Optimizacija obratovanja nizkonapetostnega distribucijskega omrežja z integrirano fleksibilnostjo v realnem času s pomočjo globokega spodbujevanega učenja (DRIFT)

Povzetek in cilji projekta

Spremembe v elektroenergetskih omrežjih, ki prihajajo z naslova integracije obnovljivih virov energije (OVE), elektrifikacije ogrevanje ter emobilnosti, že močno vplivajo na visoko spremenljivost pretokov moči na ravni distribucijskih omrežij, zaradi česar je njihovo vodenje zahtevno. Če takih spremenljivih obratovalnih stanj ne bomo obvladovali z učinkovitim vodenjem omrežja (tj. visoka stopnja vodljivosti omrežja), bodo za ohranjanje zahtevane kakovosti oskrbe odjemalcev z električno energijo potrebna obsežna ojačanja omrežja. Hkrati s temi spremembami poteka tudi intenziven razvoj omrežja na distribucijskem nivoju in ponuja vedno večjo dostopnost podatkov o obratovanju omrežja in uporabnikih (tj. večjo spoznavnost omrežja), večje število krmiljenih elementov (regulacijski transformatorji, obnovljivi viri, baterijski hranilniki…) in tudi možnost uporabe prožnosti odjemalcev. Za izkoriščanje velike količine podatkov iz omrežja in za uporabo njegovih aktivnih elementov ter storitev aktivnih uporabnikov, je potreben inovativen pristop k vodenju omrežja.  

Da bi se spopadli z izzivi sodobnih distribucijskih omrežij in se s tem izognili obsežni ojačitvi omrežja, je potreben napreden in učinkovit sistem vodenja omrežja. Za tak sistem je treba rešiti vsaj naslednje izzive:  

• Sodobni algoritmi za vodenje distribucijskega omrežja običajno temeljijo na algoritmih brez poznavanja stanja omrežja (ponudba in povpraševanje) ali v najboljšem primeru na optimizacijskih algoritmih, ki temeljijo na algoritmih za optimizacijo trenutnega stanja omrežja. Glavna pomanjkljivost teh algoritmov je njihova nizka prilagodljivost spremenljivim obratovalnim razmeram, optimizacijskim algoritmom pa predstavlja izziv vedno večja kompleksnost omrežja, kar ima za posledico računsko intenziven proces izračuna optimalnega stanja omrežja. 

• Danes ima vodenje distribucijskega omrežja še vedno nizko stopnjo kompleksnosti, in se osredotoča predvsem na regulacijo napetosti s pomočjo VN/SN regulacijskega transformatorja, nekoordinirano regulacijo napetosti s pomočjo proizvodnje jalove moči iz OVE in ustrezno ojačenje omrežja za zagotavljanje normalnih obratovalnih pogojev. Poleg tega se uporaba prožnosti uporabnikov kot tržne rešitve sooča s problemom „kokoš ali jajce“: ker trg prožnosti še ni zrel, je dejanski potencial prožnosti uporabnikov omrežja neznan in ga je težko predvideti, zato operaterji distribucijskih omrežij ne vključijo prožnost kot del obratovanja ali načrtovanja omrežja. Za premagovanje teh ovir je potrebno temeljito terensko testiranje razvitih algoritmov, skupaj z razlago njihovega delovanja operaterjem distribucijskega omrežja.  

• Za učinkovito rešitev v smislu vodenja nizkonapetostnih (NN) distribucijskih omrežij bi morala biti takšna rešitev ponovljiva in razširljiva. Zato je študija razširljivosti in ponovljivosti ključna za sprejemanje novih algoritmov.  

Cilj projekta je reševanje zgoraj opisanih izzivov s pomočjo razvoja algoritma za vodenje nizkonapetostnega (NN) omrežja, ki temelji na globokem spodbujevanem učenju (DRL) in lahko optimalno izkoristi razpoložljivo prožnost aktivnih uporabnikov omrežja. Optimalnost se nanaša na minimalno uporabo prožnosti uporabnikov za doseganje ustreznih obratovalnih razmer v omrežju.