AI-dispatcher (opérateur) d'une infrastructure de système d'énergie distribuée à grande échelle

Développer une solution d'IA industrielle efficace capable de recommander le contrôle optimal des systèmes d'infrastructures énergétiques en temps réel afin de : satisfaire les demandes énergétiques des consommateurs ; minimiser les éventuels impacts négatifs sur l'environnement ; réduire les coûts opérationnels grâce à des systèmes en temps réel continu.

Surveillance, optimisation et contrôle des systèmes énergétiques distribués à grande échelle à l'aide de l'apprentissage par renforcement profond (systèmes d'infrastructure de transmission et de distribution de gaz, de pétrole, d'électricité, de chaleur et d'eau).

Motivation Les technologies existantes n'apportent pas de solution efficace au problème d'optimisation des systèmes énergétiques distribués en temps réel. Dans le même temps, les effets de l'optimisation dans le secteur de l'énergie sont considérables. Objets (systèmes) à l'étude Véritables systèmes énergétiques distribués à grande échelle (systèmes d'infrastructure de transport et de distribution de gaz, de pétrole, d'électricité, de chaleur, d'eau). Les principales caractéristiques des systèmes à l'étude : La répartition territoriale et un grand nombre d'unités d'équipement interconnectées avec des caractéristiques individuelles La physique complexe des processus technologiques D'énormes quantités d'informations en temps réel provenant de divers capteurs Énoncé du problème L'objectif central de la solution d'IA en cours développé est formulé comme suit : assurer la fourniture d'énergie d'une certaine qualité au bon moment à tous les consommateurs d'un système énergétique distribué, en tenant compte de toutes les limitations technologiques et en minimisant les coûts d'exploitation grâce à l'optimisation continue en temps réel des systèmes. La résolution de ce problème nécessite la résolution d'un certain nombre de sous-tâches. Approche de la solution La solution d'IA utilise une approche de modélisation de systèmes industriels basée sur des modèles hybrides qui combinent les avantages de la modélisation traditionnelle basée sur la physique et des capacités d'apprentissage automatique. Nous utilisons les jumeaux numériques fiables des systèmes énergétiques et des simulateurs virtuels pour simuler la physique des systèmes (dynamique) et nous formons des modèles d'apprentissage par renforcement profond de ces systèmes. Résultats actuels Le PoC du système d'IA a été développé, qui consiste en : des jumeaux numériques de systèmes d'infrastructure de gaz réels ; des modèles physiques fiables et des simulateurs virtuels de ces systèmes, activement utilisés dans l'industrie ; des algorithmes d'apprentissage par renforcement profond sans modèle, connectés aux simulateurs virtuels susmentionnés ; services pour la formation de modèles, la visualisation et l'analyse des résultats. Des expériences informatiques ont prouvé que l'objectif initial peut être atteint à l'aide de technologies d'IA modernes. Les résultats montrent l'efficacité de l'utilisation des technologies basées sur l'IA pour optimiser et contrôler les systèmes énergétiques distribués et que ces solutions peuvent surpasser à la fois les capacités humaines et les algorithmes d'optimisation traditionnels qui ont été proposés précédemment. Technologies Modélisation basée sur la physique, technologies d'apprentissage par renforcement profond, cadres d'apprentissage profond, technologies de mégadonnées, plateformes de diffusion en continu, architecture cloud native du système d'IA.