ИИ представляет собой огромную возможность для операторов сетей, сталкивающихся с быстро меняющейся картиной нагрузки, но здесь нет места ошибкам. Отказ от проверенных традиционных моделей является рискованным шагом, и операторы осторожны, однако существует аппетит к повышению эффективности.
В целом сектор проводит эксперименты. AES использует центр интеллектуальной эксплуатации на основе ИИ для интеграции сетевых данных для улучшенного управления источниками энергии, тогда как платформа интеллектуальной сети E.ON объединяет сетевые данные.
Кроме того, Национальная сеть сотрудничала с Emerald.AI для изучения использования ИИ при управлении гибкостью сети, исследуя роль ИИ как источника нагрузки и менеджера. Между тем, Hydro-Qubec добился успеха благодаря своей модели прогнозирования нагрузки на основе ИИ.
Многие сети уже «умные». Умные электрические сети используют цифровые коммуникации, датчики и автоматизацию для мониторинга, контроля и оптимизации генерации, передачи, распределения и потребления электроэнергии в реальном времени. Однако, поскольку операторы сетей теперь балансируют на грани массового внедрения ИИ для прогнозирования нагрузки и расчета кривой спроса, ИИ может сделать умные сети еще более эффективными и предложить огромные потенциальные сбережения в области энергоэффективности.
Прогнозирование нагрузки всегда было важной функцией. ИИ одновременно усложняет и открывает новые возможности для улучшения прогнозирования нагрузки. Он усложняет процесс прогнозирования из-за возникающего спроса, однако мы имеем уникальную возможность использовать этот новый инструмент для лучшего прогнозирования нагрузки, объясняет коммерческий руководитель Emerald.AI Ароон Видяккар.
По крайней мере, ИИ помогает эффективно управлять системами. В лучшем случае он предотвращает катастрофические отключения электричества.
Модели наследия сталкиваются с изменяющимися моделями потребления: момент славы ИИ
Исторически и, в основном, до сих пор традиционные методы прогнозирования нагрузки включали использование математической модели вместе с многолетними данными о нагрузке, отслеживаемыми по сезонам и периодам.
Сильван Клермон, ведущий автор исследования ООН по цифровизации энергетики в рамках задачи по использованию ИИ компанией Hydro-Qubec, поясняет: Мы ищем закономерности и пытаемся найти модель, которая даст нам подходящую кривую, затем корректируем параметры в зависимости от дня и подгоняем их под математическую модель до тех пор, пока она не будет выглядеть правильно.
На основании опыта у нас есть множество исторических кривых, поэтому наши математические модели довольно хороши для регулярных паттернов, добавляет он. Затем приходит нечто совершенно новое — будь то экстремальная погода или что-то другое, чего вы никогда раньше не испытывали, и ваша модель дает сбой.
Он указывает на пандемию, когда сотрудники работали из дома, промышленность практически остановилась, а спрос на электроэнергию изменился мгновенно. Операторы сетей не имели аналогичного события и, следовательно, исторической кривой для работы.
Это всего лишь один пример множества новых факторов, угрожающих надежности традиционных моделей прогнозирования нагрузки как на стороне генерации, так и на стороне спроса, включая непредсказуемые погодные явления, бум центров обработки данных на базе ИИ и интеграцию возобновляемых источников энергии, которые предлагают менее предсказуемый стабильный источник энергии. Неинтегрированные возобновляемые источники энергии сами по себе создают сложности, поскольку потребители все чаще устанавливают солнечные панели на крышах своих домов, изменяя свою зависимость от электросети.
Дэвид Адкинс, глава отдела архитектуры сети и инноваций Национальной сети, рассказывает журналу Power Technology: растущая интеграция возобновляемых источников энергии вводит вариативность и неопределенность в управление сетями, делая традиционные методы прогнозирования и управления менее эффективными. Внедрение ИИ позволяет проводить оперативный анализ сложной многопоточной информации и поддерживать динамическое управление сетью, что критично для интеграции прерывистых источников, таких как ветер и солнечная энергия, при сохранении стабильности и надежности.
Разработка технологий ИИ совпала с быстрым изменением генерации и спроса, и результатом стал постоянно увеличивающийся разрыв между традиционными прогнозами нагрузки и фактическими показателями спроса. Этот разрыв увеличивается [на сотни мегаватт]. Количество дней, когда наша традиционная модель неэффективна, растет, но обычно и традиционная модель, и ИИ дают достаточно точные прогнозы на обычный день, говорит Клермон.
