Исследователи смоделировали микросеть мощностью 100 МВт, которая обеспечивала протебности промышленности и жилого сектора. В первом случае средняя нагрузка составляла 85 МВт, а ежедневные пиковые колебания достигали 25%, во втором — 15 МВт с отношением пиковой и средней мощностей 1,6.
Оборудование для генерации энергии включало солнечные панели мощностью 40 МВт и малый модульный ядерный реактор с минимальной стабильной мощностью 10 МВт и ограничением скорости нарастания мощности 5 МВт в час. Для устранения энергетического дисбаланса инфраструктура включала литий-ионный аккумулятор емкостью 20 МВт⋅ч с эффективностью заряда-разряда 92%, а также водородный блок максимальной емкостью 15 тонн.
Сезонные и суточные колебания погоды исследователи смоделировали при помощи нормального распределения со средним значением 80% номинальной освещенности и стандартным отклонением 12%.
Модель продемонстрировала снижение эксплуатационных расходов примерно на 18,7% и снижение интенсивности выбросов углерода почти на 37,1%. Надежность электроснабжения при критической нагрузке выросла во всех протестированных сценариях на 98%.
Основная инновация проекта — метод управления разными источниками энергии. В его разработке был использован фреймворк планирования, который объединяет многокритериальную робастную стохастическую оптимизацию (DRO) с механизмом обучения с подкреплением в реальном времени (RL). Система управления энергопотреблением выступает в роли «мозга» процесса. DRO генерирует базовые стратегии планирования, которые остаются устойчивыми даже в условиях неопределенности прогнозов погоды. Модули RL корректируют управляющие сигналы в реальном времени, позволяя системе динамически адаптироваться к текущим изменениям окружающей среды.
Модель оптимизации была написана на Python с использованием Pyomo для математического программирования, а для решения задач смешанного целочисленного программирования использовался Gurobi 10.0, сообщает IE.
Исследователи подчеркнули, что система представляет собой комплексное решение, а не фокусируется только на возобновляемых источниках энергии или атомной энергетике.
Используя электролизеры для производства водорода в периоды его избытка, сеть реализует стратегию «двухслойного» хранения. «Координация краткосрочного хранения в аккумуляторных батареях и долгосрочного хранения водорода позволяет системе справляться как с ежедневными, так и с сезонными энергетическими перепадами», — пояснили исследователи.
ИИ не просто требует все больше энергии — он же и помогает делать энергетику надежнее, умнее и эффективнее. Кристина Вишневецкая, директор по развитию Ippon, специально для Хайтек+ рассказала, как искусственный интеллект влияет на инфраструктуру электроснабжения и трансформирует подходы к проектированию и эксплуатации источников бесперебойного питания.
