Naukowcy opracowują rozwiązanie AI do przewidywania i zarządzania przepływem prądu, aby zapobiec awariom.
WarsawNaukowcy z Uniwersytetu Teksańskiego w Dallas opracowali model AI, który ma zapobiegać przerwom w dostawach energii elektrycznej. Technologia ta potrafi szybko przekierowywać prąd. Podczas testów na sieci wykazała zdolność samodzielnego wykrywania i naprawiania problemów bez potrzeby interwencji człowieka.
Technologia szybko przekierowuje energię elektryczną, wykorzystuje uczenie maszynowe oparte na grafach do zrozumienia układu sieci, stosuje uczenie ze wzmocnieniem do podejmowania decyzji i może pozyskiwać energię z pobliskich źródeł, takich jak panele słoneczne.
Ten model sztucznej inteligencji jest elementem technologii, która szybko naprawia problemy w sieci energetycznej. Wykorzystuje uczenie maszynowe, aby zrozumieć, jak zorganizowana jest sieć oraz jak przemieszcza się w niej energia elektryczna. Dzięki tej wiedzy AI może automatycznie przekierowywać prąd w sytuacjach awaryjnych, takich jak uszkodzenia linii energetycznych spowodowane przez burze.
System energetyczny w Ameryce Północnej składa się z linii przesyłowych, transformatorów oraz miejsc wytwarzających energię elektryczną. Jego bezawaryjne działanie jest kluczowe. Obecnie o dystrybucji prądu decydują ludzie, co może zająć minuty lub godziny. Sztuczna inteligencja mogłaby wykonywać te zadania znacznie szybciej, w ciągu mikrosekund.
Dr Jie Zhang, adiunkt na Uniwersytecie Teksańskim w Dallas, stwierdził, że celem jest jak najszybsze dostarczenie energii do większości użytkowników. Jednak zanim system ten będzie mógł być powszechnie stosowany, konieczne jest przeprowadzenie dalszych badań. Zhang i jego zespół wykorzystali uczenie maszynowe do analizy relacji w sieci energetycznej. To rozwiązanie jest wczesnym przykładem wykorzystania sztucznej inteligencji do wzmocnienia kluczowej infrastruktury.
21 listopada 2024 · 15:27
USA przodują w innowacjach AI, dystansując Chiny w rankingu Stanforda
Dr Yulia Gel, współautorka badania, podkreśliła, że zrozumienie struktur sieciowych jest kluczowe dla zastosowań sztucznej inteligencji w różnych dziedzinach. Zaznaczyła, że wiedza o funkcjonowaniu tych połączeń w złożonych systemach może prowadzić do nowatorskich metod rozwiązywania problemów, na przykład w zarządzaniu ekosystemami.
Badania prowadzone przez dr Soumę Chowdhury z Uniwersytetu w Buffalo skupiały się na uczeniu przez wzmacnianie. Ta metoda umożliwia sztucznej inteligencji podejmowanie optymalnych decyzji dla lepszych rezultatów. Jeśli pojawią się problemy, system może się dostosować, korzystając z przełączników. Może również czerpać energię z pobliskich źródeł, takich jak panele słoneczne lub baterie na kampusie.
Roshni Anna Jacob, doktorantka na UT Dallas, stwierdziła, że ten model umożliwia dostarczanie energii z pobliskich generatorów do określonych obszarów. Teraz naukowcy będą pracować nad stworzeniem technologii, która pozwoli na naprawę i przywracanie siatki energetycznej po wszelkich zakłóceniach.
Uniwersytet w Dallas oraz Uniwersytet w Buffalo współpracowały ze sobą, podkreślając, jak istotne jest łączenie różnych dyscyplin. Połączyli wiedzę z zakresu systemów energetycznych, matematyki i uczenia maszynowego, aby osiągnąć to przełomowe odkrycie. Badanie to udowadnia, że sztuczna inteligencja potrafi rozwiązywać rzeczywiste problemy w złożonych sieciach.
Ta nowa technologia jest fascynująca, ponieważ może szybciej rozwiązywać problemy z zasilaniem, co mogłoby zapobiegać długim przerwom, które zakłócają codzienne życie i pracę. Wprowadzenie tych systemów do naszych sieci energetycznych mogłoby uczynić je bardziej niezawodnymi i efektywnymi.
Badanie jest publikowane tutaj:
http://dx.doi.org/10.1038/s41467-024-49207-yi jego oficjalne cytowanie - w tym autorzy i czasopismo - to
Roshni Anna Jacob, Steve Paul, Souma Chowdhury, Yulia R. Gel, Jie Zhang. Real-time outage management in active distribution networks using reinforcement learning over graphs. Nature Communications, 2024; 15 (1) DOI: 10.1038/s41467-024-49207-y20 listopada 2024 · 17:56
Przełom w AI: Maszyny uczą się rozróżniać tekstury powierzchni dzięki technologii kwantowej
18 listopada 2024 · 14:36
Precyzyjne badanie zachowań myszy dzięki AI i mniejszej liczbie zwierząt w eksperymencie
16 listopada 2024 · 17:49
Badania nad zwiększeniem zaufania pasażerów do autonomicznych pojazdów dzięki XAI i nowym strategiom
Udostępnij ten artykuł