IA rende affidabili reti elettriche con energie rinnovabili

Roma – Un modello di intelligenza artificiale (IA) in grado di affrontare le incertezze della generazione di energia rinnovabile e della domanda di veicoli elettrici, rendendo le reti elettriche più affidabili ed efficienti. E’ quanto sviluppato da un team di ricerca guidato dall’Università della Virginia, che ha pubblicato i propri risultati su Electric Power Systems Research. Il nuovo modello si basa su reti neurali grafiche multi-fedeltà (GNN), un tipo di IA progettato per migliorare l’analisi del flusso di potenza, ovvero il processo per garantire che l’elettricità venga distribuita in modo sicuro ed efficiente attraverso la rete. L’approccio “multi-fedeltà” consente al modello di IA di sfruttare grandi quantità di dati di qualità inferiore (bassa fedeltà) beneficiando comunque di quantità inferiori di dati altamente accurati (alta fedeltà). Questo approccio a doppio strato consente un addestramento più rapido del modello, aumentando al contempo l’accuratezza e l’affidabilità complessive del sistema. Applicando le GNN, il modello può adattarsi a varie configurazioni di rete ed è robusto ai cambiamenti, come i guasti delle linee elettriche. Aiuta ad affrontare il problema di lunga data del “flusso di potenza ottimale”, determinando quanta energia dovrebbe essere generata da diverse fonti. Poiché le fonti di energia rinnovabile introducono incertezza nella generazione di energia e i sistemi di generazione distribuita i metodi tradizionali di gestione della rete faticano a gestire efficacemente queste variazioni in tempo reale. Il nuovo modello AI integra simulazioni dettagliate e semplificate per ottimizzare le soluzioni in pochi secondi, migliorando le prestazioni della rete anche in condizioni imprevedibili. “Con l’energia rinnovabile e i veicoli elettrici che cambiano il panorama, abbiamo bisogno di soluzioni più intelligenti per gestire la rete”, ha affermato Negin Alemazkoor , professore associato di ingegneria civile e ambientale e ricercatore principale del progetto. “Il nostro modello aiuta a prendere decisioni rapide e affidabili, anche quando si verificano cambiamenti inaspettati”. (30Science.com)