За последние два десятилетия достижения в области коммуникационных и информационных технологий, включая интернет вещей, 5G, облачные вычисления и аналитику больших данных, кардинально изменили работу электросетей. Искусственный интеллект (AI) трансформирует энергосистемы, делая их «умнее» и эффективнее, его использование позволяет принимать более обоснованные решения, оптимизировать работу сети и эффективно реагировать на динамические изменения спроса и предложения электроэнергии. Прогнозирование позволяет предсказать будущий спрос на нагрузку или тенденции в выработке электроэнергии путем анализа исторических данных, метеорологической информации и трендов в потреблении.
В статье группы китайских авторов (Ди Ши, Руоюнь Ху, Юнхуань Ву, Хуадун Цю, Чао Ян, Мэнъян Ню, Янь Синь, Ян Ян, Чживэй Ван, Юбин Хэ, Гуаньчжэнь Ву, Сяои Фань и Цзянчуань Лю), опубликованной в журнале IEEE Power & Energy (т. 22, № 6 за 2024 год), описано применение AI для прогнозирования, диспетчеризации и управления электросетями на примерах из Китая.
Традиционные методы прогнозирования (экстраполяция трендов, регрессионные модели и экспертные оценки) отлично справляются с обработкой простых пакетов данных, но в процессе управления современными электросетями они сталкиваются со значительными проблемами. Одна из них – это большой объём обрабатываемых данных: по состоянию на 2023 год Государственная электросетевая компания Китая (SGCC) управляла сетью, в которой размещено 540 млн интеллектуальных счетчиков (для сравнения, в США таких счетчиков насчитывается 128 млн).
В статье описаны методы использования AI для прогнозирования выработки и потребления энергии с учетом ВИЭ, электромобилей и изменения погоды.
Глубокое обучение с подкреплением
В статье описаны результаты применения AI для быстрого и безопасного распределения ресурсов и балансировки сети в условиях нестабильной генерации на основе глубокого обучения с подкреплением (DRL). Этот подход, по утверждению авторов, эффективен в управлении сетями, демонстрирует высокую адаптивность, эффективность и масштабируемость.
Многообещающим решением является DRL, основанное на знаниях (Knowledge-Informed DRL, KI-DRL), которое сочетает нейросеть с интегрированными физическими знаниями об энергосистеме, что гарантирует соответствие действий протоколам безопасности.
В ходе операции агент DRL оценивает планируемое действие в сети, при нарушении им каких-либо стандартов безопасности оно перенаправляется в модуль уровня безопасности, который корректирует действие до приемлемого уровня. После идентификации этого действия как безопасного оно выполняется в энергосистеме. Агент получает обратную связь, которая включает результат действия для энергосистемы и "вознаграждение" за действие. Такая процедура повышает эксплуатационную безопасность агента в решениях по энергосистемам и улучшает качество обучения, превосходя традиционные подходы DRL.
Описанные технологии успешно работают в реальных энергосетях Китая на платформе Grid Mind.
Кейс 1: Провинциальная энергосистема
Платформа Grid Mind обеспечивает управление уровнями напряжения, перетоками мощности и снижением потерь в крупной энергетической зоне, включающей ВИЭ. В 2019 году Grid Mind была запушена в провинциальной энергосистеме – одной из 28 зон Государственной электросети Китая, – включающей 50 подстанций, 12 электростанций и около 100 линий электропередач, в которой размещена генерирующая мощность 5,8 ГВт при пиковой нагрузке 3,5 ГВт.
Grid Mind обменивается данными с системой управления энергопотреблением (EMS), а её решения по управлению оцениваются системой автоматического управления напряжением (AVC). Благодаря параллельному анализу обеих систем, Grid Mind предоставляет операторам системы критически важные сведения, обеспечивая возможность в реальном времени балансировать и выбирать решения между регулированием напряжения, управлением перетоком мощности и минимизацией потерь на фоне неопределенностей системы.
На Рисунке 1 изображены модули системы и их взаимодействие, показана способность агентов AI получать начальное обучение (как в автономном режиме, так и с помощью экспертов) перед развертыванием в реальном времени. После активации эти агенты могут предоставлять операторам системы необходимую поддержку принятия решений в течение долей секунды.
Платформа решала разнообразные задачи управления и оптимизации, включая оптимизацию volt-var (режим «умных инверторов» с регулированием напряжения и реактивной мощности), настройку топологии сети, идентификацию модели генератора и нагрузки, быстрое управление перетоком оптимальной мощности и координированное управление частотой.
После автономного обучения платформа перешла в режим онлайн, быстро адаптируясь к реальным условиям. Среднее сокращение потерь во время обучения составило 3,45%, на этапе апробации этот показатель улучшился до 3,87%. Среднее время принятия решений составило менее 30 мс.
По результатам успешного тестирования Grid Mind используется в 14 диспетчерских центрах, охватывающих региональные, провинциальные и городские уровни электропередачи во всей провинции.
Кейс 2: Распределительная сеть города
Успешное применение Grid Mind в сетях электропередачи ускорило переход к управлению напряжением и реактивной мощностью и оптимизации на основе AI в распределительных сетях с большой долей ресурсов, интегрированных через инверторы (IBR) - так называемой "электронной генерации". С ростом внедрения IBR традиционные инженерные методологии управления ими сталкиваются с проблемами. Расхождение усиливается неудовлетворительным качеством данных измерений и моделей распределительной сети, что усложняет синергию между агентом AI и симулятором сети.
Для решения этой проблемы исторические данные, полученные в ходе диспетчерского управления и сбора данных, используются для обучения глубокой нейронной сети (DNN), которая действует как суррогатная модель среды в рамках DRL. DNN моделирует динамику распределительной сети с входными данными, которые состоят из напряжений шин, потоков мощности ветвей, состояния автоматических выключателей и т. д.
В 2020 году структура была развернута в городской распределительной сети из 8 крышных фотоэлектрических электростанций, которая часто сталкивается с нарушениями уровня напряжения и низкими коэффициентами мощности. Для удержания напряжения в безопасных диапазонах были выполнены корректировки работы статических компенсаторов на базе батарей конденсаторов, а также отводов трансформаторов. Оптимальная работа системы обеспечивалась за счет контроля и модулирования коэффициентов мощности. По сравнению с обычной системой автоматического управления напряжением (AVC), AI продемонстрировал повышенную эффективность в снижении потерь в системе и способность выполнять точные одноразовые управляющие воздействия, в отличие от требуемых AVC часто повторяющихся корректировок.
Выводы
Авторы отмечают, что применение AI в энергетике стало реальностью и уже сегодня повышает эффективность, надежность и устойчивость энергосистем. Нейросети продемонстрировали исключительную способность обрабатывать разнообразные и неструктурированные данные, что улучшает прогнозирование и предоставляет более глубокие знания для управления и обслуживания сетей. Описанный в статье опыт показывает, что благодаря искусственному интеллекту энергетика будущего становится не просто автоматизированной, но интеллектуальной и самостоятельно адаптирующейся к переменчивым условиям работы.
С полной версией статьи можно ознакомиться в IEEE Power & Energy, т. 22, № 6 за 2024 год.
Подготовлено АНО «Центр «Энерджинет» при поддержке Фонда НТИ и Минобрнауки России