Оптимальный контроль в области хранения и распределения энергии Smart Grid

Введение в оптимальный контроль в современных энергетических системах

Эволюция электрических сетей в умные сети коренным образом изменила способ генерации, хранения и распределения энергии. В основе этой трансформации лежит оптимальное управление — дисциплина, которая применяет передовые алгоритмы для управления компонентами хранения и распределения энергии наиболее эффективным, надежным и экономически эффективным способом. В отличие от традиционного управления сетями, которое опиралось на статические правила и ручное вмешательство, оптимальное управление использует данные в реальном времени, прогнозные модели и сложные методы оптимизации для динамического баланса спроса и предложения, интеграции возобновляемых источников энергии и поддержания стабильности сети.

Умные сети — это не единая технология, а экосистема взаимосвязанных устройств, датчиков и систем управления. Задача состоит в том, чтобы координировать эти элементы — от крупномасштабных аккумуляторных ферм до солнечных панелей на крыше и зарядных устройств электромобилей — так, чтобы вся сеть работала вблизи своего теоретического оптимума. В этой статье рассматриваются принципы, методы и практические применения оптимального управления в области хранения и распределения энергии интеллектуальных сетей, опираясь на современные исследования и отраслевые практики.

Понимание оптимального управления в интеллектуальных сетях

Оптимальный контроль — это раздел теории управления, который стремится определить политику управления, которая минимизирует или максимизирует заданную объективную функцию на временном горизонте. В контексте интеллектуальных сетей цель обычно включает в себя минимизацию эксплуатационных расходов, снижение потерь энергии, максимизацию использования возобновляемой генерации и обеспечение качества электроэнергии. Решения по управлению включают в себя установление скорости заряда и разряда для систем хранения энергии, корректировку выходных данных распределенных генераторов и управление потоком электроэнергии через сети передачи и распределения.

Что отличает управление интеллектуальными сетями от обычной работы энергосистемы, так это высокая степень неопределенности и изменчивости. Солнечная и ветровая генерация колеблются с погодой, модели нагрузки непредсказуемо меняются, а отказы оборудования могут каскадироваться. Поэтому оптимальные методы управления должны быть надежными, адаптивными и способными включать прогнозы и измерения в режиме реального времени. Они также должны учитывать физические ограничения, такие как пропускная способность линий, пределы напряжения и скорость деградации батареи.

Роль энергохранилища

Хранение энергии является основой оптимального управления смарт-сетью. Батареи, гидроаккумуляторы и новые технологии, такие как проточные батареи и хранение сжатого воздуха, позволяют хранить избыточную энергию из возобновляемых источников, когда генерация превышает спрос и высвобождается при необходимости. Оптимальный контроль определяет оптимальный график зарядки / разрядки, учитывая такие факторы, как цены на электроэнергию, состояние батареи и текущая нагрузка сети.

Без интеллектуального управления системы хранения могут работать субоптимально — например, заряжаться во время пикового спроса, когда цены высоки, или слишком быстро разряжаться и ускорять деградацию. Расширенные стратегии управления могут продлить срок службы батареи на тысячи циклов, максимизируя экономическую ценность накопленной энергии.

Оптимизация распределительной сети

Помимо хранения, оптимальное управление распространяется на саму распределительную сеть. Управление напряжением и реактивной мощностью, реконфигурация питателя и управление нагрузкой трансформатора - все это выигрывает от оптимизации. Например, регулируя краны на трансформаторах или выход интеллектуальных инверторов на солнечных панелях, контроллеры могут удерживать напряжения в рамках стандартов ANSI, минимизируя потери линии. Это особенно важно, поскольку распределенные энергетические ресурсы размножаются, создавая двунаправленные потоки энергии, которые бросают вызов традиционным схемам защиты.

Ключевые компоненты оптимальных стратегий контроля

Внедрение оптимального управления в интеллектуальных сетях включает в себя несколько взаимосвязанных компонентов. Каждый из них играет особую роль в преобразовании задач высокого уровня в действенные команды для сетевых активов.

Управление энергетическим хранением

Этот компонент решает, когда и сколько энергии хранить или выпускать из аккумуляторных систем, принимая во внимание состояние заряда, эффективность, продолжительность жизни и экономические сигналы. Типичная проблема оптимального управления для батареи сводит к минимуму сумму затрат на зарядку и штрафы за старение, с учетом ограничений по мощности и энергетическому балансу. Модель Predictive Control (MPC) часто решает эту проблему с помощью горизонта качения, корректируя решения по мере поступления новых прогнозов.

