Peneliti mempercepat simulasi jaringan listrik menggunakan AI
Green Tech

Peneliti mempercepat simulasi jaringan listrik menggunakan AI


Smart-PGSim dapat digunakan untuk menghasilkan titik awal berkualitas tinggi untuk alat simulasi online untuk mencapai konvergensi yang cepat. Kredit: Cortland Johnson | Laboratorium Nasional Pacific Northwest

Sebagian besar ponsel dan mobil modern diprogram untuk “belajar” dari lingkungannya — suara, fitur wajah, dan bahkan rute mengemudi yang umum. Pola pengenalan memungkinkan sistem ini secara akurat memprediksi dan menyarankan opsi yang disukai dalam sekejap mata.

Sekarang bayangkan sebuah sistem yang dapat memberikan ketepatan dan daya tanggap yang sama untuk tantangan nasional yang kritis, seperti diagnosis penyakit, ramalan cuaca, dan keandalan jaringan listrik.

Aplikasi perangkat lunak baru yang disebut Smart Power Grid Simulator (Smart-PGSim) menggunakan jaringan saraf, sejenis kecerdasan buatan (AI), untuk secara efisien menyelesaikan simulasi jaringan listrik yang penting untuk perencanaan dan pengoptimalan pengiriman listrik. Hasil tes awal menunjukkan Smart-PGSim menyelesaikan penghitungan aliran daya sekitar tiga kali lebih cepat daripada model numerik tradisional, tanpa kehilangan presisi.

Dikembangkan oleh ilmuwan komputer Pacific Northwest National Laboratory (PNNL) Gokcen Kestor dan kolaborator dari University of California, Merced, metodologi di balik Smart-PGSim menggunakan pendekatan jaringan saraf baru yang disebut pemodelan pembelajaran multi-tugas. Para peneliti percaya ini adalah aplikasi AI pertama untuk jaringan listrik.

“Kemajuan dalam AI dan komputasi kinerja tinggi dalam beberapa tahun terakhir memungkinkan kami untuk mengeksplorasi metode ini,” kata Kestor, peneliti di Divisi Komputasi Lanjut, Matematika, dan Data PNNL. “Kami tidak dapat mengembangkan pendekatan ini lima atau sepuluh tahun yang lalu.”

Kestor secara virtual akan mempresentasikan penelitian tim pada November selama Supercomputing 2020, pertemuan tahunan profesional terbesar di dunia di bidang komputasi, jaringan, penyimpanan, dan analisis kinerja tinggi.

Dibandingkan dengan alat simulasi aliran daya saat ini, Smart-PGSim bekerja hampir tiga kali lebih cepat dengan iterasi yang jauh lebih sedikit dan akurasi yang hampir sama. (Animasi oleh Cortland Johnson | Laboratorium Nasional Pacific Northwest)

Mengatasi tantangan skala, efisiensi, dan akurasi

Untuk menjaga aliran listrik pada tingkat optimal, operator jaringan menggunakan model komputer offline yang mengolah data berdasarkan berbagai skenario. Ini adalah proses berulang yang terjadi berulang kali, sepanjang hari, setiap hari, dan sangat penting untuk menjaga stabilitas dan keandalan jaringan.

Model harus memperhitungkan sumber daya yang sangat bervariasi, seperti angin dan matahari, kemungkinan kegagalan jaringan listrik, dan banyak kemungkinan lainnya termasuk peningkatan atau penurunan yang tidak terduga dalam permintaan atau pembangkit listrik. Tergantung pada wilayahnya, jumlah pembangkit listrik saja dapat berkisar antara 1.000 hingga 1.000.000. Menghubungkan rangkaian input ini menghadirkan tantangan besar untuk simulasi jaringan listrik prediktif.

Memproses semua data dan dengan cepat memahaminya membutuhkan tingkat kecanggihan pemrograman yang setara dengan mesin paling gesit dari semuanya — otak manusia.

Pembelajaran multi-tugas untuk simulasi jaringan listrik

Jaringan saraf meniru cara otak manusia membuat koneksi dalam hubungan yang kompleks melalui serangkaian neuron stimulus dan aktivasi. Setiap neuron yang terstimulasi mengaktifkan neuron lain dan seterusnya, menyempurnakan hubungan untuk mencapai makna. Demikian pula, dengan menggunakan jaringan saraf AI, program komputer dapat belajar untuk secara otomatis membuat koneksi antara lapisan data terkait dan dengan cepat menyatu pada solusi.

