La investigación revela regalos ocultos de la ‘caja negra’ para modelar el comportamiento de la cuadrícula
El método de modelado de cuadrícula “Box” de Ornl protege la información patentada sobre el funcionamiento interno del equipo al tiempo que proporciona una simulación precisa del comportamiento de la red al menos 10 veces más rápido que los métodos convencionales. Crédito: Andy Sproles/Ornl, Departamento de Energía de los Estados Unidos
Para crear una red eléctrica más resistente que satisfaga las crecientes demandas de energía de la nación, las empresas de servicios públicos están incorporando una gama más amplia de fuentes de energía. Pero este cambio requiere la capacidad de predecir cómo reaccionará la red ante las fluctuaciones en el flujo de electricidad de nuevas fuentes de energía.
Para planificar con anticipación y evitar la interrupción en la fuente de alimentación, los servicios públicos usan modelos para anticipar cuándo y dónde dirigir una cantidad determinada de electricidad. Un modelo es una serie de cálculos, en este caso, suministro y demanda de electricidad estimada.
Los investigadores del Laboratorio Nacional de Oak Ridge del Departamento de Energía han desarrollado un método de modelado dinámico que utiliza el aprendizaje automático para proporcionar simulaciones precisas del comportamiento de la red mientras se mantiene lo que se llama un enfoque de “caja negra”. Esta técnica no requiere detalles sobre la tecnología patentada dentro del equipo, en este caso, un tipo de electrónica de potencia llamada inversor.
Los ingenieros incorporaron la nueva capacidad de modelado en una herramienta de software de código abierto y demostraron su éxito con diferentes escenarios e marcas de inversores. El trabajo se publica en la revista 2024 IEEE Energy Conversion Congress and Exposition (ECCE).
“Normalmente, es difícil obtener una precisión de modelado sin comprender la estructura y los parámetros de control de los sistemas internos, información patentada que las empresas pueden no querer compartir”, dijo Sunil Subedi, quien dirigió a los miembros del grupo de modelado y control de la cuadrícula de Ornl en el proyecto.
“Y si bien ese nivel de detalle mejora la precisión, también se suma a la carga computacional y hace que el análisis sea pesado”. A menudo requiere el uso de la computación de alto rendimiento, que es intensiva en energía y que requiere mucho tiempo, dijo.
El modelo ORNL utiliza un algoritmo de aprendizaje profundo para abordar estos desafíos. Los investigadores capacitaron al modelo utilizando casos de prueba que reflejan cambios en el flujo de potencia y los cambios repentinos en el voltaje. Luego ejecutaron una simulación basada en el equipo de un proveedor específico, repitiendo el proceso con datos de otro proveedor para comparar los resultados de consistencia.
El equipo descubrió que su modelo de caja negra, el primero de su tipo en funcionar con software gratuito de código abierto, producía resultados con una tasa de error promedio por debajo del 5% en un rango de condiciones de funcionamiento. Esto excede los estándares de la industria para la planificación y operación del sistema de cuadrícula, pruebas de diseño y implementación de campo. El modelo también funciona de 10 a 20 veces más rápido que más métodos convencionales intensivos en energía, dijo Subedi.
“El enfoque de aprendizaje automático le permite obtener lo que necesita al representar un sistema con solo datos, lo cual es fascinante”, dijo Subedi. “La tecnología tiene un equilibrio entre la precisión y la flexibilidad, superando las limitaciones de los enfoques anteriores y proporcionar a los servicios públicos y fabricantes nuevas capacidades”.
El método permite a los productores de electrónica de potencia evaluar más fácilmente cómo los nuevos controles y diseños de protección funcionarían en sistemas de distribución de potencia completa. Esta idea podría acortar los plazos de desarrollo de productos para ayudar a las nuevas tecnologías a alcanzar la red más rápido. La capacidad de modelado también puede generar confianza en la utilidad en la diversificación de fuentes de energía para mejorar la resiliencia y confiabilidad generales de energía.
Más información: Sunil Subedi et al, modelado dinámico basado en el aprendizaje profundo de inversores de fuente de voltaje trifásico, 2024 Congreso de conversión de energía IEEE y exposición (ECCE) (2025). Doi: 10.1109/ecce55643.2024.10861015
Proporcionado por el Laboratorio Nacional de Oak Ridge
Cita: La investigación revela regalos ocultos de la ‘caja negra’ para modelar el comportamiento de la cuadrícula (2025, 6 de mayo) Recuperado el 6 de mayo de 2025 de https://techxplore.com/news/2025-05-reveals-hidden-gifts-lack.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
