Энергосистема становится все более сложной по мере увеличения доли возобновляемых источников энергии. Если раньше большинство домов снабжалось стабильным потоком от небольшого числа крупных электростанций, то теперь миллионы солнечных панелей генерируют электричество с переменной мощностью. Все более непредсказуемая погода усугубляет проблему балансирования спроса и предложения. Чтобы справиться с этим хаосом, операторы сетей все чаще обращаются к искусственному интеллекту (ИИ).
Способность ИИ обучаться на больших объемах данных и реагировать на сложные сценарии делает его идеально подходящим для задачи поддержания стабильности энергосетей. Растет число софтверных компаний, предлагающих свои ИИ-решения для традиционно медлительной энергетической отрасли.
Министерство энергетики США признало эту тенденцию, недавно выделив 3 миллиарда долларов в виде грантов на различные проекты «умных сетей», включающие инициативы, связанные с ИИ.
Воодушевление по поводу ИИ в энергетическом секторе ощутимо. Некоторые уже рассуждают о возможности создания полностью автоматизированной сети, где, по идее, для принятия повседневных решений не потребуется участие человека.
Однако такой сценарий пока остается далеким будущим; на данный момент основная польза заключается в потенциале ИИ помогать людям, предоставляя информацию в реальном времени для более эффективного управления сетью. Вот четыре способа, которыми ИИ уже меняет работу операторов сетей.
1. Более быстрое и качественное принятие решений
Система электроснабжения часто описывается как самая сложная из когда-либо построенных машин. Поскольку сеть настолько обширна, ни один человек не в состоянии полностью охватить все происходящее в ней в данный момент, не говоря уже о прогнозировании будущих событий.
Фэн Цю, научный сотрудник Государственной национальной лаборатории Аргонн, федерального исследовательского института, объясняет, что ИИ помогает сети в трех ключевых аспектах: он помогает операторам понять текущие условия, принимать более обоснованные решения и прогнозировать потенциальные проблемы.
Цю годами исследовал, как машинное обучение может улучшить работу сетей. В 2019 году его команда сотрудничала с MISO (Midcontinent Independent System Operator) — оператором сети, обслуживающим 15 штатов США и части Канады, — для тестирования модели машинного обучения, предназначенной для оптимизации ежедневного планирования работы сети, сопоставимой по масштабу с MISO.
Ежедневно операторы систем, такие как MISO, выполняют сложные математические расчеты, чтобы спрогнозировать, сколько электроэнергии потребуется на следующий день, и пытаются найти наиболее экономически эффективный способ распределения этой энергии.
Модель машинного обучения команды Цю показала, что этот расчет можно выполнить в 12 раз быстрее, чем без ИИ, сократив время с почти 10 минут до 60 секунд. Учитывая, что операторы систем выполняют такие расчеты несколько раз в день, экономия времени может быть весьма существенной.
В настоящее время команда Цю разрабатывает модель для прогнозирования отключений электроэнергии с учетом таких факторов, как погода, география и даже уровень дохода различных районов. Используя эти данные, модель может выявлять закономерности, например, вероятность более длительных и частых отключений в районах с низким доходом и устаревшей инфраструктурой. Лучшее прогнозирование помогает предотвращать сбои, ускорять ликвидацию последствий стихийных бедствий и минимизировать страдания, когда такие проблемы все же возникают.
2. Индивидуальный подход к каждому дому
Усилия по интеграции ИИ не ограничиваются исследовательскими лабораториями. Lunar Energy, стартап в области аккумуляторных технологий и сетевых решений, использует программное обеспечение на базе ИИ, чтобы помочь своим клиентам оптимизировать потребление энергии и сэкономить деньги.
«У вас есть сеть из миллионов устройств, и вы должны создать систему, которая может получать все данные и принимать правильное решение не только для каждого отдельного клиента, но и для всей сети, — говорит Сэм Уиверс, руководитель программного обеспечения Lunar Energy. — Вот тут и заключена сила ИИ и машинного обучения».
Программное обеспечение Gridshare от Lunar Energy собирает данные с десятков тысяч домов: информацию об энергии, используемой для зарядки электромобилей, работы посудомоечных машин и кондиционеров и многом другом. В сочетании с данными о погоде эта информация поступает в модель, которая создает персонализированные прогнозы потребностей отдельных домохозяйств в энергии.
В качестве примера Уиверс описывает сценарий, когда два дома на одной улице имеют одинаковые по размеру солнечные панели, но в одном доме во дворе растет высокое дерево, создающее дневную тень, из-за чего его панели генерируют немного меньше энергии. Утилитарной компании вручную отслеживать такие детали на уровне домохозяйства невозможно, но ИИ позволяет выполнять подобные расчеты автоматически в огромном масштабе.
Такие услуги, как Gridshare, в первую очередь предназначены для того, чтобы помочь отдельным клиентам сэкономить деньги и энергию. Но в совокупности они также предоставляют коммунальным компаниям более четкие поведенческие модели, которые помогают им улучшать энергетическое планирование. Учет таких нюансов жизненно важен для отзывчивости сети.
3. Интеграция электромобилей в сеть
Хотя электромобили (EV) критически важны для перехода к чистой энергетике, они создают реальную проблему для энергосистемы.
