Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Power System Simulator based on Physics-Informed Neural Networks

Opis projektu

Rewolucyjny symulator dynamiki systemu zasilania wykorzystujący sieci neuronowej

W ostatnich dziesięcioleciach symulatory dynamiki systemu elektroenergetycznego zyskują na znaczeniu, a konwencjonalne przybliżenia szybko przestały nadawać się do tego zadania, ponieważ wymagają znacznie dłuższego czasu, aby zapewnić dokładne wyniki ze względu na bardziej złożone i wrażliwe obwody. Niestety awarie mogą powodować szybsze rozprzestrzenianie się zjawisk. Symulacja elektromagnetycznych stanów przejściowych (EMT) może je dokładnie uchwycić, ale w ostatnich latach stała się wolniejsza i bardziej pracochłonna obliczeniowo, ponieważ musi działać, analizując miliony możliwych krytycznych scenariuszy. Finansowany przez ERBN projekt PINNSim ma na celu opracowanie symulatora dynamiki systemu elektroenergetycznego opartego na sieciach neuronowych, który byłby wysoce modułowy, skalowalny i nawet 100 razy szybszy niż obecne komercyjne alternatywy, co znacznie skróciłoby wymagania czasowe oceny stabilności.

Cel

This proposal puts forward a first-of-its-kind power system dynamics simulator based on neural networks: PINNSim. PINNSim aims to deliver a highly modular and scalable tool that can be up to 100x faster than any commercial power system simulator. This means that PINNSim can perform a power system stability assessment in 30 minutes instead of 2 days.

We witness a dramatic shift from few large scale generators to millions of converter-based resources, such as solar, wind, batteries, and electric vehicles. Capturing the dynamic behavior of such a system is no longer possible with the conventional approximations. In case of fault, phenomena propagate much faster and an ElectroMagnetic Transient (EMT) simulation is necessary to accurately capture them. However, EMT is slow and computationally intensive. Uncertainty from solar and wind and the increased number of components requires the assessment of millions of critical scenarios so that power system operators eliminate blackout risk, and manufacturers design appropriate controllers for the safe operation of their equipment.

PINNSim leverages physics-informed machine learning and GPU acceleration to model power system components. Its key novelty lies in the method it interconnects individual neural networks to form a “system of neural networks” that performs simulations at much higher speeds. Through this funding, we aim to scale PINNSim to handle larger, more complex power systems and incorporate a user interface, creating a user-friendly simulator capable of addressing a wide range of power system operation challenges.

Our goal is to create a tool that will disrupt the power system simulation software landscape. We envision a library of component models based on neural networks, which can then be used in a plug’n’play fashion in PINNSim, similar to conventional simulators. If successful, PINNSim can naturally extend to almost any non-linear dynamic system such as robotics and biological systems.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC-POC - HORIZON ERC Proof of Concept Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2025-POC

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

DANMARKS TEKNISKE UNIVERSITET
Wkład UE netto
€ 134 000,00
Koszt całkowity
Brak danych

Beneficjenci (2)