全球电网都面临相似的挑战，其中最大的挑战是各种可再生能源的兴起。太阳能和风能虽然对环保有益，但它们和天气一样难以预测。鼓励消费者将太阳能电池板安装在屋顶上，或者用电动汽车储存能量，这些都表明电网正从单向变为双向(图1)。公用事业公司现在需要非常准确地实时预测供应和需求，而不仅仅是预测需求。
图1：过去的电网是单向的，但今天的能源需要在去中心化、数字化的电网和消费者之间双向流动。(图片来源：Veritone)
“能够在电网中使用人工智能并在边缘进行实时分析，对于增加可用的分布式能源至关重要，”英伟达能源部全球业务开发与技术主管Marc Spieler(图2)在接受笔者采访时说。他还指出，人类在风能、太阳能和电动汽车领域已经成绩显著，但如果电网不具备支持这些应用的能力，所有努力都将白费。
图2：英伟达能源部全球业务开发与技术主管Marc Spieler。
需求预测涉及许多复杂的因素。除了天气，实时预测可能涵盖一些很复杂的任务，例如预测有多少电动卡车将到达哪个充电站，以及需要在哪个确切的时间为电池充电。“有时候每小时甚至每分钟都需要做出决定，”Marc Spieler说，“而人工智能是唯一能使之高效的技术。”
如今，公用事业公司通常会订阅详细的天气预报服务，并将这些数据输入到复杂的模型中，以尝试预测能源需求。
“在这方面做得最好的应属金融服务公司，”Spieler说，“他们利用买卖能源的对冲基金在人工智能方面进行大量投资，并获得了不错的收益。”不过，Spieler说，公用事业公司也在加大力度。“我们看到了公用事业中数据科学的崛起，”他说，“我们合作的一些公用事业公司正在逐步强化他们的数据科学社区，我们也开始向公用事业公司销售硬件DGX系统(英伟达的数据中心级AI加速器)。”
对公用事业公司来说，一种可用于大规模AI的技术是联合学习(federated learning)，这种技术利用多个来源的数据训练中央模型，而不必将数据集中或共享。该技术通常用于医疗保健领域的医疗AI模型，因为读取更多的训练数据可以使模型更加准确，但医疗数据不能流出医院。从本质上来说，模型的本地版本在边缘被重新训练，然后更新的模型参数被集中起来，以改善整体模型。英伟达就提供了一个名为Clara的联合学习平台。
Spieler指出，电网的大规模供需预测模型将是Clara平台上一个引人关注的用例。“公用事业公司之间不能共享数据，但他们也不是竞争对手，因为只会有一组电源线连接到每个家庭，”他说，“我们相信，采用联合学习技术，通过训练其模型并与可以整合这些模型的更大的机构共享模型权重，就可以实现整个行业的协同合作。”
采用这种技术可以得到更准确的模型来预测电网对异常天气条件的反应。例如，部署在沙漠中的模型可以部分地使用来自更北部的数据进行训练，其中包含这些特定条件下的更多实例。
未来的电网也将在边缘使用人工智能。
十年前的“智能电表”将变得更加智能。智能电表的作用已经从摆脱人工抄表的束缚，到通过具备AI能力的太阳能板和电动汽车来预测消费者的供需情况。
Spieler表示，今天的智能电表只利用了很少一部分得到的数据。一个典型的电表可能有8个通道的数据可用，智能恒温器等下游设备则可能收集多达20或30个通道的数据。
“现在的每个智能电表中都有一个芯片——问题是它是否有足够的能力处理大量数据？”Spieler说，“我们设想智能电表可以像iPhone一样捕获大量数据，然后公用事业公司、消费者或其他人可以在其上加载应用，以便优化能源效率。”
如果变电站出现故障，智能电表可以提供必要的数据在相邻的社区创建一个微电网，以便与邻居共享太阳能或电动汽车电池的能量。在极端天气情况下，可以实施智能减载方案，通过AI智能电表关断非必要负载的电源。Spieler举例说，在最近发生的德州大断电中，对休斯顿泳池泵的供电本来是可以关断的，而把电留给使用救生医疗设备的家庭。
