Масштабная интеграция ВИЭ в энергосистемы многих стран, стремящихся к декарбонизации производства электроэнергии, сталкивается с целым рядом проблем. Основным фактором риска для надежной работы энергосистем с большой долей ВИЭ является неопределенность прогнозов, вызванных стохастическим характером этого типа генерации.
Для уточнения прогнозов генерации и управления подобными системами в ряде стран активно применяется искусственный интеллект (AI). В наших предыдущих публикациях мы уже приводили примеры его использования, в частности, для управления микрогридами.
Сегодня мы хотим познакомить читателей канала с опытом разработки и применения инструментов AI для интеграции ВИЭ в Республике Корея. Стратегия этой страны по достижению углеродной нейтральности к 2050 году предполагает ускоренную электрификацию и активную интеграцию распределенных энергетических ресурсов (DER). Предполагается, что к 2050 году спрос на энергию вырастет примерно на 1257 ТВт·ч, из которых 889 ТВт·ч энергии будет вырабатываться за счет ВИЭ. В настоящее время корейская энергосистема уже питает 40 ГВт нагрузки потребителей "чистой" энергией, 14 ГВт из которых приходится на ВИЭ. К 2036 году их мощность должна достичь 108 ГВт.
Для корейской энергосистемы в полной мере характерны все эффекты, порождаемые большой долей ВИЭ: дисбаланс мощности, перегрузка линий и колебания напряжения. По данным Корейской электроэнергетической корпорации (KEPCO), в 2022 году на самом крупном корейском острове Чеджу произошло 132 сбоя в энергосистеме из-за дисбаланса мощности, при этом общее сокращение подачи энергии составило 25,6 ГВт·ч. В 2023 году южная часть материковой Кореи испытывала проблемы с объемами выработки на солнечных панелях.
В журнале IEEE Power & Energy (т. 22 № 6 за 2024 год) группой авторов (Чонхун Ли, Юнгун Чжон, Джегуль Ли, Чонхун Шин, Сынтэ Ча, Сон Юн Сон, Сангвон Мин, Джемин Мун, Кен Хур, Чонвон Чхве и Гилсу Чан) опубликовано развернутое описание технологий на основе AI, применяемых для прогнозирования, мониторинга и управления южнокорейской электросетью. Ниже приводим краткое описание некоторых из них.
Широкополосная система измерений (WAMS)
WAMS используется для идентификации неисправностей. Предыдущая система мониторинга, диспетчерского управления электросетью и сбора данных (SCADA/EMS) отличалась длительными интервалами сбора данных (4–5 с) и неточной синхронизацией времени, что затрудняло определение состояния электросети. В новой WAMS для получения точных, высокочастотных и синхронизированных по времени данных о сети (величина напряжения/тока, фазовый угол и частота) используются устройства синхронизированных векторных измерений (PMU).
В 2014 – 2020 годах на материковой части Кореи было установлено 36 PMU на 35 основных подстанциях (включая некоторые подстанции 765 кВ) вдоль линии с напряжением 345 кВ и выше. В электросети острова Чеджу с 2023 года работают 22 PMU, установленные в 20 местах, включая подстанции 154 кВ, преобразовательные станции, точки подключения системы HVDC, и островная WAMS. Она контролирует электросеть Чеджу в режиме реального времени и собирает данные с PMU для проведения мониторинга, обнаружения колебаний и оценки параметров. С каждого PMU были получены огромные объемы данных, использованные для обучения AI и определения мест неисправностей.
В настоящее время KEPCO реализует проект НИОКР по созданию широкомасштабной системы измерения и управления (WAMAC) – расширенную концепцию WAMS, которая будет охватывать около 183 подстанций, все подстанции 345 кВ и основные подстанции 765 кВ, ВИЭ и точки подключения объектов. Проект направлен на разработку усовершенствованной структуры распознавания ситуации в сети с технологией применения AI для управления широкомасштабными электросетями.
