Αφορά αγορές με κυρώσεις ανισορροπίας - Θα συμβάλει (μεταξύ άλλων) σε έναν μηχανισμό που βελτιώνει την κερδοφορία, και παρέχει σταθερή παροχή ανανεώσιμης ενέργειας στην αγορά
Η τεχνητή νοημοσύνη κάνει αισθητή την παρουσία της παντού…
Ως εκ τούτου ο τομέας των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) και συγκεκριμένα τα ηλιακά δεν θα μπορούσαν να αποτελέσουν εξαίρεση.
Επιστήμονες στην Ιαπωνία (Πανεπιστήμιο Tsukuba) χρησιμοποίησαν ένα μοντέλο τεχνητής νοημοσύνης σε ένα μόνο νοικοκυριό χρησιμοποιώντας πραγματικά δεδομένα που συλλέχθηκαν μεταξύ Απριλίου 2022 και Μαρτίου 2023.
Είναι βασισμένο σε βαθιά ενισχυτική μάθηση και δίνει τη δυνατότητα να υπολογίσουν τις αποκλίσεις μεταξύ των προγραμματισμένων και των πραγματικών όγκων παροχής ηλεκτρικής ενέργειας σε συστήματα φωτοβολταϊκών μπαταριών που λειτουργούν σε αγορές όπου οι ανισορροπίες του δικτύου τιμωρούνται.
Μέσω μιας σειράς προσομοιώσεων, διαπίστωσαν ότι η προτεινόμενη μεθοδολογία μπορεί να μειώσει τις κυρώσεις ανισορροπίας κατά περίπου 47%.
Σε τέτοιες αγορές, οι παραγωγοί ενέργειας και οι λιανοπωλητές χρεώνονται τέλη ανισορροπίας όταν η πραγματική παροχή ή ζήτηση ηλεκτρικής ενέργειας αποκλίνει από τις προγραμματισμένες τιμές.
Τα ευρήματά τους παρουσιάστηκαν στο «Imbalance-Aware Scheduling for PV-Battery Storage Systems Using Deep Reinforcement Learning», που δημοσιεύτηκε στο IEEE Access.
«Αυτή η έρευνα θα συμβάλει σε έναν μηχανισμό που βελτιώνει την κερδοφορία, αποφεύγει τις κυρώσεις ανισορροπίας και παρέχει σταθερή παροχή ανανεώσιμης ενέργειας στην αγορά.
Επιπλέον, μπορεί να θέσει τα θεμέλια για ένα σύστημα που αντιμετωπίζει τις συγκεντρωτικές οικιακές πηγές ενέργειας (όπως οι μπαταρίες αποθήκευσης και τα ηλεκτρικά οχήματα) ως μια νέα πηγή ενέργειας, προσφέροντας κοινωνικά οφέλη όπως σταθεροποιημένες τιμές ηλεκτρικής ενέργειας και μειωμένο κίνδυνο διακοπών ρεύματος», ανέφεραν οι επιστήμονες.
Στον πυρήνα του νέου συστήματος βρίσκεται ένα πλαίσιο βαθιάς ενισχυτικής μάθησης (DRL) βασισμένο στην εγγύς βελτιστοποίηση πολιτικής (PPO) που ενσωματώνει τις ποινές ανισορροπίας απευθείας στη λειτουργία ανταμοιβής του.
Αν και είναι προσαρμοσμένο στους κανόνες της αγοράς της Ιαπωνίας, οι ερευνητές σημειώνουν ότι η μέθοδος μπορεί να προσαρμοστεί σε άλλες αγορές ηλεκτρικής ενέργειας.
Η προτεινόμενη ρύθμιση περιλαμβάνει 3 βασικά στοιχεία: έναν συσσωρευτή ανανεώσιμων πηγών ενέργειας, ένα PV-BSS και μια χονδρική αγορά.
Τρόπος λειτουργίας
Το πλαίσιο συλλέγει και προβλέπει πρώτα την παραγωγή φωτοβολταϊκών για την επόμενη ημέρα χρησιμοποιώντας ένα μοντέλο εκτίμησης κατώτερου-ανώτερου ορίου (LUBE).
