Opis projektu
Eliminowanie barier stojących przed uczeniem maszynowym w zastosowaniach związanych z energetyką
Dzięki podejściu opartemu na danych firmy i podmioty zajmujące się generowaniem i dostarczaniem energii odnawialnej mogą skuteczniej zarządzać jej źródłami zależnymi od zmiennych warunków naturalnych oraz niepewnościami związanymi z prognozami pogody czy awarią sprzętu. Nowe rozwiązania, w porównaniu z tradycyjnym podejściem opartym na modelu. umożliwiają przyspieszenie wykonywania złożonych zadań obliczeniowych związanych z zapewnieniem stabilności sieci 250–1 000 razy. Ponieważ jednak systemy energetyczne mają kluczowe znaczenie dla bezpieczeństwa, nie możemy stosować w nich podejścia opartego na danych, jak długo pozostaje ono czarną skrzynką. Finansowany ze środków UE projekt VeriPhIED posłuży wprowadzeniu metod bazujących na danych, które będą korzystać podstawowych fizycznych właściwości sieci energetycznych. W szczególności w ramach projektu powstanie propozycja rozwoju świadomych istnienia fizyki, weryfikowalnych sieci neuronowych i procedur ich szkolenia, które pozwolą uzyskać gwarancje projektowe w zakresie dokładności przewidywań sieci neuronowej.
Cel
Measures against global warming require disruptive changes in the electricity sector. Drastically reducing CO2 emissions involves replacing bulk generation units with millions of renewable energy sources, along with a rapid increase of electricity demand. Maintaining the stability of the system with current approaches becomes not only computationally intractable, but also extremely costly. Recently proposed data-driven methods have been shown to handle the sheer complexity and have an impressive performance, achieving higher accuracy while being 250-1000 times faster than traditional methods. However, power systems are safety-critical systems, where data-driven methods will never be applied if they remain a black-box.
This proposal removes the barriers for the application of data-driven approaches in power system problems, proposing methods that exploit the underlying physical properties of power systems. We propose the development of physics-aware verifiable neural networks and a neural network training procedure that can supply by-design guarantees of the neural network prediction accuracy. Accuracy does no longer need to be a statistical metric. Instead, our methods can supply a provable upper bound of the prediction error over the whole input space, that the power system operators can trust. We further show how neural networks can capture non-linear constraints impossible to capture before, and can reduce any non-linear optimization problem to a tractable mixed-integer linear program with verified accuracy, potentially boosting computation speed and tractability. From a power systems context, this enables us to treat power system dynamics and optimization in a unified framework that accurately captures the true feasible region, removes various approximations, and eliminates redispatching costs, saving billions of euros per year. The proposed methods naturally extend beyond power systems, finding application to a wide range of physical safety-critical systems.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Temat(-y)
System finansowania
ERC-STG - Starting GrantInstytucja przyjmująca
2800 Kongens Lyngby
Dania