В разработанной модели идентификации неисправностей выделено шесть типов событий: отключения ответвлений, снижение мощности генерации, отключение нагрузки, неисправности линии, потери шунта и изменение напряжения на клеммах генератора. Было смоделировано 5780 случаев неисправностей, полученные в результате данные были собраны в базу и изучены с помощью машинного обучения. Проверка обученной модели показала, что новые неисправности были идентифицированы с точностью более 90% для всех шести типов событий (рисунок 1).
Система управления энергией (EMS)
Задача EMS – быстрый анализ устойчивости режима, его оптимизация с учетом топологии сети. Система ежедневно отслеживает и регулирует рабочее состояние генераторов, подстанций и линий электропередачи. Корея стала пятой страной в мире, которая успешно разработала отечественную EMS (K-EMS) и в 2014 году внедрила её в электросеть. Функции K-EMS включают автоматическое управление генерацией, прогнозирование нагрузки, расчет резервного запаса, оптимальных перетоков мощности и оценку себестоимости электроэнергии с учетом потерь.
С 2023 года Южная Корея разрабатывает интеллектуальную EMS, которая является улучшенной версией K-EMS, реализующей методы AI и больших данных. Её основными функциями являются прогнозный анализ стабильности и автоматическое управление генерацией на основе оптимизации. Прогнозный анализ упреждающе минимизирует инциденты, моделируя всю энергосистему, автоматическое управление обеспечивает точное поминутное управление каждой электростанцией посредством адаптации к изменчивости генерации ВИЭ. Как результат, в настоящее время Южная Корея имеет один из самых низких показателей отключения электроснабжения в мире, что особенно важно во время пикового летнего спроса. Основные функции существующей EMS и новые функции, введенные в интеллектуальную EMS, показаны на рисунке 2.
Для извлечения больших данных непосредственно из текущей K-EMS в Корейском институте электротехники (KERI) была дополнительно реализована виртуальная EMS. Она предоставляет данные о состоянии системы, результаты анализа статической и динамической устойчивости, данные о состоянии генераторов. EMS реализует для корейской электросети систему ситуационной осведомленности, прогнозирует уровни солнечной генерации с использованием спутниковых снимков, предоставляет индексы статической и динамической устойчивости и подходит для тестирования различных моделей управления на основе ИИ.
Моделирование энергосистемы на основе машинного обучения
Масштабное внедрение в корейскую энергосистему возобновляемой энергии вызвало обеспокоенность по поводу её стабильности. Решить потенциальные проблемы стабильности сети KEPCO планирует с помощью постройки динамических моделей возобновляемой энергии. Из-за большого количества силовых нагрузок в больших энергосистемах и их постоянного изменения моделировать и анализировать каждую нагрузку по отдельности практически невозможно. Поэтому крупномасштабные энергосистемы изучаются как агрегированные объекты, при этом ВИЭ моделируется как агрегированные электростанции. Этот подход подразумевает использование либо одного эквивалентного генератора, либо нескольких эквивалентов, образованных путем объединения инверторов одного производителя вместо моделирования каждой солнечной панели или ветрогенератора.
На рисунке 3 показана концепция агрегированной модели для электростанции на ВИЭ.
В статье также описано использование AI для контроля высоковольтных сетей постоянного тока (HVDC) с целью обнаружения отклонений от нормальных условий и восстановления управления.
Таким образом, эксплуатацию, контроль и надзор за энергосистемой, которые существенно затрудняет непредсказуемый характер возобновляемой энергии, можно значительно облегчить с помощью решений на основе искусственного интеллекта. По убеждению авторов, передовые методы AI должны помочь операторам энергосистем лучше прогнозировать нештатные ситуации и справляться с ними.
Подробнее читайте исходную статью в журнале IEEE Power & Energy (Т. 22, № 6 за 2024 год)
Подготовлено АНО «Центр «Энерджинет» при поддержке Фонда НТИ и Минобрнауки России