Вопрос заключается не в том, плохие ли традиционные модели, а в потенциале ИИ в плане готовности сетей к изменениям климата и технологическим требованиям. Для операторов внедрение ИИ в интеллектуальные сети позволяет перейти от реактивного подхода к проактивному.
ИИ дополняет, но не заменяет планирование и прогнозирование сети. Оркестрование на основе ИИ работает лучше всего в сочетании с прогнозированием сети, рыночными сигналами и человеческим надзором. Это не самостоятельное решение, а часть более широкого набора инструментов гибкости и устойчивости, отмечает Адкинс.
Hydro-Qubec: применение ИИ в прогнозировании нагрузки
Монреальская гидроэнергетическая компания Hydro-Qubec, являющаяся одним из крупнейших производителей гидроэлектроэнергии в мире, эксплуатирующая более 60 гидроэлектростанций и играющая ключевую роль в канадской энергосистеме, была одной из ранних последователей применения ИИ, ежедневно используя его для прогнозирования нагрузки начиная с 2024 года.
Hydro-Qubec использует ИИ для краткосрочного прогнозирования нагрузки, точного прогнозирования в течение ближайших 36 часов и часового прогнозирования нагрузки на срок от десяти до двенадцати дней вперед. Более длительный прогноз основан на ежедневных прогнозах метеорологов, но компания также использует ИИ для прогнозирования нагрузки на срок до 42 дней, используя исторические нормальные значения погодных условий.
Говоря с журналом Power Technology, представитель Hydro-Qubec объясняет, что стратегия компании в области ИИ не была бизнес-приоритетом и не подразумевала раннюю интеграцию ИИ в прогнозирование нагрузки. Вместо этого разработка и интеграция ИИ в ее сеть начались органически в результате пилотного проекта 2018 года, использующего простую нейронную сеть для вычисления прогнозирования нагрузки для одного подстанционного узла в электрической сети.
Компания сравнила результаты с прогнозами традиционной модели и обнаружила настолько значительные различия, что начала проект исследований и разработок.
Сейчас компания использует ИИ в качестве основного инструмента, продолжая параллельно запускать старые традиционные модели. Эти модели, объясняет представитель компании, нелинейны и имеют ограничения, основаны на алгоритме ENLSIP (простой метод наименьших квадратов неравенства), и включают несколько десятков функций и сотен параметров, регулярно корректируемых.
Параллельное использование ИИ и традиционных моделей позволяет выявлять существенные расхождения, которые могут быть исправлены человеком.Когда они почувствуют уверенность, Hydro-Qubec прекратит использование старой модели, говорит Клермон. Вопрос обучения; ИИ требует обучения. На первый день это, вероятно, не очень хорошо, но спустя год оно, скорее всего, будет лучше вас.
ИИ использует машинное обучение для выявления скрытых закономерностей и корреляций среди сложных наборов данных; он непрерывно учится и адаптирует свои прогнозы, позволяя ему быстро адаптироваться к изменениям в генерации и спросе. Благодаря этому обучению энергетические компании могут динамически управлять поставками и спросом, сбалансировать хранение и предотвратить перебои в подаче электроэнергии.
Однако достижение такого уровня эффективности требует времени. Hydro-Qubec провела пять лет исследований прежде чем внедрить свои глубокие нейронные сети для прогнозирования нагрузки в октябре 2023 года.
В своем отчете об интеграции ИИ за 2024 год компания отметила, что во время жары 22 мая 2024 года самая старая из двух традиционных моделей не смогла предвидеть, что нагрузка на сеть не уменьшится типичным образом. Потребовалось вмешательство оператора и значительные коррекции в объеме 1500 МВт.
Между тем, модель на основе ИИ успешно предсказала отсутствие обычного снижения нагрузки.
Клермон видит такие необычные моменты как шанс для демонстрации возможностей ИИ: Мы начинаем видеть, что ИИ-модели справляются лучше с необычными ситуациями. Когда происходит что-то необычное, они замечают это и могут смоделировать ситуацию. Мы переходим на ИИ не потому, что другие модели плохие, а потому, что дни, когда они плохо работают, становятся хуже и встречаются чаще.
В 2026 и 2027 годах Hydro-Qubec планирует продолжить улучшение операционной деятельности на основе ИИ, продолжать работу с данными умных счетчиков и прототипом прогнозирования возобновляемой энергии. С 2028 года компания начнет применять подход снизу вверх, региональный подход с использованием ИИ для прогнозирования нагрузки более чем для 350 подстанций.
