Large Language Model-Assisted Zoning for Heterogeneous Automatic Voltage Control in Renewable-Rich Regional Power Grids

Het moderne elektriciteitsnet is niet langer slechts eenrichtingsverkeer waarbij stroom gestaag van enorme kolen- of gascentrales naar huizen en fabrieken stroomt. Vandaag de dag is het een dynamisch, tweerichtingsnetwerk dat steeds vaker wordt gevoed door windturbines en zonnepanelen. Deze hernieuwbare bronnen zijn schoon en essentieel, maar ze zijn ook grillig; de wind stopt met waaien en wolken trekken over zonnevelden, waardoor de hoeveelheid elektriciteit die ze opwekken sterk fluctueert. Deze onvoorspelbaarheid creëert een specifieke uitdaging voor netbeheerders: het stabiel houden van de spanning. Spanning is de elektrische druk die de stroom door de draden duwt; als de spanning te hoog wordt, kan dit apparatuur beschadigen, en als de spanning te laag wordt, dimmen de lichten en komen motoren tot stilstand. In een traditioneel net konden beheerders vertrouwen op grote, stabiele centrales om hun output aan te passen en deze schommelingen glad te strijken. Maar met duizenden verspreide wind- en zonneparken wordt het net een complex web waarbij te veel of te weinig vermogen in het ene gebied kan leiden tot gevaarlijke spanningsschommelingen in een ander gebied. Het beheer hiervan vereist een systeem dat onmiddellijk kan beslissen welke energiebronnen hun output moeten aanpassen en met hoeveel, een taak die te moeilijk is geworden voor standaard, uniforme regels alleen.

In een recente studie stelden onderzoekers van State Grid Shanxi Electric Power Company in China een nieuwe manier voor om deze complexiteit te beheersen door verschillende delen van het net verschillend te behandelen, geleid door een kunstmatige intelligentietool die bekend staat als een groot taalmodel (large language model). In plaats van elke zonnepark en windturbine exact dezelfde set instructies op te leggen, ontwikkelde het team een systeem dat eerst naar de lokale omstandigheden van het net kijkt om te beslissen welke strategie het beste werkt voor elk specifiek gebied. Ze verdeelden het net in zones op basis van hoe de energiebronnen interageren met de lokale spanning. In sommige gebieden, waar de spanning van nature stabiel is, vraagt het systeem de centrales simpelweg om een constante, vooraf ingestelde hoeveelheid reactief vermogen te handhaven—een type elektrische ondersteuning dat helpt de spanning op peil te houden zonder daadwerkelijk energie aan huishoudens te leveren. In andere gebieden waar spanningsschommelingen duidelijker merkbaar zijn, schakelt het systeem over naar een modus waarin de centrales de spanning actief volgen en corrigeren, vergelijkbaar met een thermostaat die een verwarming bijstelt om een kamer op een bepaalde temperatuur te houden.

Het meest complexe deel van het net betreft echter gebieden waar veel verschillende centrales nauw met elkaar verbonden zijn en elkaar sterk beïnvloeden. Hier, als elke centrale op zichzelf probeert de spanning te corrigeren, kunnen ze er een strijd tussen elkaar creëren, wat een chaotische touwtrekkingswedstrijd veroorzaakt die energie verspilt en de apparatuur belast. Om dit op te lossen, introduceerden de onderzoekers een geavanceerde coördinatiemethode met behulp van een type kunstmatige intelligentie genaamd multi-agent deep deterministic policy gradient. In deze opstelling bepaalt een centrale controller de totale hoeveelheid spanningsondersteuning die nodig is voor de hele groep, en de AI fungeert vervolgens als een eerlijke scheidsrechter die precies beslist hoeveel werk elke individuele centrale moet doen om dat doel te bereiken. Dit zorgt ervoor dat de last gelijkmatig wordt verdeeld en dat geen enkele centrale overbelast wordt terwijl andere stilzitten.

Om deze beslissingen te nemen, gebruikten de onderzoekers een groot taalmodel niet om de uiteindelijke commando's te genereren, maar om als een hoogwaardige planner te fungeren. Deze AI-tool analyseerde de huidige staat van het net, inclusief de output van de wind- en zonneparken, de lay-out van de elektriciteitskabels en de geschiedenis van spanningsfluctuaties. Op basis van deze gegevens adviseerde het over hoe de centrales gegroepeerd moesten worden, welke bestuursstrategie voor elke groep gebruikt moest worden en welke initiële instellingen toegepast moesten worden. Als het initiële plan van het systeem een veiligheidscontrole niet doorstond—wat betekent dat de spanning te ver buiten het veilige bereik dreigde te raken—beoordeelde de AI de resultaten, leerde van de fout en stelde aanpassingen voor aan de groepering of de instellingen. Deze cyclus van plannen, testen en verfijnen stelde het systeem in staat om zich aan te passen aan veranderende omstandigheden zonder menselijke tussenkomst.

Het team testte deze aanpak op een gesimuleerde versie van een echt elektriciteitsnet, gemodelleerd naar een standaard testsysteem met drieëndertig negen aansluitpunten, gevuld met acht windparken en acht zonneparken. Ze vergeleken hun nieuwe, flexibele methode met oudere strategieën die een enkele regel op het gehele net toepassen. De resultaten toonden aan dat de nieuwe methode aanzienlijk effectiever was in het stabiel houden van de spanning. Het verminderde het aantal keren dat de spanning buiten het veilige bereik viel met bijna 88 procent vergeleken met het hebben van geen speciale controle, en het verminderde die overtredingen met meer dan 40 procent vergeleken met de beste bestaande uniforme methode. Bovendien balanceerde het nieuwe systeem de werklast veel beter; bij de oudere methoden werden sommige centrales vaak gedwongen tot grote, abrupte veranderingen terwijl andere niets deden, wat leidde tot ongelijkmatige slijtage. De nieuwe aanpak maakte deze aanpassingen vloeiender, waardoor de omvang van de veranderingen die elke centrale moest maken met ongeveer 30 procent werd verminderd en gevallen werden geëlimineerd waarin centrales per ongeluk elkaars inspanningen tegenwerkten.

Een belangrijke bevinding van de studie was dat het vermogen van het grote taalmodel om zijn eigen suggesties te verfijnen een meetbaar verschil maakte. Wanneer de onderzoekers de AI lieten de belangrijkheid aanpassen die het aan verschillende doelen toekende—zoals het prioriteren van spanningsstabiliteit versus het balanceren van de werklast onder de centrales—presteerde het systeem zelfs beter. In de moeilijkste, nauw verbonden zones verminderde het door AI geoptimaliseerde systeem de spanningsfouten met bijna 19 procent en de onbalans in de werklast met meer dan 70 procent vergeleken met een standaard besturingsmethode. Dit suggereert dat de toekomst van netbeheer mogelijk niet ligt in een enkele, rigide set regels, maar in intelligente systemen die de unieke kenmerken van een lokale buurt van centrales kunnen bekijken en kunnen beslissen wat de beste manier is om het licht aan te houden. De studie bevestigt dat door menselijk ontworpen bestuurslogica te combineren met het adaptieve redeneren van grote taalmodellen, het mogelijk is om een veerkrachtiger en efficiënter net te creëren dat in staat is om de hoge niveaus van hernieuwbare energie aan te kunnen die nodig zijn voor een koolstofarme toekomst.