Искусственный интеллект в задачах управления энергосистемой с малой распределённой генерацией

Целью работы является разработка структуры и алгоритмов управления энергосистемой с распределенной генерацией на основе искусственного интеллекта, обладающей гибкостью в задании и изменении логики управления. В качестве центра принятия решений для выдачи управляющих воздействий используется большая языковая модель, применяются методы промт-инжиниринга и программирования на языках Python, SQL и Matlab. Для ускорения выполнения расчетов и снижения необходимого количества передаваемой информации в предлагаемой структуре задействуются элементы теории нечетких множеств, что позволяет использовать в алгоритме управления большую языковую модель. Разработан алгоритм проверки решений модели, позволяющий снизить вероятность ее ошибок за счет повторных независимых обработок результатов работы искусственного интеллекта и выявления несовпадений. Показано, что данный подход позволил преодолеть известную проблему, возникающую при применении технологии обработки естественного языка, связанную с непостоянством ответов. Предложенная в работе структура проверяется и оценивается с помощью серии испытаний на модели энергосистемы с малой распределенной генерацией по пяти сценариям: переход из островного режима на параллельную работу с внешней системой и наоборот; переход от сбалансированной изолированной работы двух секций на собственную нагрузку к изолированной же, но не сбалансированной по первой секции; переход от сбалансированной изолированной работы секций на собственную нагрузку к изолированной синхронной работе секций. Перечисленные испытания продемонстрировали гибкость разрабатываемой системы, ее способность принимать во внимание команды пользователя и адаптироваться к различным режимам энергосистемы. Таким образом, результаты исследования иллюстрируют возможность управления энергосистемой с малой распределенной генерацией на основе генеративного искусственного интеллекта. Возможность принятия решений и адаптивность к изменяющимся условиям делают предлагаемую систему ценным инструментом для обеспечения эффективной работы сети.

1. Prostejovsky A.M., Brosinsky C., Heussen K., Westermann D., Kreusel J., Marinelli M. The future role of human operators in highly automated electric power systems // Electric Power Systems Research. 2019. Vol. 175. P. 105883. https://doi.org/10.1016/J.EPSR.2019.105883.

2. Liu You-bo, Liu Jun-yong, Taylor G., Liu Ting-jian, Gou Jing, Zhang Xi. Situational awareness architecture for smart grids developed in accordance with dispatchers thought process: a review // Frontiers of Information Technology and Electronic Engineering. 2016. Vol. 17. Iss. 11. P. 1107–1121. https://doi.org/10.1631/FITEE.1601516.

3. Uddin M., Mo Huadong, Dong Dezun, Elsawah S., Zhu Jianguo, Guerrero J.C. Microgrids: a review, outstanding issues and future trends // Energy Strategy Reviews. 2023. Vol. 49. P. 101127. https://doi.org/10.1016/j.esr.2023.101127.

4. Liu Z., Zhang Q. Study on the development mode of national power grid of China // Proceedings of the Chinese Society of Electrical Engineering. 2013. Vol. 33. Iss. 7. P. 1–10.

5. Yu Xinghuo, Cecati C., Dillon T., Simoes M.G. The new frontier of smart grids // Industrial Electronics Magazine. 2011. Vol. 5. Iss. 3. P. 49–63. https://doi.org/10.1109/MIE.2011.942176.

6. Yoon Deunsol, Hong Sunghoon, Lee Byung-Jun, Kim Kee-Eung. Winning the L2RPN challenge: power grid management via Semi-Markov afterstate actor-critic // International Conference on Learning Representations. 2020. P. 720–729.

7. Damjanović I., Pavić I., Puljiz M., Brcic M. Deep reinforcement learning-based approach for autonomous power flow control using only topology changes // Energies. 2022. Vol. 15. Iss. 19. P. 6920. https://doi.org/10.3390/en15196920. EDN: AYWUOU.

8. Wang G., Guo J., Ma S., Shang Y., Guo Q., Bu G., et al. Preliminary study of power system enhanced intelligence analysis // Proceedings of the Chinese Society of Electrical Engineering. 2020. Vol. 40. Iss. 16. P. 5079–5087.

9. He Ziyao, Song Yunpeng, Yang Gang, Qiao Wen, Wang Haoming, Wang Jinyun, et al. A dialogue-driven framework for intelligent and automated simulation of complex power systems // CSEE Journal of Power and Energy Systems. 2023. P. 1–2.

10. Marot A., Rozier A., Dussartre M., Crochepierre L., Donnot B. Towards an AI assistant for power grid operators // HHAI2022: Augmenting Human Intellect. IOS Press, 2022. P. 79–95.

11. Gamage G., Kahawala S., Mills N., De Silva D., Manic M., Alahakoon D., et al. Augmenting industrial chatbots in energy systems using ChatGPT generative AI // LEEE 32nd International Symposium on Industrial Electronics. 2023. P. 1–3. https://doi.org/10.1109/ISIE51358.2023.10228101.

12. Tafferner Z., Balázs I., Krammer O., Géczy A. Can ChatGPT help in electronics research and development? A case study with applied sensors // Sensors. 2023. Vol. 23. Iss. 10. P. 4879. https://doi.org/10.3390/s23104879.

13. Marot A., Donnot B., Tazi S., Panciatici P. Expert system for topological remedial action discovery in smart grids. Режим доступа: https://hal.science/hal-01897931/file/_LARGE__bf_Expert_System_for_topological_remedial_action_discovery_in_smart_grids.pdf (дата обращения: 07.02.2025).

14. Chen Yong, Peng Xiangjun, Xu Xianchao, Wu Hao. Deep reinforcement learning based applications in smart power systems // Journal of Physics: Conference Series. 2021. Vol. 1881. Iss. 2. P. 022051. https://doi.org/10.1088/1742-6596/1881/2/022051. EDN: ONJNXB.

15. Li Ran, Pu Chuanqing, Tao Junyi, Li Canbing, Fan Feilong, Xiang Yue, et al. LLM-based frameworks for power engineering from routine to novel tasks // Social Science Research Network. 2023. https://doi.org/10.2139/ssrn.4741095.

16. Nair D.R., Nair M.G., Thakur T. A smart microgrid system with artificial intelligence for power sharing and power quality improvement // Energies. 2022. Vol. 15. Iss. 15. P. 5409. https://doi.org/10.3390/en15155409.

17. Pribylskii V., Armeev D.V. AI control system for power grid based on distributed energy resources // IEEE 25th International Conference of Young Professionals in Electron Devices and Materials (Novosibirsk, 28 June – 2 July 2024). Novosibirsk: Novosibirsk State Technical University, 2024. Vol. 25. P. 1420–1425. https://doi.org/10.1109/EDM61683.2024.10614965. EDN: JLWEOZ.

18. Wei Jason, Wang Xuezhi, Schuurmans D., Bosma M., Ichter B., Xia Fei, et al. Chain-of-thought prompting elicits reasoning in large language models // 36th Conference on Neural Information Processing Systems. 2022. Vol. 35. P. 24824–24837. https://doi.org/10.48550/arXiv.2201.11903.

19. Zhao Xufeng, Li Mengdi, Lu Wenhao, Weber Cornelius, Lee Jae Hee, Chu Kun, et al. Enhancing zero-shot chain-of-thought reasoning in large language models through logic // Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation. 2023. https://doi.org/10.48550/arXiv.2309.13339.

20. Giray L. Prompt engineering with ChatGPT: a guide for academic writers // Annals of Biomedical Engineering. 2023. Vol. 51. Iss. 12. P. 2629–2633. https://doi.org/10.1007/s10439-023-03272-4.