Национальная сеть и Emerald.AI: генерация нагрузки и самоуправление
Помимо прогнозирования нагрузки, интеллектуальные технологии уже широко применяются. По данным материнской компании журнала Power Technology, GlobalData, около 70–75% потребителей в США использовали инфраструктуру учета с расширенными возможностями к началу 2020-х годов, тогда как в Китае уровень распространения умных счетчиков достиг примерно 80%. В европейском рынке GlobalData отслеживает проникновение умных электрических счетчиков на уровне 80–90%.
Тем не менее, использование богатого массива умной, управляемой ИИ информации на масштабном уровне сети представляет собой значительную проблему. Говоря о планах на 2028 год, представитель Hydro-Qubec комментирует: Работа с данными более четырех миллионов умных счетчиков — это совсем другая история.
Расширенные сети на базе ИИ несут риски. Ароон Видяккар из Emerald.AI отмечает: коммунальные предприятия обоснованно консервативны в отношении систем. В отличие от технологического сектора, который может позволить себе двигаться быстро и ломать вещи, коммунальные предприятия могут столкнуться с катастрофическими последствиями даже от небольшой ошибки. Им необходимо тщательно протестировать новые технологические решения.
Для Emerald.AI и Национальной сети приоритет сейчас состоит в изучении того, каким может стать симбиотическое взаимодействие между ИИ и сетью. ИИ предлагает огромные преимущества в области повышения эффективности прогнозирования нагрузки, но также представляет собой огромный, непредсказуемый источник нагрузки; в частности, затраты на обучение моделей являются энергоемкими и трудно предсказуемыми для операторов, что делает разработку ИИ частью проблемы, которую эти технологии призваны решить.
Однако, сосредоточившись на гибкости, энергозатратные технологии на базе ИИ могут формировать сетку и свой собственный спрос в соответствии с резервами операторов и требованиями потребителей. Мы можем получать сигналы от сети и оперативно реагировать, имея минимальное предварительное уведомление от коммунального предприятия, формируя форму нагрузки, как в терминах уменьшения нагрузки, процента сниженной нагрузки и МВт сниженной нагрузки, объясняет Видяккар. Мы можем управлять тем, как долго мы удерживаем снижение нагрузки, постепенно возвращаясь к исходным параметрам и избегая резкого восстановления, которое не полезно для сетей.
Конкретно Emerald.Conductor, продукт Emerald.AI, действует как интеллектуальный посредник, позволяющий наблюдать за рабочими нагрузками центров обработки данных. Он определяет гибкие рабочие нагрузки и приоритеты клиентов, используя эту оценку для принятия решений о перераспределении нагрузки, увеличении или уменьшении количества общих вычислительных единиц, выделяемых каждой задаче.
Национальная сеть провела испытания своего ИИ-инструмента управления нагрузкой и гибкости сети путем оперативного управления нерентабельными рабочими нагрузками центров обработки данных в ответ на условия сети между 15 и 19 декабря 2025 года. Перед принятием решения о дальнейшем развертывании будут рассмотрены результаты испытаний, сообщает Адкинс.
ИИ останется с нами надолго, и способность операторов воспользоваться его потенциалом в области повышения эффективности определит достаточность поставок энергии в ближайшие годы.
Адкинс заключает: интеграция ИИ обещает повысить точность прогнозирования, обеспечить проактивное управление сетью, снизить операционные расходы и улучшить способность адаптироваться к изменяющимся энергетическим ландшафтам.
В будущем ожидается, что ИИ обеспечит автономное функционирование сетей, оптимизирует потоки энергии и обеспечит бесшовную интеграцию распределенной генерации и хранения энергии. Это поддержит переход к возобновляемым источникам энергии и обеспечит устойчивость, гибкость и надежность сети.
«Перепроектирование прогнозирования и управления нагрузкой: как ИИ делает интеллектуальные сети умнее» изначально был создан и опубликован журналом Power Technology, брендом, принадлежащим GlobalData.
<i><br />Информация на этом сайте представлена добросовестно исключительно в информационных целях. Она не предназначена для того, чтобы служить основой для принятия решений, и мы не даем никаких гарантий, явных или подразумеваемых, относительно её точности или полноты. Вы должны получить профессиональную консультацию или специализированную помощь перед принятием или отказом от каких-либо действий на основе содержания нашего сайта.</i>
