استادیار جوان ایرانی، برنده جایزه توسعه حرفهای بنیاد ملی علم آمریکا شد
جواد خزائی، استادیار جوان مهندسی برق و کامپیوتر دانشگاه «لیهای» آمریکا در راستای تحقیقاتش در حوزه ساده سازی کنترل شبکه های هوشمند برنده جایزه NSF CAREER شد.
به گزارش سیناپرس، رویکرد “کنترل پیشبین مبتنی بر هندسه و بدون مدل” عضو هیات علمی جوان دانشگاه لیهای از مسیرهای سیستم برای کنترل منابع انرژی توزیعشده غیرخطی در سیستمهای قدرت استفاده میکند و ثبات بلادرنگ را برای نوسازی شبکه به ارمغان میآورد.
تا۲۰ سال پیش، تقاضا به شدت تولید را دیکته میکرد. امروزه، شبکه برق یک شبکه عظیم و غیرخطی است که توسط منابع انرژی توزیعشده (DER) مانند آرایههای خورشیدی، مزارع بادی و ذخیرهسازی باتری هدایت میشود. این منابع برای ارتباط با شبکه به الکترونیک قدرت متکی هستند و جریانهای دوطرفهای ایجاد میکنند که در آن مشتریان (از جمله جوامع و حتی خانوارهای منفرد) میتوانند هم برق مصرف کنند و هم آن را تأمین کنند.
جواد خزائی، استادیار مهندسی برق و کامپیوتر در کالج مهندسی و علوم کاربردی پی. سی. راسین دانشگاه لیهای، میگوید: «بنابراین اکنون سوال این است که چگونه این میلیونها دستگاه را کنترل کنیم؟»
خزائی اخیراً از طریق برنامه توسعه شغلی اولیه اعضای هیئت علمی (CAREER) بنیاد ملی علوم برای پیشنهاد خود برای توسعه یک الگوی کنترل مبتنی بر هندسه برای DERها در شبکههای هوشمند، بودجه دریافت کرده است.
جایزه معتبر NSF CAREER از اعضای هیئت علمی جوان در سراسر ایالات متحده که نقش معلم-محققان را از طریق تحقیقات برجسته، آموزش عالی و ادغام آموزش و تحقیق به نمایش میگذارند، حمایت میکند. هر جایزه تقریباً ۵۰۰ هزار دلار در یک دوره پنج ساله ارائه میدهد.
تغییر از کنترل متمرکز به کنترل دادهمحور
در حال حاضر، کنترل شبکه به یک مسئله بهینهسازی متمرکز معروف به جریان بهینه توان متکی است: دادهها از هر واحد تولید/تقاضا جمعآوری شده و به یک کنترلکننده واحد ارسال میشوند که تعادل تقاضا و تولید را در بازههای زمانی دقیقهای یا ساعتی بهینه میکند.
خزائی میگوید، این کنترلکننده اصلی دقیقاً تصمیم میگیرد که چه مقدار توان باید از یک نیروگاه یا منبع خاص بدون در نظر گرفتن شرایط شبکه (یعنی مدلهای شبکه) تأمین شود.
با افزایش مقیاس شبکه، رویکرد متمرکز غیرعملی میشود، زیرا تصمیمات کنترلی سنتی نمیتوانند پیچیدگی شبکهای را که میلیونها DER در آن قرار دارند، در نظر بگیرند. خزایی و تیمش از طریق یک فرآیند دو مرحلهای، یک استراتژی اساساً متفاوت را برای گنجاندن مدلهای پویا در کنترل شبکه، که به عنوان کنترل پیشبین نیز شناخته میشود، دنبال میکنند.
اول، به جای تکیه بر فیزیک دقیق هر دستگاه جداگانه، که از نظر محاسباتی گران و تعیین آن دشوار است، آنها از نظریههای رفتاری سیستمها برای یادگیری رفتار DERهای غیرخطی پیچیده مستقیماً از دادهها استفاده میکنند. سپس آنها «شکل» هندسی آن رفتار را شناسایی میکنند – مرزهای آن را نقشهبرداری میکنند تا نویز محاسباتی را نادیده بگیرند و فقط روی بحرانیترین متغیرها تمرکز کنند. این به آنها اجازه میدهد تا سیستم را با استفاده از مدلسازی مرتبه کاهشیافته ساده کنند.
او میگوید: «به جای ثبت هر متغیر در یک سیستم با ابعاد بالا، آیا میتوانیم هر DER را تنها با چند معادله دیفرانسیل ساده نمایش دهیم؟» «در تئوری، این امکانپذیر است.»
سادگی به عنوان نوآوری
این تأکید بر سادگی – نقشهبرداری از مرزهای هندسی رفتار یک سیستم – چیزی است که کار خزاعی را بدیع میکند.
با به حداقل رساندن نیازهای داده و کاهش بار محاسباتی مدلسازی سیستم «مرتبه کامل»، این تیم قصد دارد تعداد معادلات و دادههای مورد نیاز برای مدلسازی شبکههای برق در مقیاس بزرگ را بدون کاهش دقت کاهش دهد.
در حالی که پروژه بر روی ریزشبکهها متمرکز است، این مدلهای سادهشده در نهایت میتوانند برای کنترل پیشبینیکننده در کل شبکه ملی اعمال شوند، به این معنی که سیستمها میتوانند خرابیها را قبل از وقوع پیشبینی و از آنها جلوگیری کنند. او میگوید در حال حاضر، کنترل کل شبکه تقریباً غیرممکن است زیرا میلیونها گره به میلیونها معادله تبدیل میشوند.
او میگوید: «با این مدل جدید، ما قادر خواهیم بود با توجه به شرایط فعلی، پیشبینی کنیم که در چند ثانیه یا چند دقیقه آینده چه اتفاقی خواهد افتاد و مشکلات را در لحظه برطرف کنیم. در حال حاضر، ما این توانایی را نداریم. ما باید پس از وقوع، اقدامات اصلاحی را انجام دهیم.»
مزیت هوش مصنوعی
به نقل از دیدهبان علم ایران، نتایج اولیه امیدوارکننده هستند و افزایش مداوم روشهای مبتنی بر داده و هوش مصنوعی، دادههای با وضوح بالاتری نسبت به گذشته ارائه میدهد.
او میگوید: «ما میتوانیم از هوش مصنوعی به نفع خود استفاده کنیم. قبلاً ماهها یا سالها طول میکشید تا طرحهای کنترلی توسعه داده شوند. من خوشبین هستم که رویکرد ما در نهایت کنترل سیستمهای بزرگ را کارآمدتر، دقیقتر و قویتر خواهد کرد.»