Untuk Smart-PGSim, tim peneliti mengintegrasikan pengetahuan domain khusus jaringan ke dalam lapisan model pembelajaran multi-tugas. Batasan sistem fisik, seperti daya generator, rentang aliran saluran, dan batasan tegangan adalah kunci untuk melatih model dan meningkatkan akurasi, interpretabilitas, dan pertahanan solusi yang diprediksi oleh model.

“Dibandingkan dengan model tugas tunggal tradisional, model tugas ganda kami meningkatkan akurasi sekaligus menyederhanakan proses pelatihan,” kata Wendy Dong, seorang doktor magang Universitas California, Merced di kelompok Komputasi Kinerja Tinggi PNNL yang bekerja erat dengan Kestor sepanjang tahun. proyek. Dong mengatakan model pembelajaran multi-tugas offline yang terlatih “dapat menghasilkan titik awal berkualitas tinggi untuk alat simulasi online untuk mencapai konvergensi cepat.”

Pendekatan komputasi lainnya menggantikan pemecah numerik dengan pendekatan berbasis jaringan saraf untuk mempercepat waktu ke solusi. Namun, aproksimasi menurunkan kelayakan solusi — atau konvergensi komputasi yang optimal.

“Kehilangan optimalitas konvergensi komputasi dapat mengakibatkan hilangnya jutaan dolar atau kurangnya listrik di titik kritis, seperti rumah sakit,” kata Kestor. “Kebaruan dari pendekatan kami adalah bahwa jaringan saraf dipasangkan dengan pemecah numerik yang menjamin solusi akhir tidak akan kehilangan kelayakan.”

Mempercepat solusi AI untuk prioritas nasional

Aplikasi baru ini berasal dari pekerjaan yang dilakukan melalui Center for Artificial Intelligence-focused Architectures and Algorithms (ARIAA) yang didanai oleh Kantor Ilmu Pengetahuan Departemen Energi AS, dan Pusat Evaluasi Teknologi Canggih yang didanai oleh Kantor Riset Komputasi Ilmiah Lanjutan DOE. Tujuan bersama dari kedua pusat tersebut adalah untuk mempercepat komputasi ilmiah untuk mengurangi hambatan dalam simulasi jaringan listrik.

Sementara hasil awal dari Smart-PGSim menunjukkan kecepatan yang menjanjikan, tim peneliti percaya bahwa peningkatan lebih lanjut dapat dilakukan melalui mesin AI perangkat keras khusus, seperti yang dikembangkan melalui ARIAA, dan dengan mengotomatiskan beberapa pekerjaan desain manual. Peningkatan semacam itu memungkinkan Smart-PGSim menangani berbagai aplikasi tanpa perlu insinyur AI untuk merancang jaringan saraf.

Kestor menekankan keumuman teknik yang disesuaikan tim untuk Smart-PGSim.

“Teknik-teknik ini dapat diterapkan secara luas pada banyak aplikasi komputasi berkinerja tinggi ilmiah, tidak hanya masalah pengoptimalan dalam simulasi jaringan listrik,” kata Kestor. “Aplikasi potensial lainnya dapat mencakup simulasi dinamika fluida, simulasi dinamika molekul, dan pemodelan kosmologi.”


Ilmuwan menggunakan kecerdasan buatan dengan cara baru untuk memperkuat ketahanan jaringan listrik


Informasi lebih lanjut:
Dong et al., Smart-PGSim: Menggunakan Jaringan Syaraf Tiruan untuk Mempercepat Simulasi Jaringan Listrik AC-OPF. Konferensi Internasional untuk Komputasi Berkinerja Tinggi, Jaringan, Penyimpanan, dan Analisis (2020). DOI: 10.1109 / SC41405.2020.00067

Disediakan oleh Laboratorium Nasional Pacific Northwest

Kutipan: Peneliti kecepatan simulasi jaringan listrik menggunakan AI (2020, 10 November) diakses 27 November 2020 dari https://techxplore.com/news/2020-11-power-grid-simulations-ai.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Lagutogel