進行判斷,」Spieler說,「資料已經存在,利用Nest恆溫器和電錶背後的其他裝置,我們可以讀到這些資料。但這些資料卻沒有返回給公共事業公司來幫助其做出更好的決策。」

電網AI演算法

Veritone是致力於為電網管理提供AI解決方案的幾家公司之一。該公司的合作分散式推理(CDI)技術可以確保整個電網的能量分配可預測及可恢復。該系統使用預測資料和規則來建構並不斷更新設備狀態模型,並將之應用於智慧控制邊緣裝置。

「人類無法精確地控制電網,」Veritone能源資深副總裁Sean McEvoy在接受筆者採訪時說。他指出,要持續監控電網上每個發電和儲電設備的狀態,同時監控能源需求、天氣狀況、傳輸流量和能源價格,需要對海量資料進行分析。

只有AI才有能力完成這項任務。「透過對海量資料進行持續的即時建模,系統就可以瞭解每個電網使用者到底需要多少能源,以及在某個時刻或不久的將來,可以提供多少能源。」McEvoy說,「不僅人類做不到這一點,僅靠功能強大的電腦也做不到。這需要邊緣運算能力與智慧強化學習和自我調整學習相結合。」

強化學習是一種訓練AI代理(採取某種動作的AI演算法)來最大化某種獎勵的技術。它使代理能夠有效地從其動作結果中學習,而不是專門被教導。Veritone演算法具有自我調整性,會隨著不斷變化的狀況來即時更新系統模型。

McEvoy進一步解釋說,Veritone為電網創建的AI模型採用了「受約束的分散式哈密頓量」(Hamiltonian)方法,這裡的分散式意味著在邊緣進行推理來減少延遲。模型可以由規則進行約束,比如設備保修規則,或者由北美電力可靠度公司(NERC)或聯邦能源監管委員會(FERC)提出的規則。平均場演算法用於模型同步,而線性代數模型則用於預測。Veritone的模擬器採用蒙特卡羅(Monte Carlo)技術對不同結果的概率進行建模。

Veritone的電網AI解決方案如圖2所示。域規則資訊由規則轉換器轉換為參數;探測器學習並更新受控設備的模型;優化器不斷創建滿足操作和行為目標的策略;平均場透過將整個網路的狀態傳送到本地代理來同步CDI代理;邊緣控制器控制邊緣裝置,黑板則提供資訊流;預測器利用過去和當前的感測器資料來預測未來的能源情況,其中包括需求。

 

圖2:可以即時監控電網的Veritone AI方案。

(來源:Veritone)

 

Veritone的目標客戶是公共事業公司和獨立電力生產商(IPP),例如微電網開發商和營運商。同時他們也與設備供應商合作,開發並部署用於諸如太陽能逆變器和電池系統的AI模型和預測控制器。

「這套軟體可以集中部署在變電站、資料中心或邊緣,用以控制邊緣設備並提供邊緣推理,」McEvoy說,「透過對多個電網邊緣設備的即時同步,可以瞭解工廠狀態和容量的整體模型視圖。」

那麼,這些AI技術一開始將在多大的範圍內使用?如果從相對較小的規模開始,例如微電網,是否有意義?或者這樣做有什麼缺點?

「通常,Veritone會建議從控制單個網站的能源逐步開始。」McEvoy說。先在較小的網站(可以是25~50兆瓦的可再生能源發電機和儲能器)推廣AI技術可以讓電網營運商更有信心。「一旦該網站使用AI得以最佳化,就可以推廣到更多的網站,而且AI還可以在網站間進行同步,」他說,「該技術可以管理和控制奈米電網、微電網和其他公共電網,但隨著規模的擴大,其複雜性也將呈指數級增長。」

(參考原文:Adding Intelligence to the Grid,by Sally Ward-Foxton)

本文同步刊登於EDN China 2021年10月號雜誌

 

 

 

 

加入我們官方帳號LINE@,最新消息一手掌握!

發表評論