Саудовские ученые решили проблему нестабильности возобновляемой энергосети с помощью ИИ, основанного на законах физики
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
Глобальный энергетический ландшафт стремительно меняется. Все больше внимания уделяется ветровой и солнечной энергии. Этот переход создает новую проблему. Нестабильность выработки от возобновляемых источников может угрожать стабильности сети. Традиционные методы прогнозирования часто не справляются со сложными физическими ограничениями. Они могут выдавать сценарии, которые выглядят статистически правдоподобно, но непригодны для реальной эксплуатации. Исследование, опубликованное в ноябре 2026 года учеными из Университета короля Абдул-Азиза, предлагает убедительное решение. Их подход сочетает глубокое обучение с законами физики электроэнергетических систем. Это позволяет создавать высоконадежные сценарии генерации возобновляемой энергии на сутки вперед.
Команда исследователей использовала датасет EMHIRES. В нем содержится более 262968 часовых значений коэффициентов использования мощности ветровых и солнечных установок в Германии за период с 1986 по 2015 год. Связав эти обширные данные с упрощенным эталонным объектом IEEE 14-bus DC, они обучили условную диффузионную модель. Эта модель изучает эксплуатационные ограничения. Она учитывает скорости изменения мощности, пропускную способность линий и границы работы генераторов. Модель выходит за рамки простого анализа статистических закономерностей. Она понимает физические правила работы сети.
Стандартные диффузионные вероятностные модели часто дают физически нереалистичные результаты. Например, они могут прогнозировать генерацию фотоэлектрических станций в темное время суток или нарушения напряжения. Новая архитектура решает эти проблемы с помощью комплексной функции потерь и градиентного выборочного сэмплирования. Этот метод навязывает физические правила непосредственно во время процесса генерации. Результаты показывают значительный скачок в операционной надежности. Если стандартные модели обеспечивали жизнеспособность только 14,61 процента полных суточных траекторий, то вариант с учетом физики достиг впечатляющих 91,80 процента.
Простые базовые методы инерции иногда превосходили модель ИИ по точности точечного прогноза. Однако новая модель отлично справляется с созданием согласованных многошаговых сценариев. Такие сценарии необходимы для стохастической оптимизации при управлении сетью. В исследовании отмечается практический компромисс. Физическое руководство немного увеличивает вычислительную задержку с 2,76 мс до 22,29 мс на одно окно. Это увеличение резко снижает необходимость последующей корректировки результатов. В итоге получается инструмент, гораздо лучше подходящий для диспетчеризации в реальном времени и распределения резервов.
Это достижение знаменует собой поворотный момент от чисто управляемых данными ИИ к гибрижному машинному обучению с учетом физических законов. Обеспечение того, чтобы прогнозы уважали фундаментальные законы электротехники, позволяет операторам сетей эффективнее управлять перегрузками. Это также помогает оптимизировать работу систем накопления энергии и поддерживать запас безопасности. По мере роста доли возобновляемых источников такие надежные инструменты прогнозирования, aware of constraints, станут незаменимыми. Они обеспечивают надежность и устойчивость, необходимые современным энергосетям.