研究揭密「黑盒子」模型：提升電網韌性的隱藏利器

為打造更強韌的電網以滿足全國日益成長的用電需求，電力公司正積極整合多元能源。然而，這項轉型需要精準預測電網對於新型電力來源波動的反應能力。

傳統上，電力公司透過建立計算模型來預測供電排程時機與區域，這些模型主要估算電力供需狀況。但美國能源部橡樹嶺國家實驗室（ORNL）的研究團隊突破性地開發出動態建模技術，運用機器學習在保持「黑盒子」特性的同時，仍能提供精準的電網行為模擬。

這項創新技術無需掌握裝置內部專利技術細節（例如變流器等電力電子裝置的商業機密），工程團隊已將此建模功能整合至開源軟體工具，並透過不同情境與變流器品牌的測試驗證其成效。相關研究成果已發表於《2024年IEEE能源轉換會議暨展覽》。

「傳統建模若想達到高精準度，通常需要了解內部系統結構與控制引數，但這些往往是企業不願公開的商業機密。」ORNL電網建模與控制團隊負責人蘇尼爾·蘇貝迪解釋：「雖然細節資料能提升準確性，卻也大幅增加運算負擔。」

ORNL的解決方案是採用深度學習演演算法。研究人員透過電力流動變化與電壓驟變等測試案例訓練模型，再以不同廠商的裝置資料進行模擬比對。結果顯示，這款業界首見的開源黑盒子模型，在各種運作條件下的平均誤差率低於5%，遠超現行電網系統的產業標準。

「機器學習的妙處在於僅需資料就能呈現系統特性，」蘇貝迪強調：「這項技術在準確性與靈活性間取得完美平衡，不僅突破既有方法限制，更為電力公司與製造商開創新可能。」

此建模技術可協助電力電子製造商更有效率地評估新控制系統與保護設計在完整配電網路中的表現，有望縮短產品開發週期，加速新技術匯入電網。同時也能增強電力公司對多元能源整合的信心，全面提升供電系統的穩定性與可靠度。

[end]