We can't find the internet
Attempting to reconnect
SI/501888
SONDER – Service Optimization of Novel Distributed Energy Regions
Résumé
Ziel des Projekts ist die wirksame Verbesserung der Genauigkeit von Vorhersagen zu Verbrauch und Einspeisung in das Stromnetz, die wie folgt erreicht werden soll: 1) Validierung von Sensor Daten (Qualitätsverbesserung der Input-Daten); 2) da das Verteilnetz ein Netzwerk mit verschieden Komplexitätsstufen ist, werden neuartige Graphen-basierte «Machine learning» Methoden zur Entwicklung von Vorhersage-Algorithmen eingesetzt (durch Graphen werden gemessene Netzdaten und deren funktionelle Abhängigkeiten modelliert); 3) Ausschöpfung des Flexibilitätspotentials im Netz durch hochentwickelte Regelungsmethoden für Batterie-Systeme; 4) lebenslange Anpassung der Algorithmen im Betrieb um Netzveränderungen zu erkennen. Genauere Vorhersagen ermöglichen eine bessere Übereinstimmung von prognostizierter und tatsächlich bezogener Energie. Dadurch wird eine bessere Nutzung von flexiblen Lasten sowie ein effizienterer Energie-Handel auf regionaler Ebene ermöglicht. Weiterhin können effiziente Methoden zur vorausschauenden Wartung des Netzes entwickelt werden.
Textes supplémentaires
Schlussbericht
Dieses Dokument enthält die Beschreibung der laufenden Arbeiten und Ergebnisse, die bisher im Rahmen des Forschungsprojekts SONDER „Service Optimization of Novel Distributed Energy Regions“ im Rahmen des ERA-Net RegSys-Programms durchgeführt wurden. Das Hauptziel dieses Projekts ist die Entwicklung neuartiger Lastvorhersagemethoden auf der Basis „Artificial Intelligence“ (AI), die diese mit fortschrittlichen Steuerungsschemata für den Betrieb eines stationären Batteriespeichersystems (BESS) koppeln, das im Verteilnetz der Stadt Arbon installiert ist. Das vorgeschlagene BESS-Steuerungsschema hängt von der Day-Ahead-Lastvorhersage, der Transformatormessung und der Spitzenleistung der vorherigen Zeitschritte des Monats ab. Im Gegensatz zu bisher publizierten Spitzenkappung-Ansätzen ist das vorgestellte Verfahren robust gegenüber Prognoseabweichungen und belastet den Batteriespeicher weniger als optimierungsbasierte Verfahren. Zudem ist das Verfahren konform mit den regulatorischen Rahmenbedingungen für den Netzbetrieb in der Schweiz und den meisten anderen europäischen Ländern. Der gut strukturierte Datensatz von Arbon Energie enthält Informationen von mehr als zehntausend intelligenten Zählern, die alle 15 Minuten abgetastet werden, und stellt einen der grössten und wertvollsten Repositorys seiner Art in Europa dar. Dieser Datensatz ist mit Informationen auf MS-Trafoebene angereichert und bietet somit eine sehr gute Testumgebung für das Training mehrerer datengesteuerter Vorhersagemodelle. Unsere Untersuchung hat die Effizienz verschiedener Deep-Learning-Methoden (DL) gezeigt, einschliesslich Graph-basierter Methoden, die ihre Fähigkeit zur Modellierung der nichtlinearen Dynamik der Transformatorlast ausnutzen. Darüber hinaus funktionieren die entwickelten DL-Prädiktoren sehr gut, wenn sie mit einem geeigneten BESS-Steuerungsschema gekoppelt sind, was auch zeigt, wie wichtig es ist, das Modell neu zu trainieren, wenn jedes Jahr neue Daten verfügbar werden. Dies gilt auch für die Online-Anpassung an neu eingehende Daten durch die Feinabstimmung des Modells, während es für Vorhersagen verwendet wird. Graphbasierte Ansätze wurden für den Arbon-Anwendungsfall übernommen, einschliesslich Clustering von Lastprofilen in mehrere Aggregate und Training von Graph Neural Networks (GNNs). Die Modelle lernten, die Last auf verschiedenen Aggregationsebenen vorherzusagen, mit dem Ziel, die Vorhersagegenauigkeit weiter zu verbessern. Die Experimente bestätigten die Effektivität der graphbasierten Ansätze bei der Aggregation der Smart-Meter-Daten und der Prognose der Nachfrage, obwohl sie eine bemerkenswerte Sensibilität für die Datenqualität gezeigt haben. In verschiedenen Szenarien können GNNs den Fehler im Vergleich zu einfacheren Methoden erheblich verringern. Dennoch erzielen wir im Fall der Arbon MV-Transformatorlast bescheidene Verbesserungen aufgrund der Diskrepanz zwischen den Daten der intelligenten