“我们能够像外科手术那样精确地将一些能耗从电网中剔除，”他说，“现在我们只能简单地打开或关断整个城市的电网，但将来可以根据某个人家里的温度来做出决策。”
如果寒流来袭，智能电表可以显示哪些家庭的温度低于4℃，电网将优先为他们供电，避免其管道冻结。“AI能够对这样的情况进行判断，”Spieler说，“数据已经存在，通过Nest恒温器和电表背后的其他设备，我们可以读到这些数据。但这些数据却没有返回给公用事业公司来帮助其做出更好的决策。”
Veritone是致力于为电网管理提供AI解决方案的一家公司。该公司的CDI(合作分布式推理)技术可以确保整个电网的能量分配可预测及可恢复。该系统使用预测数据和规则来构建并不断更新设备状态模型，并将之应用于智能控制边缘设备。
“人类无法精确地控制电网，”Veritone能源高级副总裁Sean McEvoy在接受笔者采访时说。他指出，要持续监控电网上每个发电和储电设备的状态，同时监控能源需求、天气状况、传输流量和能源价格，需要对海量数据进行分析。
只有AI才有能力完成这项任务。
“通过对海量数据进行持续的实时建模，系统就可以了解每个电网用户到底需要多少能源，以及在某个时刻或不久的将来，可以提供多少能源。”McEvoy说，“不仅人类做不到这一点，仅靠功能强大的计算机也做不到。这需要边缘计算能力与智能强化学习和自适应学习相结合。”
强化学习是一种训练AI代理(采取某种动作的AI算法)来最大化某种奖励的技术。它使代理能够有效地从其动作结果中学习，而不是专门被教导。Veritone算法具有自适应性，会随着不断变化的状况来实时更新系统模型。
McEvoy进一步解释说，Veritone为电网创建的AI模型采用了“受约束的分布式哈密顿量”方法，这里的分布式意味着在边缘进行推理来减小延迟。模型可以由规则进行约束，比如设备保修规则，或者由北美电力可靠度公司(NERC)或联邦能源监管委员会(FERC)提出的规则。平均场算法用于模型同步，而线性代数模型则用于预测。Veritone的仿真器采用蒙特卡罗技术对不同结果的概率进行建模。
Veritone的电网AI解决方案如图3所示。域规则信息由规则转换器转换为参数；探测器学习并更新受控设备的模型；优化器不断创建满足操作和行为目标的策略；平均场通过将整个网络的状态传送到本地代理来同步CDI代理；边缘控制器控制边缘设备，黑板则提供信息流；预测器利用过去和当前的传感器数据来预测未来的能源情况，其中包括需求。
图3：可以实时监控电网的Veritone AI方案。(图片来源：Veritone)
Veritone的目标客户是公用事业公司和独立电力生产商(IPP)，例如微电网开发商和运营商。同时他们也与设备供应商合作，开发并部署用于诸如太阳能逆变器和电池系统的AI模型和预测控制器。
“这套软件可以集中部署在变电站、数据中心或边缘，用以控制边缘设备并提供边缘推理，”McEvoy说，“通过对多个电网边缘设备的实时同步，可以了解工厂状态和容量的整体模型视图。”
那么，这些AI技术一开始将在多大的范围内使用?如果从相对较小的规模开始，例如微电网，是否有意义？或者这样做有什么缺点？
“通常，Veritone会建议从控制单个站点的能源逐步开始。”McEvoy说。先在较小的站点(可以是25至50兆瓦的可再生能源发电机和储能器)推广AI技术可以让电网运营商更有信心。“一旦该站点使用AI得以优化，就可以推广到更多的站点，而且AI还可以在站点间进行同步，”他说，“该技术可以管理和控制纳米电网、微电网和其他公用电网，但随着规模的扩大，其复杂性也将呈指数级增长。”
（原文刊登于EDN姐妹网站EETimes美国版，参考链接：Adding Intelligence to the Grid，由Jenny Liao编译。）
本文为《电子技术设计》2021年10月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
