Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Dynamic Equivalencing using Machine Learning

Descrizione del progetto

Simulazioni di transitori elettromagnetici per un sistema di energia rinnovabile solido

A seguito della transizione verde in corso e degli sforzi legati al Green Deal, siamo giunti a un punto in cui si prevede che la capacità globale di energia rinnovabile aumenterà di quasi il 75% dal 2024 al 2030. Nonostante i benefici e le opportunità derivanti da questo sviluppo, emergono alcune sfide, tra cui la ridotta inerzia del sistema, le condizioni operative variabili nel tempo, i problemi di stabilità e la produzione stocastica di energia, che minacciano la flessibilità, il funzionamento e la manutenzione della rete. Sostenuto dal programma di azioni Marie Skłodowska-Curie, il progetto DEML svilupperà una soluzione basata sulla fisica e sui dati che accelererà le simulazioni di transitori elettromagnetici (EMT, electromagnetic transient), particolarmente onerose dal punto di vista computazionale, attraverso la riduzione dell’ordine del modello (MOR, model order reduction) abilitata dall’apprendimento profondo, consentendo l’analisi e l’ottimizzazione dei sistemi e degli obiettivi dell’UE in materia di energie rinnovabili.

Obiettivo

Global renewable capacity is projected to increase by nearly 5,500 GW (about 75%) between 2024 and 2030. While this rapid expansion of decentralized generation brings opportunities, it also introduces significant challenges, such as reduced system inertia, stochastic power output, time-varying operating conditions, and stability concerns. A couple of power blackouts in recent years have highlighted that the stability of system operation is a critical issue. Together, these factors reduce grid flexibility and impose heavy computational demands for accurate analysis, estimation, and control. This proposal, dynamic equivalencing using machine learning (DEML), aims to address these challenges from a data-driven and physics-guided perspective. The objective is to accelerate computationally intense electromagnetic transient simulations (EMT) using deep learning-enabled model order reduction (MOR) technologies. Unlike traditional methods, DEML reframes the classical dynamic equivalencing task as an unsupervised machine learning problem with physics-informed constraints, addressing key limitations of the state-of-the-art nonlinear MOR approaches. Specifically, DEML will deliver dynamic equivalents (DEs) of utility-scale wind farms with doubly-fed induction generators (DFIGs) or permanent magnet synchronous generators (PMSGs), leveraging the Koopman operator framework. Such DEs are expected to accelerate EMT simulations by a factor of 2-3, while maintaining <5% error in system response. Validation will be performed using real-time hardware-in-the-loop (HIL) setups. The project is novel because it is discovery-based and fundamental to the overarching goal of analyzing large-scale power systems (LSPS) in line with the EU’s decarbonization, digitization, and energy reliance objectives.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
Contributo netto dell'UE
€ 276 187,92
Indirizzo
SOUTH KENSINGTON CAMPUS EXHIBITION ROAD
SW7 2AZ London
Regno Unito
Regione
London Inner London — West Westminster
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato