مدیریت كارآمد برق با كمك شبكه عصبی مبتنی بر هوش مصنوعی
پژوهشگران آمریكایی، یك شبكه عصبی مبتنی بر هوش مصنوعی ابداع نموده اند كه می تواند به مدیریت دقیق و ایمن نیرو كمك نماید.
به گزارش اسمارت کاور به نقل از ایسنا و به نقل از وب سایت رسمی آزمایشگاه ملی آرگون، دانشمندان در بررسی جدیدی موفق شدند یک مدل شبکه عصبی مصنوعی ابداع کنند که می تواند هم خاصیت های ثابت و هم خاصیت های پایدار یک سیستم نیرو را با دقت بالا مدیریت کند.
شبکه تورین های برقی، نه فقط بزرگ بلکه پویا هم هستند و همین موضوع سبب می شود که مدیریت آنها چالش برانگیز باشد. اپراتورهای انسان می دانند که در شرایط پایدار چگونه سیستم ها را حفظ کنند اما هنگامی که شرایط در اثر دلیلهای گوناگون همچون اشتباهات ناگهانی به سرعت تغییر می کنند، اپراتورها روش مشخصی ندارند تا ایمنی مورد نیاز سیستم ها را حفظ کنند.
"آزمایشگاه ملی آرگون"(Argonne National Laboratory) که به "وزارت انرژی آمریکا"(DOE) وابسته است، روش جدیدی عرضه کرده تا به اپراتورها کمک نماید که سیستم های نیرو را با کمک هوش مصنوعی، بهتر و با روش کارآمدتری کنترل کنند.
همگرایی محاسبات پویا و ثابت
این روش جدید به اپراتورها امکان می دهد تا با بهره گیری از یک مدل تصمیم گیری بسیار دقیق و در نظر داشتن خاصیت های پویا و ثابت، تصمیم بگیرند و یک چالش دشوار را پشت سر بگذارند.
"فنگ کیو"(Feng Qiu)، از دانشمندان آزمایشگاه ملی آرگون اظهار داشت: تصمیم گیری برای خاموش و روشن کردن یک ژنراتور و تعیین سطح نیروی خروجی آن، نمونه یک تصمیم ثابت است که در یک بازه زمانی خاص تغییر نمی نماید. فرکانس الکتریکی که به سرعت ژنراتور بازمی گردد، یک خاصیت پویا است برای اینکه می تواند به مرور زمان نوسان داشته باشد. هنگامی که فرمول پویا و ثابت را در یک مدل کنار یکدیگر می گذارید، حل کردن آن نا ممکن بنظر می رسد.
در سیستم های نیرو، اپراتورها باید فرکانس را در یک طیف خاص نگه دارند تا محدودیت های ایمنی را رعایت نمایند.
بیشتر مفسرین، خاصیت های ثابت و پویا را به صورت جداگانه محاسبه می کنند؛ در صورتیکه برخی اهتمام کرده اند تا مدلهای ساده ای را ابداع کنند که هر دو نوع محاسبه را شامل می شوند اما دقت و مقیاس پذیری این مدلها محدود است برای اینکه سیستم ها پیچیده تر هستند.
پیوند خاصیت های ثابت و پویا با شبکه های عصبی مصنوعی
کیو و همکارانش برای همراه کردن فرمول های کنونی ثابت و پویا، روشی ابداع کردند تا فرمول های جدیدی را برای اتصال این دو خاصیت ایجاد کنند. در روش آنها، از یک ابزار مبتنی بر هوش مصنوعی موسوم به شبکه عصبی استفاده می شود.
"ییچن ژانگ"(Yichen Zhang)، نویسنده ارشد این پروژه اظهار داشت: یک شبکه عصبی می تواند نقشه ای را میان ورودی و خروجی خاص ایجاد کند. اگر من شرایطی که با آنها آغاز می نماییم و با آنها به انتها می بریم بدانم، می توانم شبکه های عصبی را برای درک چگونگی نقشه برداری از این شرایط به کار ببرم.
بااینکه روش شبکه عصبی این گروه را می توان برای سیستم های بزرگ به کار گرفت اما آنها روش خودرا روی یک سیستم ریزشبکه آزمایش کردند. این سیستم، یک شبکه قابل کنترل از منابع توزیع شده انرژی مانند ژنراتور دیزلی و پنل های خورشیدی فتوولتاییک است.
پژوهشگران از این شبکه عصبی استفاده کردند تا چگونگی نقشه برداری مجموعه ای از شرایط ایستا را در سیستم ریزشبکه و به همراه مجموعه ای از شرایط یا مقادیر پویا ردیابی کنند. آنها بطور خاص از این شبکه استفاده کردند تا منابع ثابت سیستم ریزشبکه را تنظیم کنند و بدین ترتیب فرکانس الکتریکی، در سطح ایمن باقی بماند.
داده های شبیه سازی شده، بعنوان ورودی ها و خروجی های لازم برای آموزش شبکه عصبی به کار گرفته شدند. ورودی ها، داده های ثابت و خروجی ها، واکنش های پویا به خصوص در طیف فرکانس های ایمن بودند. هنگامی که پژوهشگران، هر دو مجموعه داده را به شبکه عصبی منتقل کردند، شبکه یاد گرفت که از واکنش های پویا برای مجموعه ای از شرایط ثابت، نقشه برداری کند.
کویی افزود: شبکه عصبی، معادلات پویای پیچیده را که معمولا نمی توانیم با معادلات ثابت ادغام نماییم، به شکل جدیدی تبدیل کرد که امکان حل کردن آنها با یکدیگر را برای ما فراهم می آورد.
راه هایی برای تحلیل های جدید
پژوهشگران، تحلیل گران و اپراتورها می توانند از این روش جدید بعنوان یک نقطه آغاز استفاده کنند. برای مثال، اپراتورها می توانند از این روش استفاده کنند تا هنگام خاموش و روشن شدن منابع تولید مطمئن باشند که منابع آنلاین می توانند اختلالات خاص را تحمل کنند.
"تیانکی هونگ"(Tianqi Hong)، از پژوهشگران این پروژه اظهار داشت: این جریانی است که اپراتورهای سیستم همیشه می خواهند آنرا تحلیل کنند اما به خاطر چالش های محاسبه خاصیت های ثابت و پویا نمی توانند. حالا ما باور داریم که این روش، چنین تحلیل هایی را امکان پذیر می سازد.
"مارک پتری"(Mark Petri)، از پژوهشگران این پروژه اظهار داشت: ما از ارائه این روش تجزیه و تحلیل، هیجان زده هستیم. این روش می تواند راه بهتری برای اپراتورها فراهم آورد تا به بازیابی سریع و ایمن نیرو بپردازند.
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب