Фазорные методы в развитии микросетей

Интеграция возобновляемых источников энергии

Возобновляемые DER вводят изменчивость и неопределенность. Выход солнечных фотоэлектрических установок может изменяться на 70% за минуты из-за облаков; энергия ветра колеблется с порывами. Эти колебания вызывают мерцание напряжения, отклонения частоты и обратные потоки энергии, которые подчеркивают традиционное оборудование управления. Фазорные методы помогают двумя ключевыми способами: во-первых, измерения фазора в реальном времени с точки соединения возобновляемой установки позволяют контроллеру микросети предвидеть и компенсировать быстрые изменения с использованием быстро реагирующего хранилища или ответа на спрос. Во-вторых, оценка состояния на основе синхрофазора может определить максимально допустимое проникновение возобновляемых источников энергии без нарушения пределов стабильности напряжения. Например, исследование Национальной лаборатории возобновляемой энергии (NREL) показало, что развертывание μPMU в распределительном фидере с высоким проникновением фотоэлектрических элементов снизило потребность в консервативных эксплуатационных ограничениях на 15-20%, что позволяет безопасно собирать больше солнечной энергии (Технический отчет NREL, 2019]. Кроме того, данные фазора помогают идентифицировать гармонические резонансные условия, вызванные переключением

Теоретические преимущества методов фазора были подтверждены в ходе многочисленных пилотных проектов и эксплуатационных микросетей. Примечательным примером является Университет Техаса в Austin Microgrid, который интегрирует газовую турбину мощностью 4,5 МВт с 2 МВт солнечной фотоэлектрической энергии и аккумуляторной батареи. Установленные на ключевых узлах PMU обеспечивают 60 образцов в секунду данных, которые подаются в цифровой симулятор реального времени, используемый для тестирования схем защиты аппаратного обеспечения в цикле. Эта установка сократила время выявления и устранения неисправностей шины с 200 мс до 80 мс. [[IEEE Access, 2018]] . Другая реализация в островной микросети Borrego Springs, California, использует синхрофазоры для координации дизель-генераторов с солнечной фермой мощностью 26 МВт и аккумуляторным хранилищем. Управление углами фаз из данных PMU предотвращает циркулирующие токи между параллельными инверторами и

Преимущества, наблюдаемые в ходе таких развертываний, включают:

• Повышение стабильности и надежности системы — минимизация переходных частотных отклонений и провисания напряжения.
• Улучшение мониторинга и контроля в реальном времени — подсекундная видимость ранее невидимой динамики.
• Быстрая реакция на системные возмущения — Автоматизированное корректирующее действие на основе фазорных триггеров.
• Лучшая интеграция возобновляемых источников энергии — более высокое проникновение без скомпрометированной стабильности.
• Сокращение эксплуатационных расходов — снижение расхода топлива, отсроченные обновления и меньшее количество отключений.

Кроме того, данные, собранные из ПМУ, поддерживают долгосрочное планирование: анализ годов синхрофазных записей помогает определить модели роста нагрузки, тенденции деградации DER и оптимальные места для новых активов, тем самым максимизируя отдачу от инвестиций.

«Фазорные измерительные устройства для энергосистемы — это то, что GPS было для навигации — они дают нам общую, точную временную отсылку, которая открывает беспрецедентную точность в мониторинге и контроле». — Доктор Марк Ахлстрем, бывший президент Североамериканской синхрофазорной инициативы (NASPI)

Проблемы и ограничения

Несмотря на их неоспоримые преимущества, широкое внедрение фазорных технологий в микросетях сталкивается со значительными препятствиями. Признание этих проблем имеет важное значение для реалистичных стратегий развертывания и непрерывных инноваций.

Стоимость и инфраструктура

В то время как затраты на микросетевые системы снизились до нескольких тысяч долларов за единицу, оснащение десятков узлов в типичной микросети по-прежнему требует значительных капитальных вложений. Установка включает в себя модернизацию существующих распределительных устройств с трансформаторами напряжения и тока, совместимыми с входами PMU, а также развертывание антенн GPS и коммуникационных кабелей. Во многих устаревших схемах распределения необходимые потенциальные трансформаторы (PT) и трансформаторы тока (CT) могут быть недоступны, добавляя косвенные затраты. Кроме того, инфраструктура хранения данных и вычислительная инфраструктура, необходимая для обработки высокоскоростных фазорных потоков, может напрягать бюджеты небольших или сельских операторов микросетей. Программа микросетей Министерства энергетики США поддерживает проекты, которые демонстрируют анализ затрат и выгод, показывая, что для микросетей мощностью более 5 МВт возврат инвестиций от предотвращенных отключений и повышения эффективности может превышать 20% в год, но для небольших систем период окупаемости может быть слишком длинным, чтобы оправдать (DOE Office of Electricity, Microgrid Overview) .

