La inteligencia artificial puede prevenir apagones

Los investigadores han desarrollado un modelo de inteligencia artificial diseñado para ayudar a las redes eléctricas a prevenir apagones desviando automáticamente la electricidad en milisegundos.

El enfoque es un ejemplo temprano de tecnología de «red autorreparable», que utiliza IA para detectar y reparar problemas como cortes de energía de forma autónoma y sin intervención humana cuando ocurren problemas, como líneas eléctricas dañadas por tormentas.

Si bien se necesita más investigación antes de que el sistema pueda implementarse y ampliarse a las redes eléctricas del mundo real, es, no obstante, un desarrollo emocionante para la asediada red eléctrica del país, dicen los investigadores.

«Las redes energéticas de todo el mundo se ven amenazadas por el creciente número de fenómenos meteorológicos extremos, la probabilidad de ciberataques y los aumentos previstos de la demanda», afirma el coautor Souma Chowdhury, profesor asociado de ingeniería mecánica y aeroespacial de la Universidad de Buffalo. departamento. .

«Por lo tanto, es imperativo que desarrollemos herramientas que modernicen el sistema y lo hagan más resistente frente a futuros apagones».

Chowdhury es codirector del Centro de Robótica y Autonomía Integrada (CEAR).

La red de América del Norte es una red extensa y compleja de líneas de transmisión y distribución, instalaciones de generación y transformadores que distribuye electricidad desde las fuentes de energía a los consumidores.

Al utilizar varios escenarios en las redes de prueba, el equipo de investigación demostró que su solución puede identificar automáticamente rutas alternativas para transferir electricidad a los usuarios antes de que ocurra un corte. Una vez entrenada, la IA tiene la ventaja de la velocidad: el sistema puede cambiar automáticamente el flujo eléctrico en microsegundos, mientras que los procesos actuales que implican técnicas de ingeniería clásicas (o intervención humana) para determinar caminos alternativos pueden tardar de minutos a horas.

«Nuestro objetivo es encontrar la mejor manera de enviar energía a la mayoría de los usuarios lo más rápido posible», dice el coautor Jie Zhang, profesor asociado de ingeniería mecánica en la Escuela de Ingeniería e Informática Erik Jonsson de UT Dallas. .

Para mapear las complejas relaciones entre las entidades que componen una red de distribución de energía, el equipo de investigación utilizó algoritmos que aplican el aprendizaje automático a los gráficos. El aprendizaje automático de gráficos en este contexto implica describir la topología de una red, la forma en que se organizan los distintos componentes en relación o en conexión entre sí, y cómo se mueve la electricidad a través del sistema.

El equipo también se basó en el aprendizaje por refuerzo (donde se implementa un agente virtual generalmente en un entorno que simula el problema real) para realizar escenarios sistemáticamente y aprender progresivamente de esta experiencia. Un ejemplo del conocimiento adquirido a partir de dicha experiencia sería si la electricidad se bloquea debido a fallas en la línea. Luego, el sistema podrá reconfigurarse mediante interruptores y obtener energía de fuentes cercanas disponibles, como paneles solares a gran escala o baterías en un campus universitario o una empresa.

«Estas son decisiones que el modelo puede tomar casi instantáneamente, lo que luego tiene el potencial de eliminar o reducir en gran medida la gravedad de los apagones», dice el coautor Steve Paul, quien trabajó en el proyecto mientras obtenía un doctorado a principios de este año. . Paul es ahora un investigador postdoctoral en la Universidad de Connecticut.

Tras centrarse en prevenir cortes de energía, los investigadores ahora apuntan a desarrollar una tecnología similar para reparar y restaurar la red después de una interrupción del suministro eléctrico, como una causada por un peligro natural.

La investigación aparece en Comunicaciones de la naturaleza.

Los coautores adicionales son de la Universidad de Texas en Dallas.

El apoyo al trabajo provino de la Oficina de Investigación Naval de EE. UU. y la Fundación Nacional de Ciencias.

Fuente: Universidad de Buffalo