在这个AI掌控步伐的快速发展的天下中，创新者彷佛已经提出了另一种由AI驱动的新模型，以防止停电为目标。

德克萨斯大学达拉斯分校 (UT Dallas) 与纽约州立大学水牛城分校的工程师互助进行的一个项目开拓了这种AI系统，该系统可以在几毫秒内自动重新分配电力。

根据该大学的一份声明，这种AI模型的目的是为了自主检测和修复电网中的问题，而无需人工干预。

Real-time outage management in active distribution networks using reinforcement learning over graphs

技能研究职员称这是“自我修复电网”技能的早期例证，并声称纵然狂风雨破坏电力线，也可能不须要人工干预。

艾里克·琼森（Erik Jonsson）工程与打算机科学学院机器工程副教授张杰（Jie Zhang）博士表示：“我们的目标是找到最佳路径，尽快将电力运送到大多数用户。
但在该系统履行之前，还须要更多的研究。
”

这个人工智能驱动系统的运用紧张针对北美电网系统。

该系统被归类为自我修复智能电网，其特点是具有快速反应、智能掌握机制，可以在停电期间将电力中断降到最低。

研究职员采取了一种称为图强化学习的机器学习技能。
然后，由AI剖析和管理繁芜的电网网络。

根据大学的说法，图形机器学习涉及描述网络的拓扑构造、各种组件的排列办法以及电力的传输办法。

在不同的网络设置下进行测试，该系统展现了近乎最佳的即时性能，在停电期间显著减少了能量丢失，并且在各种场景下都能有效事情。

该声明指出，AI模型显著减少了停电期间的能量丢失，13和34总线网络的改进分别为607.45 kWs和596.52 kWs。
它在各种停电场景下也能很好地事情。

该技能在三种不同的网络设置（13、34和123总线系统）上进行了检讨，创造它险些可以即时最佳地运行。

测试还表明，AI系统可以在几毫秒内重新分配电力——与当前可能须要几分钟到几小时的人工掌握系统比较要快得多。

该研究的合著者、自然科学与数学学院数学科学教授尤利亚·盖尔（Yulia Gel）博士也强调了网络拓扑构造的浸染，他说这可能发挥关键浸染。

这是指运用AI来办理其他繁芜系统中的问题，例如关键根本举动步伐和生态系统。

“在这个跨学科项目中，我们利用团队在电力系统、数学和机器学习方面的专业知识，探索了如何利用图抽象来系统地描述配电系统中的各种相互依赖关系，”盖尔说。

“然后，我们研究了如何将底层网络拓扑集成到强化学习框架中，以用于配电系统中更有效的停电管理。
”

UTD电气工程博士生、该论文的共同第一作者萝希妮·安娜·雅各布（Roshni Anna Jacob）指出，如果电力因线路故障而受阻，该系统可以利用开关进行重新配置，并从附近的可用电源汲取电力。

她说：“你可以利用这些发电机在特定地区供电。
”

不才一阶段，研究职员希望设计类似的技能来在电力中断后修复和规复电网。

该研究于2024年6月4日揭橥在《自然通信》杂志上。