Ένα δίκτυο πολλαπλών επιπέδων perceptron (MLP) προβλέπει στη συνέχεια τις τιμές ηλεκτρικής ενέργειας και ανισορροπίας με βάση τα μετεωρολογικά δεδομένα και τις προβλέψεις φωτοβολταϊκών.
Χρησιμοποιώντας αυτές τις προβλέψεις, το μοντέλο DRL προγραμματίζει τους κύκλους φόρτισης και εκφόρτισης της μπαταρίας για να μεγιστοποιήσει τα έσοδα και να ελαχιστοποιήσει τις ποινές.
Κατά τη λειτουργία σε πραγματικό χρόνο, ο προγνωστικός έλεγχος μοντέλου (MPC) λειτουργεί ως επίπεδο ασφαλείας, βελτιώνοντας τις ενέργειες για να ληφθούν υπόψη οι βραχυπρόθεσμες διακυμάνσεις.
Η τελική έξοδος χρησιμοποιείται για τη διαμόρφωση της προσφοράς αγοράς για την επόμενη ημέρα.
«Άλλες υπολογιστικές μέθοδοι μπορούν να ελέγξουν την ισορροπία σε κάποιο βαθμό, αλλά δεν μπορούν να αντικατοπτρίσουν επαρκώς τις αβεβαιότητες του πραγματικού κόσμου, όπως οι ξαφνικές αλλαγές του καιρού και η σύνθετη δυναμική της αγοράς». Το πανεπιστήμιο εξήγησε. «Η νέα μέθοδος βελτιστοποιεί τη λειτουργία των συστημάτων παραγωγής ηλιακής ενέργειας και αποθήκευσης μπαταριών, ενώ παράλληλα συμμορφώνεται με τους κανόνες της αγοράς.
Η μέθοδος βασίζεται σε τεχνητή νοημοσύνη βασισμένη σε βαθιά ενισχυτική μάθηση η οποία μπορεί να χειριστεί προβλήματα που αφορούν την αβεβαιότητα».
Δοκιμή σε ένα μόνο νοικοκυριό
Η ομάδα δοκίμασε τη νέα προσέγγιση σε ένα μόνο νοικοκυριό στην πόλη Tsukuba, χρησιμοποιώντας πραγματικά δεδομένα που συλλέχθηκαν μεταξύ Απριλίου 2022 και Μαρτίου 2023.
Η εγκατάσταση περιελάμβανε μια μπαταρία 4 kWh και έναν μετατροπέα 4 kW. Τα δεδομένα για τα φωτοβολταϊκά και την πρόβλεψη τιμών χωρίστηκαν σε 70% για εκπαίδευση, 15% για επικύρωση και 15% για δοκιμές.
Η σταθερή εκπαίδευση μοντέλου επιτεύχθηκε μετά από περίπου 5.000 επεισόδια.
Οι ερευνητές ενσωμάτωσαν την ποινή ανισορροπίας στη συνάρτηση ανταμοιβής και βελτίωσαν τον έλεγχο χρησιμοποιώντας MPC, διαπιστώνοντας ότι η προτεινόμενη μέθοδος τους πέτυχε περίπου το 63% των ιδανικών καθαρών εσόδων, μειώνοντας παράλληλα τις ποινές ανισορροπίας κατά 47% σε σύγκριση με την βασική γραμμή που βασίζεται σε κανόνες και κατά 26% σε σύγκριση με το μοντέλο DRL που δεν είχε επίγνωση ανισορροπίας.
«Η υβριδική στρατηγική PPO+MPC ξεπέρασε την μεμονωμένη PPO, μειώνοντας τα συμβάντα ανισορροπίας από 140 σε 99 και βελτιώνοντας τη σταθερότητα των εσόδων.
Επιπλέον οι εποχιακές αξιολογήσεις επιβεβαίωσαν σταθερή κερδοφορία σε διαφορετικές συνθήκες», κατέληξαν οι ερευνητές.
www.worldenergynews.gr
