L'IA peut voir clairement maintenant, en ce qui concerne le stockage d'énergie
Un système d'évaluation des performances nouvellement développé peut évaluer les centrales électriques de stockage d'énergie (ESPP) en termes de décisions d'investissement et de politique publique, ainsi que leur place dans des infrastructures énergétiques durables. La recherche est discutée dans le Journal international de conversion de puissance et d'énergie.
Un goulot d'étranglement de longue date et bien connu dans l'intégration d'énergie durable est de savoir comment évaluer de manière fiable et globale les compromis complexes impliqués dans le fonctionnement des systèmes de stockage électrochimique d'énergie, des batteries rechargeables, en d'autres termes. Le stockage d'énergie est essentiel pour stabiliser l'alimentation lorsque les sources d'alimentation sont imprévisibles, comme l'énergie solaire et l'éolien.
Pour étudier les problèmes, les chercheurs ont utilisé une version raffinée d'un outil de calcul appelé NSGA-II, ou algorithme génétique de tri non dominé II. NSGA-II est un algorithme d'optimisation multi-objectif bien établi couramment utilisé dans l'ingénierie et la recherche opérationnelle. Il est particulièrement adapté aux problèmes avec des objectifs multiples, souvent contradictoires. Par exemple, maximiser la fiabilité du système tout en minimisant les coûts.
La nouveauté dans cette recherche est que l'équipe a surmonté certaines des limites des versions standard de NSGA-II. Dans leur approche, ils ont prolongé l'algorithme afin qu'il ne se régalait pas prématurément sur les solutions sous-optimales, Local Optima et explore plutôt tous les résultats possibles.
Cette amélioration a été réalisée en premier en introduisant une nouvelle méthode pour sélectionner les conditions de départ de l'algorithme, sa population initiale et deuxièmement en remplaçant le mécanisme de croisement conventionnel par une alternative plus exploratoire. Ces améliorations ont conduit à un algorithme qui était jusqu'à cinq fois plus rapide que son prédécesseur et manifestement plus efficace pour identifier de meilleures solutions dans une gamme plus large de scénarios.
L'équipe a pu démontrer des améliorations par rapport aux algorithmes antérieurs en termes de performance technique et de viabilité économique et d'investissement. Par exemple, un scénario modélisé dans l'étude suggère que dans des conditions opérationnelles spécifiques, les rendements annuels de l'investissement dans les ESPP pourraient atteindre 13%. Ces résultats suggèrent qu'avec une conception et une coordination soigneuses du système, les ESPP peuvent offrir des incitations financières convaincantes en plus de leurs avantages environnementaux.