Джон Таггарт, соучредитель и технический директор WeaveGrid, отмечает, что рост числа электромобилей значительно увеличивает спрос на энергию. «Последний раз, когда [коммунальным компаниям] приходилось справляться с таким ростом, это было, когда массово распространялись кондиционеры», — говорит он.
Распространение EV также имеет тенденцию концентрироваться в определенных городах и районах, что может перегрузить местную сеть. Чтобы снизить эту нагрузку, базирующаяся в Сан-Франциско компания WeaveGrid сотрудничает с коммунальными компаниями, автопроизводителями и операторами зарядных станций для сбора и анализа данных о зарядке EV.
Изучая закономерности и продолжительность зарядки, WeaveGrid определяет оптимальное время для пополнения заряда и направляет рекомендации клиентам через SMS или уведомления в приложении о том, когда следует заряжать свои автомобили. В некоторых случаях клиенты предоставляют компаниям полный контроль для автоматической зарядки или разрядки аккумуляторов в зависимости от потребностей сети, получая взамен финансовые бонусы, например, ваучеры. Это превращает сами автомобили в ценный источник накопления энергии для сети. Крупные коммунальные компании, такие как PG&E, DTE и Xcel Energy, уже участвуют в данной программе.
DTE Energy, коммунальная компания из Детройта, обслуживающая южную часть Мичигана, сотрудничает с WeaveGrid для улучшения планирования сети. Компания заявляет, что смогла идентифицировать 20 000 домов с электромобилями в зоне своего обслуживания и использует эти данные для расчета долгосрочных прогнозов нагрузки.
4. Обнаружение стихийных бедствий до их наступления
Ряд коммунальных компаний уже начали интегрировать ИИ в критически важные операции, особенно в инспекцию и управление физической инфраструктурой, такой как линии электропередач и трансформаторы.
Например, чрезмерный рост деревьев является основной причиной отключений, поскольку их ветви могут упасть на провода или вызвать пожар. Традиционно инспекция проводилась вручную, но, учитывая обширную протяженность линий электропередачи, этот процесс может занимать несколько месяцев.
PG&E, обслуживающая Северную и Центральную Калифорнию, использует машинное обучение для ускорения этих проверок. Анализируя фотографии, сделанные дронами и вертолетами, модели машинного обучения определяют участки, требующие обрезки деревьев, или выявляют неисправное оборудование, нуждающееся в ремонте.
Некоторые компании идут дальше и используют ИИ для оценки общих климатических рисков.
В прошлом месяце Rhizome, стартап из Вашингтона, округ Колумбия, запустил систему ИИ, которая берет исторические данные коммунальных компаний о работе энергетического оборудования и объединяет их с глобальными климатическими моделями для прогнозирования вероятности сбоев в сети, вызванных экстремальными погодными явлениями, такими как снегопады или лесные пожары.
Существуют десятки улучшений, которые может внедрить коммунальная компания для повышения устойчивости системы, но у нее нет времени или финансирования, чтобы заниматься всем сразу, говорит соучредитель и генеральный директор Rhizome, Миш Тадани. С помощью такого программного обеспечения коммунальные компании теперь могут принимать более обоснованные решения о том, какие проекты следует приоритизировать.
Что ждет операторов сетей впереди?
Если ИИ способен быстро принимать все эти решения, можно ли просто позволить ему управлять сетью и отправить операторов-людей домой? Эксперты говорят — нет.
Прежде чем мы сможем полностью автоматизировать сеть, остается несколько серьезных препятствий. Самую большую озабоченность вызывает безопасность.
Цю объясняет, что в настоящее время действуют строгие протоколы и проверки для предотвращения ошибок в критически важных решениях, касающихся реагирования на потенциальные сбои или отказ оборудования.
«Энергосистема должна подчиняться очень строгим физическим законам», — говорит Цю. ИИ, хотя и отлично справляется с улучшением контролируемых математических расчетов, еще не является абсолютно надежным в учете эксплуатационных ограничений и крайних случаев, которые возникают в реальном мире. Это представляет слишком большой риск для операторов сетей, чьим основным приоритетом является надежность. Одно неверное решение в неподходящий момент может привести к каскадным масштабным блэкаутам.
Конфиденциальность данных — еще один вопрос. Джереми Реншоу, старший технический руководитель в Институте исследований электроэнергетики (EPRI), считает, что крайне важно анонимизировать данные клиентов, чтобы защитить конфиденциальную информацию, например, о том, в какое время дня люди находятся дома.
Модели ИИ также рискуют увековечить предвзятость, которая может поставить в невыгодное положение уязвимые слои населения. Исторически бедные районы часто получали восстановление электроснабжения после отключений в последнюю очередь, — говорит Реншоу. Модели, обученные на этих данных, могут продолжать присваивать им более низкий приоритет при работе по восстановлению подачи энергии.
Для устранения этой потенциальной предвзятости Реншоу подчеркивает важность обучения персонала по мере того, как компании внедряют ИИ, чтобы сотрудники понимали, какие задачи подходят для этой технологии, а какие нет.
«Можно забить гвоздь молотком, но если использовать отвертку, результат, вероятно, будет намного лучше», — заключает он.
