Vědci v Jižní Koreji vyvinuli předpovědní model pro lepší řízení elektrických sítí s vysokou penetrací přerušovaných obnovitelných zdrojů. Model se testoval pomocí historických dat ze sítě Pennsylvania-New Jersey-Maryland (PJM) ve Spojených státech. A ukázalo se, že

Vědci v Jižní Koreji vyvinuli předpovědní model pro lepší řízení elektrických sítí s vysokou penetrací přerušovaných obnovitelných zdrojů. Model se testoval pomocí historických dat ze sítě Pennsylvania-New Jersey-Maryland (PJM) ve Spojených státech. A ukázalo se, že přesně předpovídá dostupnost obnovitelných zdrojů energie až jeden den předem.

Vzhledem k tomu, že obnovitelné zdroje energie mají představovat vyšší podíl dodávek energie, problém přerušované a obtížně předvídatelné výroby ze slunce a větru se stává větším problémem pro provozovatele sítí, kteří mají za úkol zajistit nepřetržité dodávky energie.

Zatímco skladování energie má představovat velkou část řešení tohoto problému, cenné mohou být i jiné přístupy k řízení produkce obnovitelných zdrojů. Ty by mohly být ještě efektivnější s přidanou schopností předvídat výstup systému obnovitelné energie, byť jen pouhých několik hodin předem.

A to je to, čeho se vědci pod vedením Chung-Ang University v Jižní Koreji rozhodli dosáhnout, když vyvinuli předpovědní model pro předpovídání výstupu obnovitelné energie a dalších nejistých parametrů, které pomohou provozovat síť optimálně a ziskově pro generátory energie.

Přerušované obnovitelné zdroje

„Navrhovaná metoda předpovědi řízená daty využívá model dlouhodobé krátkodobé paměti (LSTM), umělou neuronovou síť se zpětnovazebním připojením. Jeho hyperparametry se optimalizují pomocí genetického algoritmu-adaptivního algoritmu optimalizace roje částic (GA-AWPSO). Zatímco globální mechanismus pozornosti (GAM) identifikuje důležité vlastnosti z dat vstupních parametrů,“ vysvětluje Chung-Ang profesor Mun Kyeom Kim. Ten popisuje matematiku svým modelem. ,,Oba tyto algoritmy mohou pomoci překonat omezení konvenčních metod. A také zlepšit přesnost a efektivitu předpovědi modelu LSTM."

Model má také schopnost zohlednit nejistoty na straně poptávky a cen. Jeho fungování se plně popsalo v článku ,,Nový předpovědní model založený na hlubokém učení optimalizovaný heuristickým algoritmem pro energetický management mikrosítě", publikovaný v Applied Energy.

Výzkumníci testovali svou práci pomocí dat z propojovací sítě PJM. Ta pokrývá část Spojených států, a zjistili, že byla přesnější než stávající modely sítě. A to zejména při předpovídání solárního FV výkonu. „Urychlí to integraci obnovitelných zdrojů do napájecích sítí a zároveň umožní operátorům MG řešit každodenní problémy energetického managementu,“ uvedl Kim. ,,V konečném důsledku to může otevřít dveře zdrojům elektřiny s nulovými emisemi. Díky kterým se uhlíková neutralita do roku 2050 stane realistickým cílem."

Zdroj: pv-magazine, Vapol