以下文章是阿貢實驗室努力利用人工智能預測能力，特別是機器學習，推動廣泛科學學科發現的系列文章的一部分。你明天需要多少電?回答這個問題很像是在你早上的通勤中展望 - 有些可預測，但絕不是鐵定的。為了管理預測電力需求和避免意外的固有不確定性，電網運營商依靠計算機模型來幫助估算從電力需求到交通模式的所有內容。

“Argonne的方法決定了系統的當前條件是基于過去的行為，還是某些東西是新的和不同的。這些信息可用于提醒操作員他們可能在網格上有他們不期望的東西。“ - 阿貢實驗室高級計算數學家Mihai Anitescu

在各種情況下分析某些和未知的電力的這一挑戰涉及一系列極其復雜的數學問題。在人工智能(AI)的幫助下，能源部(DOE)阿貢實驗室的研究人員正在開發新的方法，從電網中的大量數據中提取見解，目的是確保更高的可靠性，彈性和效率。這項工作將Argonne長期以來的網格專業知識與其先進的計算設施和專家相結合。

更好地掌握不確定性

電網運營商始終處理從極端天氣到設備故障等因素的挑戰和一些不確定性。現在，可再生能源的供應波動，其中一些來自配備智能電表的屋頂太陽能電池板的消費者，正在增加電網運營商必須考慮的變量數量。

Argonne研究人員正致力于優化模型，這些模型使用機器學習(一種AI)來模擬電力系統和各種問題的嚴重性。在具有區域1，000電力資產，如發電機，變壓器，短短三年資產的中斷會產生近十億場景潛在故障。哪些可能性最值得關注?

解決這樣一個復雜的模型非常耗時。借助能源部領導計算機構(ALCF)，DOE科學用戶設施辦公室等資源，研究人員可以并行模擬多個場景，更快地推動這一過程。

“我們的想法是生成大量的場景，并訓練機器學習模型告訴我們答案，”Argonne助理計算數學家Kibaek Kim說。“而不是解決在幾個小時或幾天了一些困難的優化模型，我們訓練模型的時間提前，然后得到答案的時候了。”

研究人員通過喂養它的一組數據，其中包括解決方案，如果機器正在研究以前的訓練機器“嘗試新的之前的考試”。這稱為監督學習。另一種技術，無監督學習，涉及飼養計算機的原始數據，并允許它篩選出的圖案沒有告訴任何“答案”。

在一項研究中，Kim和他的同事們使用了一種稱為圖形卷積神經網絡的模型來推薦最佳控制，以防止傳輸線在任何線路出現問題時過載。他們發現，這種使用機器學習快速找到解決方案的模型產生的錯誤遠遠少于傳統的錯誤。這項工作是使用Argonne的實驗室計算資源中心(LCRC)及其系統評估聯合實驗室進行的。除了LCRC之外，Kim的工作涉及Argonne之間的合作。

Kim的團隊正致力于使這些模型更加強大，為電網運營商提供更強大的指導，為風暴，設備故障和可再生能源發電的大幅波動等特殊事件提供更可靠的規劃和運營信息。

提前計劃

Argonne的其他工作涉及應用AI來加速區域電力系統規劃中的日常計算。其中一個計算是安全約束單位承諾(SCUC)，它可以幫助電網運營商設定每日和每小時發電的時間表。

“在電力系統中，這個SCUC問題每天都會被解決多次，”Argonne首席計算科學家馮秋說。“既然這個問題被反復得到解決，我們可以積累大量的數據，并發現可用于解決下一輪的模式。”

而不是與機器學習取代目前的分析，邱說，這個想法是加強使用機器學習提供現有的“提示”，從以前的解決方案的經驗教訓。利用的LCRC的波普集群，由阿貢博士后任命Alinson澤維爾桑托斯領導的研究小組開發的AI是可以解決SCUC12快倍，平均比傳統方法。該方法的早期版本在Midcontinent獨立系統運營商(MISO)的測試中成功使用，該運營商負責監督15個州和一個加拿大省的電力供應。

“所有這些都可以帶來更有效的市場和更具成本效益的電力生產，”邱說。“對于長期規劃，它可以幫助電網運營商考慮更多的方案，并做出更好的擴張計劃。”

為更智能的網格編程

現代化的網格越來越多地采用可以監控整個系統狀況的傳感器，這些也為增強的數據處理提供了機會。例如，放置在輸電線路和變電站上的設備用作哨兵，當發生電網操作員時發出設備問題。

Argonne科學家已經評估了ComEd一年的傳感器數據，ComEd是一家為中西部地區近400萬客戶提供服務的公用事業公司。這一次，研究人員使用無監督學習，將數據輸送到機器并要求它查找傳感器輸出中的異常。

“當事情無法正常工作時，操作員并不總是知道，”負責該項目的Argonne高級計算數學家Mihai Anitescu說。“我們的方法決定是否該系統的當前狀況是基于過去的行為預期，還是東西是新的，不同的。該信息可用于提醒操作員他們可能在網格上有他們不期望的東西。“

這種分類工作也可以應用于可再生能源的天氣預報，例如，校正水體附近的風資源的低估，并將數值模型與物理測量相結合以提高準確性。

很多AI工作，指出Anitescu，涉及純數據-識別語音模式，例如，或分析圖：“不會有太多的物理規則，”他補充道。

對于像天氣或電網這樣的大型現實系統來說，情況并非如此。“你真的要調和數據，即使有很多的它，與物理信息，”他說。“這是一個處于起步階段非常多，它真的在那里的超級計算機是必要的。”

阿貢實驗室的人工智能網格工作一直由能源部在科學的辦公室，高級電網研究與發展司DOE“電力辦公室和阿貢實驗室的實驗室指導研究和開發斯威夫特計劃短期項目。