Peneliti Arab Saudi Atasi Volatilitas Jaringan Energi Terbarukan dengan AI Berbasis Fisika
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
Jeddah, Arab Saudi, Sumber:
Lanskap energi global beralih cepat ke sumber angin dan fotovoltaik. Transisi ini menghadirkan tantangan baru. Volatilitas alami pembangkitan energi terbarukan dapat mengancam stabilitas jaringan. Metode peramalan tradisional sering kesulitan memperhitungkan batasan fisik yang kompleks. Hasilnya bisa terlihat masuk akal secara statistik namun tidak layak secara operasional. Sebuah studi yang diterbitkan pada November 2026 oleh peneliti dari King Abdulaziz University menawarkan solusi menarik. Pendekatan mereka menggabungkan pembelajaran mendalam dengan fisika sistem daya untuk membuat skenario energi terbarukan 24 jam yang sangat andal.
Tim penelitian menggunakan dataset EMHIRES. Kumpulan data ini berisi lebih dari 262.968 nilai faktor kapasitas angin dan surya Jerman setiap jam dari tahun 1986 hingga 2015. Dengan memadukan data ekstensif ini dengan benchmark DC IEEE 14-bus yang disederhanakan, mereka melatih model difusi kondisional. Model ini mempelajari batas operasional seperti laju perubahan daya, kapasitas aliran cabang, dan batas generator. Ia melampaui pola statistik sederhana untuk memahami aturan fisik jaringan.
Model Probabilistik Difusi Penghilangan Derau standar sering menghasilkan output yang tidak realistis secara fisik. Contohnya termasuk pembangkitan PV selama jam gelap atau pelanggaran tegangan. Kerangka kerja baru mengatasi masalah ini melalui fungsi kerugian komposit dan pengambilan sampel yang dipandu gradien. Metode ini memberlakukan aturan fisik selama proses generasi itu sendiri. Hasilnya menunjukkan lompatan signifikan dalam keandalan operasional. Sementara model standar hanya mencapai tingkat kelayakan 14,61% untuk trajektori 24 jam lengkap, varian yang dipandu fisika mencapai angka impresif sebesar 91,80%.
Basis persistensi sederhana kadang-kadang unggul daripada model AI dalam akurasi prakiraan titik mentah. Namun, model baru ini unggul dalam menghasilkan skenario multi-langkah yang koheren. Skenario ini penting untuk optimisasi stokastik dalam manajemen jaringan. Studi ini menyoroti trade-off praktis. Panduan fisika meningkatkan latensi komputasi sedikit dari 2,76 ms menjadi 22,29 ms per jendela waktu. Peningkatan ini secara drastis mengurangi kebutuhan akan perbaikan pasca-pemrosesan. Hasilnya adalah alat yang jauh lebih cocok untuk penyaluran real-time dan alokasi cadangan.
Kemajuan ini menandai pergeseran penting dari AI murni berbasis data ke pembelajaran mesin hibrida yang diinformasikan oleh fisika. Memastikan bahwa prakiraan yang dihasilkan menghormati hukum dasar teknik listrik memungkinkan operator jaringan mengelola kemacetan dengan lebih baik. Hal ini juga membantu mengoptimalkan penyaluran penyimpanan dan mempertahankan margin keamanan. Seiring penetrasi energi terbarukan yang terus meningkat, alat prakiraan yang sadar akan batasan ini akan sangat diperlukan. Mereka menyediakan keandalan dan keberlanjutan yang dibutuhkan untuk jaringan listrik modern.