随着风能和太阳能等可再生能源的普及，电网的管理变得越来越复杂。弗吉尼亚大学的研究人员开发了一种创新的解决方案：一种人工智能模型，可以解决可再生能源发电和电动汽车需求的不确定性，使电网更加可靠和高效。
新模型基于多保真度图神经网络（gnn），这是一种旨在改善潮流分析的人工智能，即确保电力在电网中安全有效地分配的过程。“多重保真度”方法允许人工智能模型利用大量低质量数据（低保真度），同时仍然受益于少量高精度数据（高保真度）。这种双层方法可以实现更快的模型训练，同时提高系统的整体准确性和可靠性。
通过应用gnn，该模型可以适应各种电网配置，并且对电力线路故障等变化具有鲁棒性。它有助于解决长期存在的“最优电力流”问题，即确定从不同的来源应该产生多少电力。由于可再生能源在发电和分布式发电系统中引入了不确定性，以及电气化（例如电动汽车），增加了需求的不确定性，传统的电网管理方法难以有效地处理这些实时变化。新的人工智能模型集成了详细和简化的模拟，可以在几秒钟内优化解决方案，即使在不可预测的条件下也能提高电网性能。
土木与环境工程助理教授、该项目的首席研究员Negin Alemazkoor说：“随着可再生能源和电动汽车改变景观，我们需要更智能的解决方案来管理电网。”“我们的模型有助于做出快速、可靠的决定，即使发生了意想不到的变化。”
可伸缩性：需要较少的计算量用于训练的Nal动力，使其适用于大型，复杂的动力系统。
更高的准确性：利用丰富的低保真模拟更可靠的潮流预测。
改进的通用性：该模型对网格拓扑的变化具有鲁棒性，例如线路故障，这是co不提供的特性传统的机器学习模型。
面对越来越多的不确定性，这种人工智能建模的创新可以在提高电网可靠性方面发挥关键作用。
“管理可再生能源的不确定性是一个巨大的挑战，但我们的模型使它变得更容易，”博士生Mehdi Taghizadeh说，他是Alemazkoor实验室的研究生研究员。专注于可再生能源整合的学生Kamiar Khayambashi补充说：“这是迈向更稳定、更清洁能源未来的一步。”
《高维需求和可再生能源发电不确定性下的高效潮流分析的多保真度图神经网络》由《电力系统研究》发表，作者是：弗吉尼亚大学土木与环境工程系的Mehdi Taghizadeh、Kamiar Khayambashi、Md Abul Hasnat和Negin Alemazkoor。
“使用增强的多保真度图神经网络的负载和可再生能源发电不确定性下的混合机会约束最优潮流”发表在《机器学习建模与计算》杂志上。作者是：Kamiar Khayambashi， Md Abul Hasnat和Negin Alemazkoor，来自土木与环境工程系。
作为弗吉尼亚大学排名第一的综合性大学的一部分，弗吉尼亚大学工程学院是美国最古老、最受尊敬的工程学院之一。我们的使命是通过创造和传播知识，培养未来的工程领导者，让世界变得更美好。来自世界各地的优秀学生和教师选择UVA工程，因为我们不断发展和国际公认的教育和研究项目。就女性毕业生比例而言，弗吉尼亚大学是全美排名第一的公立工程学院，在拥有至少75个学位的学校中；四年制本科毕业率居全美工科院校前列；在博士入学增长率方面，它也是全国增长最快的公立工程学院之一。自2016年以来，我们的研究项目增长了95%。登录engineering.virginia.edu了解更多信息。
