[ad_1]
Ngày nay, các tiện ích hạn chế khả năng nhìn thấy tác động của lượng quang điện mặt trời (PV) cao hơn trong một khu vực nhất định của hệ thống phân phối, có thể gây khó khăn cho việc lập kế hoạch và vận hành hệ thống. Những nỗ lực nghiên cứu mới từ Phòng thí nghiệm Máy gia tốc quốc gia SLAC tại Đại học Stanford đang sử dụng các ứng dụng trí tuệ nhân tạo (AI) để giúp các tiện ích tích hợp tốt hơn các nguồn năng lượng mặt trời của họ và đưa ra các quyết định quy hoạch sáng suốt hơn để tăng cường độ tin cậy, khả năng phục hồi và bảo mật.
Vào tháng 9 năm 2017, các nhà nghiên cứu SLAC tuyên bố rằng họ đã giành được một giải thưởng nghiên cứu từ Sáng kiến Hiện đại hóa Lưới Năng lượng để khám phá việc tạo ra một lưới điện tự trị có thể hấp thụ biến động điện từ các nguồn tái tạo và ứng phó với sự gián đoạn lưới điện lớn với thế hệ năng lượng mặt trời. Được chọn là một phần của nỗ lực của Hiệp hội Phòng thí nghiệm Hiện đại hóa Lưới để tăng cường khả năng phục hồi của hệ thống phân phối, nhóm nhằm mục đích phát triển một giải pháp sử dụng các công nghệ phân tích dữ liệu và AI, cho phép nhận dạng tự động và củng cố các điểm yếu trên lưới và thời gian phục hồi nhanh hơn sau khi nhiễu lưới. Giải pháp thu được có khả năng tự động tối ưu hóa tài nguyên năng lượng mặt trời trên lưới, tự cấu hình lại cho các hoạt động bình thường hoặc khẩn cấp.
Nỗ lực này bắt nguồn từ cùng một đội thành công, nền tảng phần mềm đầu tiên được tài trợ bởi Văn phòng Công nghệ Năng lượng Mặt trời và được thiết kế để giải quyết các thách thức phân phối PV với một giải pháp dựa trên dữ liệu thống nhất. Nền tảng sử dụng dữ liệu từ các hệ thống PV và đồng hồ thông minh liên tục cập nhật và mô hình chính xác tải điện và hành vi của các nguồn năng lượng phân tán (DER) như hệ mặt trời trong nhà hoặc doanh nghiệp. Nền tảng VADER, hoặc Trực quan hóa và Phân tích hệ thống phân phối với sự thâm nhập sâu của tài nguyên năng lượng phân tán, tích hợp vô số luồng dữ liệu để theo dõi, phân tích thời gian thực và trực quan hóa và kiểm soát DER theo cách phù hợp và thân thiện với người dùng. Thông qua học máy, nền tảng VADER có thể mô hình hóa các thay đổi tiềm năng trong kết nối và hành vi của các DER trên lưới, cho phép tối ưu hóa thời gian thực và tự động hóa các quyết định vận hành và lập kế hoạch phân phối cho các tiện ích.
Nền tảng VADER có khả năng mở rộng và nguồn mở, có nghĩa là người dùng có thể tự do truy cập mã nguồn ban đầu để tinh chỉnh thêm và đóng góp các cải tiến của họ vào thư viện mã nền tảng. Vào tháng 3 năm 2017, nhóm nghiên cứu SLAC đã tổ chức một hội thảo thực hành cho các nhà quản lý và kỹ sư từ các tiện ích California, các nhà nghiên cứu từ một số phòng thí nghiệm quốc gia và đại diện từ số lượng ngày càng tăng của các công ty hoạt động trong lĩnh vực khoa học dữ liệu, học máy và trí tuệ nhân tạo. Nền tảng này đã đóng vai trò là nền tảng cho nỗ lực lưới tự trị của nhóm SLAC và các công ty khởi nghiệp đang bắt đầu xem xét làm thế nào họ có thể tận dụng các công cụ mới có sẵn.
Học nhiều hơn về Sáng kiến hiện đại hóa lưới điện và nghiên cứu tích hợp lưới từ Văn phòng Công nghệ Năng lượng Mặt trời.
[ad_2]
Source link