Durant les últimes tres dècades, la investigació en intel·ligència artificial (IA) ha evolucionat amb una àmplia gamma de tècniques i enfocaments els quals, poden ser utilitzats per resoldre problemes complexos del sistema elèctric com pot ser la planificació, l'explotació del sistema elèctric, l'estabilitat després d'un incident, que fins ara no han tingut una solució.
 |
| Font: Medium.com |
D'altra banda, el concepte de xarxa intel·ligent, el qual va sorgir a principis del segle XXI per aprofitar les millores de les tecnologies de la informació i la comunicació en la indústria elèctrica, pretenia abordar problemes de seguretat en els sistemes d'energia centralitzats, així com preveure laugment de la penetració de les energies renovables mitjançant el desplegament dels comptadors intel·ligents i poder establir una situació que aportés benefici pels consumidors, cmomercialitzadors i distribuïdors.
 |
| Font: www.electricalindia.in |
Tot i que l’aplicació de mètodes basata en IA en algunes àrees del sistema elèctric encara és complicat, principalment per la seva capacitat computacional o fins i tot de la seva intractabilitat computacional, és cert que ja s’han aplicat amb èxit una àmplia gamma de tècniques de IA, destinades a enfortir tota la xarxa les quals, cobreix les àrees de generació, transport, distribució i consum d’electricitat, així com la desregulació del mercat elèctric, les quals, es poden classificar en les següents tres classes:
 |
| Font: Medium.com |
- Optimització de sistemes d'energia renovable i sostenible (RSES): microgrids, centres energètics, centrals elèctriques virtuals, agregadors de càrregues, entre d'altres, en els tres nivells de control d'estabilitat transitòria, gestió energètica diària i planificació d'inversions. L'adequada optimització té una importància cabdal per aconseguir sistemes eficients i, alhora, rendibles per al disseny, funcionament i control de les RSES. En aquest sentit, tradicionalment s'han emprat tècniques d’optimització matemàtica per proporcionar solucions analítiques per optimitzar sistemes d’energies renovables clàssics i sense complicacions híbrides. No obstant això, l'escalada en el nombre de variables i restriccions per la pressa de decisió, així com l'augment de la no-linealitat i la no convexitat dels problemes d'optimització de les RSES, especialment en el cas de xarxes d'energia multi-vectorials, van fer que els mètodes exactes no poguessin resoldre aquests problemes sense una sèrie de suposicions simplificadores que redueixen significativament la precisió de la solució. Afortunadament, l’arribada dels nous enfocaments estocàstics d’optimització, han resolt substancialment aquest problema. Tot i que aquestes tècniques no asseguren l’òptimitat global de la solució obtinguda, la seva eficàcia superior sobre els mètodes precisos en el camp d’investigació de l’optimització de les RSES es demostra tant empíricament com conceptualment. RSES.
Font: Medium.com Previsió a curt i llarg termini de la demanda energètica: els preus de l’energia i les potències de sortida de fonts basades en la climatologia, necessiten d'una previsió d’alta precisió de les variables d’entrada per els models de sistemes energètics els quals poden servir de base per millorar aquests models per aproximar millor les situacions del món real. En aquest context, s'han desenvolupat un conjunt de tècniques que permeten avançar en la qualitat de les previsions com a aportacions als models numèrics dels sistemes energètics. Segons la naturalesa temporal del problema ,és a dir, l’horitzó de predicció, l’anàlisi de la previsió es pot dur a terme en quatre horitzons temporals projectats:- Ultra-curt termini ( a nivell de segons) per a aplicacions d'avaluació de rendiment dinàmic i estabilitat,
- Molt curt termini (que oscil·len entre minuts i l’hora) per a anàlisis de seguretat energètica, que permetin el control preventiu del sistema,
- Curt termini (que van des d’una hora fins a 72 hores) per al despatx econòmic, el compromís de la planta de generació, la programació de manteniment a curt termini i les aplicacions d’ofertes de mercat d’energia, i
- Mitjà i llarg termini (fins a diversos anys per endavant) per a la planificació del manteniment d'equips, la modelització de la política energètica, la planificació de l'expansió de recursos de generació / xarxes de transport i aplicacions de planificació del sistema d'energia inicial.
Estimació d’estat intel·ligent i reconeixement de fallades: amb propietats d’auto-restauració per millorar la resiliència dels sistemes. Tot i que la transformada wavelet s’aconsegueix tradicionalment per diagnosticar les localitzacions i els tipus de falles que es produeixen en els sistemes d’energia, el desenvolupament d’anàlisi de grans dades i la IA ha derivat a noves tendències en aquest àmbit de recerca. En aquest context, s’han aplicat amb èxit un seguit de tècniques de mineria de dades basades en el reconeixement de patrons per detectar falles del sistema d’energia agrupant les característiques de cada escenari, com ara: l’algoritme k-means. Al mateix temps, es pot explotar el potencial de l'IA per permetre el self-healing de sistemes d'energia sota contingències crítiques, cosa que ha contribuït significativament a facilitar la implementació d'accions correctives o de reforç automatitzades, immediates, cosa que millora la robustesa dels sistemes.
Font:/www.euractiv.com
En conclusió, els mètodes de l'IA que es poden adaptar o utilitzar directament per resoldre problemes complexos del sistema d’energia elèctrica, han jugat i seguiran jugant un paper significatiu en revolucionar tot el sector energètic des de la generació fins la distribució, per tal d’habilitar el integració a gran escala de fonts renovables en xarxes energètiques.
Ramon Gallart
Cap comentari:
Publica un comentari a l'entrada