Los operadores del sistema de red eléctrica de Estados Unidos saben cómo mantener los sistemas cuando las condiciones son estáticas, pero cuando las condiciones cambian rápidamente, debido a fallas repentinas, por ejemplo, los operadores carecen de una forma clara de anticipar cómo el sistema debe adaptarse mejor para cumplir con los requisitos de seguridad y protección del sistema. Un nuevo modelo de red neuronal artificial, creado por los científicos de Argonne, maneja las características estáticas y dinámicas de un sistema de energía con un grado relativamente alto de precisión.
En el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), un equipo de investigación ha desarrollado un método novedoso para ayudar a los operadores de sistemas a comprender cómo controlar mejor los sistemas de energía con la ayuda de la inteligencia artificial (IA). Su nuevo enfoque podría ayudar a los operadores a controlar los sistemas de energía de una manera más efectiva, lo que podría mejorar la resistencia de la red eléctrica de Estados Unidos, según un artículo reciente en IEEE Transactions on Power Systems.
Método que considera características estáticas y dinámicas
El nuevo enfoque permite a los operadores tomar decisiones considerando las características estáticas y dinámicas de un sistema de energía en un único modelo de toma de decisiones con mayor precisión, algo que hasta ahora había sido difícil de conseguir.
En lugar de intentar unir fórmulas estáticas y dinámicas existentes, el equipo desarrolló un enfoque para crear nuevas fórmulas que pudieran unir las dos. Su enfoque se centra en el uso de una herramienta de inteligencia artificial conocida como red neuronal. El equipo probó el método en un sistema de microrred, una red controlable de recursos energéticos distribuidos, como generadores diésel y paneles solares fotovoltaicos.
Se utilizó la red neuronal para rastrear cómo un conjunto de condiciones estáticas dentro del sistema de microrred se asignaban a un conjunto de condiciones o valores dinámicos. Más específicamente, los investigadores lo usaron para optimizar los recursos estáticos dentro de su microrred para que la frecuencia eléctrica se mantuviera dentro de un rango seguro.
Los datos de la simulación sirvieron como entradas y salidas para entrenar su red neuronal. Las entradas eran datos estáticos y las salidas eran respuestas dinámicas, específicamente en el rango de frecuencias seguras. Cuando los investigadores pasaron ambos conjuntos de datos a la red neuronal, «aprendieron» a mapear las respuestas dinámicas estimadas para un conjunto de condiciones estáticas.