Zähler und der Transformatoren. Daher haben wir uns bei der BESS-Steuerung aufgrund ihrer Einfachheit, ihres schnelleren Trainings und ihrer einfacheren Online-Anpassung an neue Testdaten auf traditionelle Deep-Learning-Modelle verlassen. Dennoch beweist unsere Forschung, dass GNNs vielversprechende Modelle sind, um mehrere Signale von verschiedenen räumlichen Orten vorherzusagen und die Beziehungen zwischen mehreren Zeitreihen zu lernen. Unsere Methoden sind allgemein und könnten auf andere IoT- und Zeitreihen-Vorhersageszenarien angewendet werden, die durch viele verwandte Signale gekennzeichnet sind, die von verschiedenen räumlichen Orten kommen. In Bezug auf das BESS-Regelungsschema können die relativen Einsparungen durch die Spitzenkappung Jahr für Jahr zunehmen und von 48 % im Jahr 2019 auf 78 % im Jahr 2022 im Vergleich zum theoretischen Optimum bei perfekter Prognose reichen. Darüber hinaus kann das BESS höhere Einsparungen erzielen, wenn es auf der Spitzenlastvorhersage statt auf der Volllastkurvenvorhersage basiert. Der vorgeschlagene Regelalgorithmus hat auch keine negativen Auswirkungen auf die Kosten für Energiebeschaffung und Netznutzung. Darüber hinaus führt das Kontrollschema zu einer jährlichen Batteriealterungsrate von 2 %, was Raum für eine weitere BESS-Nutzung im Kontext anderer Dienste lässt. Im Rahmen der für die Verteilnetze von Arbon durchgeführten Sensitivitätsanalyse werden verschiedene Zukunftsszenarien in Bezug auf zunehmende Integrationsgrade von Photovoltaik (PV), EV-Ladeinfrastrukturen (EVSE) und Wärmepumpen (WP) simuliert, mit dem Hauptziel, ihre Auswirkungen auf die Spannungsqualität und die Belastungen der Netzanlagen zu bewerten. Auch die Leistung einer Laststeuerung zum Spitzenkappung auf Basis von Trafomessungen wird untersucht. Auf der einen Seite werden die untersuchten NS-Verteilnetze selbst bei hohen Penetrationsgraden von PV-, EVSE- und WP-Einheiten nicht auf Spannungsqualitätsprobleme stossen. Andererseits werden Überlastungen auf bestimmten Leitungen und auf Trafoebene insbesondere für das TS 1-Netz erwartet, was die Netzverstärkung für die Zukunftsszenarien erheblich macht. Die untersuchte Laststeuerung senkt die Spitzenleistung auf Trafoebene, ohne jedoch die Belastung der Leitungen zu reduzieren. Da die Periode hohen Bedarfs von EV und WP nicht mit der Periode hoher PV-Produktion zusammenfällt, ist es entscheidend, Laststeuerung auf der Grundlage lokaler Smart-Metering-Messungen zu implementieren. Was mögliche zukünftige Schritte betrifft, so könnte das vorgeschlagene BESS-Kontrollsystem auch für die zweite Hälfte des Jahres 2022 evaluiert werden, da die erste Hälfte sehr vielversprechende Ergebnisse gezeigt hat. Darüber hinaus wäre es sehr nützlich, die evaluierte Methode in einem realen Feld zu testen, da die experimentellen Ergebnisse wichtige Richtlinien in Bezug auf ihre kontinuierliche Anwendung sowie eventuell erforderliche Verbesserungen liefern könnten. In Bezug auf die Sensitivitätsanalyse besteht die Möglichkeit, diese Studie unter Berücksichtigung zusätzlicher Eingaben und anwendbarer DSM-Methoden zu erweitern. Insbesondere dezentrale Verfahren basierend auf lokalen Messungen könnten in einer zukünftigen Arbeit auch getestet werden, da sie zusätzlich Überlastungen der Netzanlagen reduzieren können. Zukünftige Arbeiten zum Energieverbrauch sowie zur Vorhersage erneuerbarer Energien könnten sich auf die Fusion verschiedener Datenquellen in den Vorhersagerahmen konzentrieren. GNN-Modelle können heterogene Datenströme verarbeiten, daher wird es wichtig sein, zuverlässige Wettervorhersagen zu sammeln und diese neben den Netzmessungen zu verwenden. Wir glauben, dass dies der beste Weg ist, um grössere Gewinne bei der Lastprognose mit GNNs zu erzielen, die sogar über die in dieser Arbeit vorgestellte hohe Leistung hinausgehen.
Détails du projet
- Office de recherche
- BFE
- Statut du projet
- Abgeschlossen
- Type de projet
- Forschungsprojekt
- Date de début
- 2019-03-31
- Date de fin
- 2024-03-30
- Coûts totaux approuvés
- CHF 383412.00
- Section
- Netze
- Domaine politique NABS
- Erzeugung, Verteilung und rationelle Nutzung der Energie