Балансировка нагрузки

Балансировка нагрузки гарантирует, что электроснабжение соответствует спросу в разных регионах и временных масштабах. Контроллеры используют сигналы реагирования на спрос, тарифы на время использования и цены в реальном времени для перемещения гибких нагрузок (таких как зарядка электромобилей или промышленные процессы) в те времена, когда возобновляемая генерация в изобилии. Оптимальные алгоритмы управления координируют эти сдвиги, чтобы избежать перегрузок и снизить пиковые затраты на спрос.

Возобновляемая интеграция

Прерывистые источники, такие как солнечная энергия и ветер, требуют тщательного управления для поддержания стабильности сети. Оптимальный контроль сокращает выработку возобновляемых источников энергии при необходимости (например, во время событий перегенерации) и увеличивает объемы хранения или диспетчерской генерации при падении возобновляемых источников энергии. Методы сглаживания энергии используют контроль для фильтрации быстрых колебаний, предотвращая частотные экскурсии. Согласно исследованию Национальной лаборатории возобновляемых источников энергии (NREL) [[FLT: 1]], расширенный контроль может увеличить проникновение возобновляемых источников энергии без ущерба для надежности.

Стабильность сети - Напряжение и частотный контроль

Поддержание напряжения в узких границах (±5% номинального для большинства систем) и частоты при 50/60 Гц имеет важное значение для безопасности оборудования и качества питания. Оптимальные алгоритмы управления настраивают выходы генератора, трансформаторные краны, банки конденсаторов и инверторный реактивный впрыск мощности для достижения этих целей. В островных микросетях первичные и вторичные петли управления работают вместе для восстановления частоты после помех, часто используя управление сбрасыванием, усиленное оптимизацией.

Методы оптимального контроля

Для реализации оптимального управления в интеллектуальных сетях используются несколько математических рамок. Выбор зависит от временной шкалы проблемы, уровня неопределенности и вычислительного бюджета.

Модель предиктивного контроля (MPC)

MPC является одним из наиболее широко используемых методов оптимального управления в энергетических системах. Он использует динамическую модель сети для прогнозирования будущих состояний (например, нагрузки, возобновляемой генерации, цен) на конечном горизонте, затем решает проблему оптимизации на каждом этапе для определения лучших действий управления. Применяется только первое действие; процесс повторяется с обновленными измерениями. MPC может обрабатывать ограничения явно и естественно подходит для систем с задержками и многовходовыми многовыходными взаимодействиями. Например, исследование , опубликованное в Renewable and Sustainable Energy Reviews, показало, что MPC для хранения аккумуляторов снизил эксплуатационные расходы на 15% по сравнению со стратегией, основанной на правилах.

Динамическое программирование

Динамическое программирование (DP) решает оптимальные задачи управления, разбивая их на более простые подзадачи (принцип оптимальности Беллмана). Хорошо работает для проблем с дискретными состояниями и действиями, такими как решения о заряде/разряде с фиксированными интервалами времени. Однако DP страдает от «проклятия размерности», когда пространство состояний становится большим, ограничивая его прямое применение системами со многими блоками хранения или непрерывными переменными. Приблизительное динамическое программирование и обучение усилению предлагают способы масштабирования DP для более крупных приложений смарт-сетей.

Усиление обучения (RL) и глубокое обучение (Dep RL)

Усиление обучения позволяет агенту изучать оптимальную политику управления посредством проб и ошибок взаимодействия с окружающей средой. В интеллектуальных сетях RL-агенты могут быть обучены на исторических данных или в симуляции для принятия решений в реальном времени для отправки хранения, ответа на спрос и управления напряжением. Глубокие нейронные сети приближаются к оптимальной функции или политике значения действия. Основным преимуществом RL является его способность адаптироваться к неизвестной динамике и нестационарным условиям. Исследования из архивов препринтов arXiv показывают, что контроллеры глубокого обучения подкрепления могут превзойти MPC, когда модель несовершенна.

Большая интеграция возобновляемых источников энергии снижает зависимость от пиковых установок на ископаемом топливе, сокращая выбросы CO2. Оптимальный контроль также облегчает электрификацию транспорта и отопления путем координации зарядных станций и тепловых насосов с возобновляемой генерацией. Согласно эквивалентности EPA, каждый киловатт-час возобновляемой энергии, которая заменяет электричество на угле, позволяет избежать примерно одного килограмма выбросов углекислого газа.