Коллектив ученых из Университета Стратклайда в Глазго разработал и детально проанализировал новый подход к оценке экономической целесообразности «умных» энергетических систем еще на этапе их проектирования. Исследование, центральным элементом которого стал проект по производству зеленого водорода, демонстрирует, как точное цифровое моделирование позволяет инвесторам и операторам принимать взвешенные решения, избегая излишних затрат и максимизируя потенциальную выгоду от интеграции возобновляемых источников энергии.
В условиях глобального энергоперехода, когда происходит массовое внедрение распределенной генерации, такой как ветряные и солнечные электростанции, а также рост спроса на электроэнергию для тепловых насосов, электромобилей и декарбонизации промышленности, традиционные подходы к управлению энергосетями становятся неэффективными. Решением этой проблемы являются так называемые «умные» локальные энергосистемы – SLES, которые объединяют производство, потребление, накопление энергии и управление спросом в единый оптимизированный комплекс. Такие системы, управляемые с помощью технологий виртуальных электростанций – VPP, способны не только минимизировать затраты на импорт энергии, но и генерировать дополнительный доход, предоставляя услуги по балансировке сети и экспортируя излишки. Однако внедрение «умных» элементов управления само по себе требует инвестиций, и ключевой вопрос для любого проекта – окупится ли эта сложность?
Исследователи задались целью найти оптимальный метод предварительной оценки, который был бы достаточно точным, чтобы отразить реальную динамику рынка и работы оборудования, но при этом достаточно быстрым для практического применения на стадии планирования. Слишком упрощенная модель может дать неверные финансовые прогнозы, а чрезмерно сложная потребует огромных вычислительных ресурсов и времени, что делает ее непригодной для оперативного анализа различных сценариев.
В рамках проекта ERANET SIES2022 ученые предложили использовать для оценки на этапе планирования алгоритмы, по своей структуре и сложности очень близкие к тем, которые будут управлять реальными активами в режиме реального времени. В качестве испытательного полигона была выбрана модель завода по производству зеленого водорода. Эта система включала в себя электролизер мощностью 1 МВт, ветряную турбину, солнечную ферму, аккумуляторную батарею емкостью 2 МВт·ч и хранилище водорода. Задача моделирующей системы заключалась в том, чтобы выполнить суточный план по производству водорода с минимальными затратами, интеллектуально решая, когда использовать энергию от ВИЭ, когда заряжать или разряжать аккумулятор, а когда – покупать электричество из общей сети по рыночным ценам.
Основным инструментом стал метод оптимизации со «скользящим горизонтом», который позволяет системе «заглядывать в будущее» на определенный период – например, на 24, 48 или 72 часа – и на основе прогноза погоды, спроса и цен на энергию принимать наилучшее решение для следующего временного шага, постоянно обновляя свой прогноз. Результаты показали, что такой динамический подход значительно превосходит простые модели с фиксированным порядком приоритетов, где решения принимаются по жестко заданным правилам, например, «сначала использовать всю доступную солнечную энергию, затем ветровую». «Умная» оптимизация позволила существенно сократить годовые операционные расходы.
Исследование также выявило несколько ключевых нюансов. Оказалось, что увеличение горизонта планирования с 24 до 48 часов дает заметное улучшение в эффективности использования накопителей энергии, позволяя системе принимать более дальновидные решения. Дальнейшее же расширение горизонта, например, до 72 часов, уже не приносило существенной выгоды, но значительно увеличивало время расчетов. Таким образом, был найден оптимальный баланс между точностью и вычислительной скоростью. Кроме того, было доказано, что учет в модели таких сложных факторов, как изменение КПД электролизера в зависимости от нагрузки или постепенная деградация аккумулятора при циклах заряда-разряда, критически важен для получения реалистичной экономической картины. Игнорирование этих деталей приводит к завышенным ожиданиям.
Главный вывод работы заключается в том, что для оценки и последующего управления «умными» локальными энергосистемами можно и нужно использовать единую, гибкую и мощную платформу моделирования. Такой подход обеспечивает преемственность между этапами планирования, стратегической корректировки уже работающего объекта и оперативного управления в реальном времени. Он дает инвесторам и инженерам надежный инструмент для проверки гипотез и выбора оптимальной конфигурации оборудования еще «на бумаге», что снижает риски и повышает финансовую отдачу от капиталовложений в зеленую энергетику, делая переход к низкоуглеродной экономике более предсказуемым и эффективным.