Графические нейронные сети с высокой точностью воспроизведения: Новое решение для искусственного интеллекта

Новая модель основана на графовых нейронных сетях с высокой точностью (GNNS), типе искусственного интеллекта, предназначенного для улучшения анализа потоков электроэнергии - процесса, обеспечивающего безопасное и эффективное распределение электроэнергии по сети. Подход "multi-fidelity" позволяет модели искусственного интеллекта использовать большие объемы данных низкого качества (low-fidelity), в то же время извлекая выгоду из меньших объемов высокоточных данных (high-fidelity). Такой двухуровневый подход позволяет ускорить обучение модели при одновременном повышении общей точности и надежности системы.

Повышение гибкости сети для принятия решений в режиме реального времени

Благодаря использованию GNNs модель может адаптироваться к различным конфигурациям электросети и устойчива к изменениям, таким как сбои в работе линий электропередачи. Это помогает решить давнюю проблему "оптимального энергопотребления", определяя, сколько энергии следует генерировать из разных источников. Поскольку возобновляемые источники энергии вносят неопределенность в производство электроэнергии и системы распределенной генерации, наряду с электрификацией (например, электромобили), увеличивают неопределенность спроса, традиционные методы управления электросетями с трудом справляются с этими изменениями в режиме реального времени. Новая модель искусственного интеллекта объединяет как детальное, так и упрощенное моделирование для оптимизации решений в считанные секунды, повышая производительность сети даже в непредсказуемых условиях.

"Поскольку возобновляемые источники энергии и электромобили меняют ландшафт, нам нужны более разумные решения для управления энергосистемой", - сказал Негин Алемазкур, доцент кафедры гражданского строительства и охраны окружающей среды и ведущий исследователь проекта. "Наша модель помогает принимать быстрые и надежные решения, даже когда происходят неожиданные изменения".

Основные преимущества:

• Масштабируемость: Для обучения требуется меньше вычислительной мощности, что делает его применимым к большим и сложным энергетическим системам.
• Более высокая точность: Использует множество методов моделирования с низкой точностью для более надежного прогнозирования расхода электроэнергии.
• Улучшенная общедоступность: Модель устойчива к изменениям в топологии сети, таким как сбои в работе линий, - функция, которой нет в обычных моделях, работающих на станках.

Это новшество в области искусственного интеллекта может сыграть решающую роль в повышении надежности электросетей в условиях растущей неопределенности.

Обеспечение энергетической надежности в будущем

"Управление неопределенностью, связанной с возобновляемыми источниками энергии, является сложной задачей, но наша модель упрощает ее", - сказал аспирант Мехди Тагизаде, аспирант-исследователь лаборатории Алемазкура. Аспирант Камиар Хаямбаши, специализирующийся на интеграции возобновляемых источников энергии, добавил: "Это шаг к более стабильной и будущее за более чистой энергетикой".