Управление данными и кибербезопасность

Один PMU, генерирующий 60 фазоров в секунду на канал, с до 12 каналами, производит примерно 1 ГБ данных в день — управляемый для одного устройства, но быстро масштабируемый для микросети с 20 PMU. Обработка, хранение и передача этих данных надежно требует надежных ИТ-сетей и методов сжатия данных. Задержки связи и потери пакетов могут ухудшить качество оценок фазора, что приводит к ложным сигналам тревоги или пропущенным событиям. Кроме того, повышенная связь и зависимость от синхронизации времени подвергают микросети кибератакам: поддельные сигналы GPS могут повреждать временные метки, вводить ошибочные фазовые углы; злонамеренный актер может вводить поддельные данные PMU для введения в заблуждение контроллеров. Стандарт IEEE C37.118 включает в себя базовую аутентификацию, но более продвинутые меры кибербезопасности — такие как зашифрованная передача, алгоритмы обнаружения аномалий и избыточные источники времени — являются областями активных исследований и должны быть частью любого серьезного плана развертывания.

Точность и калибровка в распределительных системах

ПМУ, предназначенные для систем передачи, предполагают ближние к синусоидальным формам волны и высокие отношения сигнал-шум. В микросетях уровня распределения формы волны могут быть искажены гармониками, межгармоничными и переходными шипами от силовой электроники и нелинейных нагрузок. Эти условия ухудшают точность обычных фазорных оценок на основе DFT. Адаптивные алгоритмы, использующие динамические фазорные модели (например, расширения серии Тейлора) или фильтрацию Калмана, работают лучше, но требуют больше вычислительных ресурсов. Калибровка этих инструментов в полевых условиях также более сложна, поскольку величина и фазовые ссылки на уровнях напряжения распределения не так хорошо установлены, как для передачи. Текущая работа по стандартам органов, таких как IEEE Synchrophasor Standards Working Group, направлена на определение классов точности, подходящих для приложений распределения, которые помогут производителям и пользователям установить реалистичные ожидания производительности.

Будущие направления и исследовательские рубежи

Эволюция фазорных технологий ускоряется, что обусловлено достижениями в области вычислительной техники, связи и искусственного интеллекта. Следующие области обещают преодолеть существующие ограничения и углубить влияние технологии синхрофазоров на микросети.

Доступные PMU и Edge Computing

Исследователи разрабатывают недорогие реализации PMU с использованием программно-определяемых радиоплатформ (SDR) и алгоритмов с открытым исходным кодом, работающих на одноплатных компьютерах, таких как Raspberry Pi. Эти «мягкие PMU» могут достигать точности измерений, сопоставимой с коммерческими инструментами, за небольшую часть стоимости, делая фазорный мониторинг доступным для академических лабораторий и небольших микросетей. В сочетании с периферийными вычислениями локальные данные PMU могут обрабатываться в режиме реального времени для выполнения действий управления, не полагаясь на централизованный PDC. Это снижает требования к задержке и пропускной способности связи, а также повышает кибербезопасность, сохраняя критические решения локальными. Концепция edge-PMU тестируется на местах в нескольких европейских проектах интеллектуальных сетей, с результатами, показывающими время обнаружения ошибок менее 20 мс с использованием недорогого оборудования.

Искусственный интеллект и машинное обучение

Наборы данных фазора богаты пространственно-временной информацией, которую традиционные алгоритмы на основе пороговых значений не могут полностью использовать. Методы машинного обучения, такие как сверточные нейронные сети (CNN) для распознавания образов в фазорных временных рядах или обучение с подкреплением для адаптивного управления, применяются для обнаружения начальных неисправностей, прогнозирования возобновляемых источников генерации и оптимизации отправки микросетей. Например, аутоэнкодер , обученный на нормальных данных фазора, может отмечать аномалии (например, развитие наземных неисправностей) путем измерения ошибки реконструкции. Глубокая Q-сеть (DQN) может научиться регулировать коэффициенты снижения генератора в ответ на изменение условий работы, улучшение пределов стабильности без вмешательства человека. Эти подходы, основанные на ИИ, все еще находятся на стадии доказательства концепции, но обещают значительно повысить автономность и интеллект микросетей.