Intel·ligència artificial i l’optimització avançada pels distribuïdors elèctrics.

Pressió creixent sobre les distribuïdores elèctriques, ja que intenten millorar com fer front a les incidències provocades pels forts fenòmens meteorològics.

Els desastres naturals estan provocant importants desordres a tot el món i la tendència és creixent. En el 2016, la durada mitjana d’interrupció dels clients als Estats Units anva dels 27 minuts a Nebraska,  les 6 hores a Virgínia Occidental, fins a les 20 hores a Carolina del Sud a causa de l’huracà Matthew.

Font: Argonne National Laboratories

Més recentment el 2017, gairebé 280.000 clients de Texas, es van quedar sense electricitat, després de l’huracà Harvey. El 2018, aproximadament 1,9 milions de clients van patir interrupcions elèctriques durant l’huracà Florència, mentre que 1,7 milions de clients van perdre el poder després de l’huracà Michaelal sud-est dels Estats Units. En el 2019, les fortes tempestes van provocar diverses aturades a Michigan i Wisconsin , on més de 500.000 clients es van quedar sense electricitat. Aquestes interrupcions d’energia poden provocar impactes socioeconòmics importants i poden possar en rics les vides. 

Les distribuïdores,  utilitzen sistemes de gestió d’interruccions (OMS de l'anglès Outage Management System) per gestionar la xarxa durant interrupcions i restablir el sevei als clients. Un OMS identifica i prediu possibles interrupcions de la xarxa i també, gestiona les accions per restablir el servei. D'altra banda, l'OMS pot ajudar a prioritzar els esforços de restabliment i gestionar els recursos de brigada per fer possible les reparacions després de les avaries. Un OMS pot reduir la durada d'interrupció fins a un 25%. El recent desenvolupament en intel·ligència artificial (IA) i l’optimització avançada proporcionen l’oportunitat de millorar molt els actuals  OMS. 

La gestió de les avaries i la seva reparació, no poden ser eficients sense una planificació adequada, que inclou la preparació de la brigada. La preparació prèvia  a la avaria, consisteix en garantir que hi hagi una quantitat adequada de recursos a les ubicacions adequades. La manca de recursos va ser una de les principals raons per la lenta resposta després de l’huracà Maria a Puerto Rico. L’AI i l’aprenentatge automàtic poden aprofitar les dades recollides d’interrupcions anteriors i esdeveniments meteorològics extrems per prendre decisions amb més informació. Per exemple, l'AI pot millorar la previsió del temps i predir possibles interrupcions mitjançant models de vulnaribitat dels components de la xarxa i les dades històriques d'interrupció. Es poden utilitzar tècniques avançades d’optimització per preparar i coordinar eficientment els recursos disponibles abans de la incidència. En un recent estudi es van mostra com utilitzar la programació estocàstica per a una assignació òptima de recursos abans de desastres naturals. La clau és, considerar diferents tipus de recursos de mà d’obra / equipament, restriccions de xarxa i les incerteses dels danys. Una línia d'investigació interesant, és  la coordinació dels recursos entre les diverses empreses de serveis i les diferents agències.

Font: MIT news

Durant les avaries extremes i posteriors, una de les principals preocupacions per als distribuïdores, és la manca d’observabilitat i del coneixement de la situació. Actualment, molts serveis utilitzen les trucades de telèfon i els desplaçaments a la zona per localitzar i avaluar els danys. En els últims esdeveniments extrems, es van utilitzar drons per escanejar xarxes per identificar danys. No obstant això, l'AI té la capacitat de consolidar la informació de diferents fonts, com ara la dels  comptadors intel·ligents,  les xarxes socials, les trucades de telèfon i els dispositius de protecció elèctrica dels client, per obtenir una avaluació més ràpida i precisa dels danys. Una solució viable és l’ús de l’avaluació basada en l'IA per prioritzar i seleccionar quines zones cal anar prioritariament. A més,  és important per als distribuïdors que tenen recursos limitats després de desastres naturals. A més de l'avaluació de danys, un altre exemple és utilitzar l'IA per estimar el temps de reparació i de restauració. Aquesta informació és fonamental per assegurar l'enviament eficient de la brigada. A més, pot proporcionar valuaosa informació als clients que necessiten electricitat de manera que,  els pot ajudar a organitzar-se millor per fer front a aqeusta mancança de servei. Recentment, s'ha proposat un mètode de deep-learning per estimar el temps de les reparacions i restauracions, utilitzant dades històriques d’interrupcions i les previsions meteorològiques.

Font: Aithotities.com

Després de l'analisi i la valoració dels danys, el següent pas és reparar i restablir el servei. Aixó inclou la gestió de les brigades per reparar els components danyats i realitzar les maniobres per restablir el servei mitjançant tecnologies de xarxa intel·ligent, com serien, els recursos energètics distribuïts, les microgrids i els interruptors automàtics. La dificultat és construir models de co-optimització que coordinin els dos processos que són interdependents, però que presenten terminis diferents. Recentement, s'ha demostrat que un model de co-optimització millorarà significativament el restabliment en comparació amb la resolució dels dos processos de manera independent. Tanmateix, el model de co-optimització amb diversos formats mixtes a gran escala, és extremadament difícil de resoldre. Per iaxò, s'han aprofitat les tècniques d’optimització avançada com ara és la cobertura progressiva i la metaheurística recolçat amb sistemes potents computacionals.

La gestió de l’avaria, inclou múltiples fases interdependents. L’AI i l’optimització avançada poden millorar totes aquestes fases, des de la predicció de l'avaria, la preparació d’esdeveniments, l’avaluació de danys, fins a la reparació i la restauració del servei. Tot i això, implementar aquests mètodes és encara un repte. Per això, s'ha defer més fàcil entendre el procés de presa de decisions de l'AI i de l'optimització, per demostrar clarament la seva efectivitat i comunicar els beneficis financers i socials als responsables polítics i enginyers.

Font: IEEE Smart Grid