Nowe narzędzia poprawiają dokładność krótkoterminowych prognoz dotyczących odnawialnych źródeł energii
Choć odnawialne źródła energii (OZE) stanowią coraz większą część koszyka energetycznego w wielu państwach Europy, ich nieprzewidywalność stanowi duże wyzwanie operacyjne. Kluczem do bezpieczeństwa i sprawności systemów elektroenergetycznych opartych w znaczącym stopniu na OZE jest poprawa krótkoterminowego prognozowania możliwości wytwarzania energii oraz potencjalnej wydajności tych źródeł. Zespół finansowanego ze środków Unii Europejskiej projektu Smart4RES miał na celu stawienie czoła tym wyzwaniom dzięki zastosowaniu holistycznego podejścia. „Wypracowane przez nasz zespół podejście obejmuje cały model i łańcuch wartości związany z prognozowaniem wydajności wytwarzania energii z OZE, od prognozowania pogody po rozwiązania dla użytkowników końcowych”, wyjaśnia George Kariniotakis, koordynator projektu. „Naszym celem było opracowanie nowatorskich usprawnień i nowych rozwiązań w zakresie prognozowania wydajności odnawialnych źródeł energii – nie chcieliśmy ograniczać się wyłącznie do drobnych ulepszeń istniejących rozwiązań”.
Nowe możliwości dotyczące czasu i przestrzeni
Celem, jaki postawił sobie zespół projektu Smart4RES, było opracowanie i zweryfikowanie narzędzi nowej generacji w celu poprawy dokładności prognozowania wydajności OZE o co najmniej 15 %. Skupiając się na tym celu, partnerzy skupieni wokół projektu pracowali nad ulepszeniem numerycznych modeli prognozowania pogody dla sektora energetyki odnawialnej, łączących dane satelitarne oraz obrazowanie nieba. „Opracowaliśmy symulację dużych wirów w ultrawysokiej rozdzielczości, która pozwala nam na opracowywanie lokalnych prognoz pogody. Aby poprawić przewidywanie zmiennych pogodowych, po raz pierwszy wykorzystaliśmy sieć kamer monitorujących niebo, rozmieszczonych na dużym obszarze – to rozwiązanie stanowi rozwinięcie tradycyjnej metody polegającej na użyciu jednej kamery dla danego obszaru”, wyjaśnia Kariniotakis. „Wykorzystanie obrazów z kamer monitorujących niebo w celu przewidywania dostępności energii słonecznej przełożyło się na poprawę dokładności o 20 %, zwłaszcza w przypadku prognoz 15- i 30-minutowych. „Opracowaliśmy również płynny model prognozowania, który stanowi uproszczenie konwencjonalnych łańcuchów modeli – stanowi pojedynczy, ciągły model umożliwiający probabilistyczne prognozowane produkcji energii słonecznej i wiatrowej w zakresie od kilku minut do kilku dni. Metoda ta radykalnie zmniejsza zapotrzebowanie na moc obliczeniową o 99 %, zapewniając jednocześnie wyniki porównywalne z istniejącymi modelami”, dodaje Kariniotakis. Ponadto, aby poprawić dokładność krótkoterminowych prognoz i przewidywań, badacze opracowali metody udostępniania danych między różnymi instalacjami i producentami wykorzystującymi energię odnawialną, dbając o zachowanie prywatności i bezpieczeństwa informacji. Takie rozwiązanie pozwoliło na poprawę dokładności prognoz nawet o 20 % w przypadku ram czasowych do 6 godzin.
Bardziej wartościowe prognozy i wsparcie decyzyjne
W ramach projektu opracował najnowocześniejszy prototyp rynku danych pozwalających na gromadzenie oraz udostępnianie danych z rozproszonych źródeł, oparty na nowych algorytmach i modelach biznesowych. „Nowy system zapewnia więcej niż tylko większą dokładność – pozwala na czerpanie korzyści z danych, co prowadzi do usprawniania procesu prognozowania na potrzeby wytwarzania energii odnawialnej”, stwierdza Kariniotakis. „Podejmowanie decyzji dotyczących włączenia OZE do systemów energetycznych i wprowadzania ich na rynki może być znacznie sprawniejsze dzięki lepszym prognozom oraz automatycznemu sterowaniu autonomicznymi systemami energetycznymi, nowym usługom magazynowania, rynkowi energii odnawialnej opartemu na danych oraz lokalnym algorytmom sterowania, które poradzą sobie z przeciążeniami sieci. Udało nam się na przykład zmniejszyć o 30 % koszty aktywacji elastyczności ponoszone przez operatorów sieci elektroenergetycznych”. „Aby uprościć realizację rozwiązań względem konwencjonalnych systemów opartych na sekwencji prognozowania i optymalizacji, nasz zespół opracował preskryptywne podejście analityczne, oparte na interpretowalnej sztucznej inteligencji, które usprawnia proces analizy dostępnych danych i podejmowania decyzji”, dodaje Kariniotakis.
Weryfikacja modeli w rzeczywistych warunkach
Partnerzy projektu połączyli nowe metody prognozowania pogody z modelami operacyjnymi wykorzystywanymi przez organizacje Meteo-France i Whiffle. Ulepszone modele zostały porównane z prognozami komercyjnymi i wykorzystane do oceny kluczowych wskaźników efektywności dotyczących handlu OZE na rynkach energii elektrycznej. Badacze przetestowali również strategie kontroli częstotliwości dla niezależnych systemów energetycznych, wykorzystując symulacje wysokiego wykorzystania OZE w czasie rzeczywistym. Prace zakończyła analiza kosztów i korzyści wynikających z prognozowania OZE oraz narzędzi wspomagających podejmowanie decyzji. Celem tych prac było wskazanie najbardziej efektywnych zbiorów źródeł danych i zrozumienie korzyści wynikających z zaawansowanych systemów wspomagania decyzji. Wśród przykładów podawanych przez zespół znalazła się możliwość opóźnienia modernizacji sieci poprzez inteligentne zarządzanie lokalną elastycznością. „Położyliśmy podwaliny pod zaawansowane narzędzia prognostyczne na potrzeby wytwarzania energii z OZE, które są zależne od pogody. Te nowatorskie narzędzia mają na celu złagodzenie skutków nieciągłości dostępności odnawialnych źródeł energii w systemach elektroenergetycznych, które opierają się na nich w dużym stopniu. Wszystko to dzięki nowym możliwościom prognozowania, które obejmują zakresy czasowe od kilku minut do ponad 10 dni, a także skale przestrzenne obejmujące zarówno pojedyncze instalacje OZE, aż po szczeble regionalny lub krajowy”, podsumowuje Kariniotakis.
Słowa kluczowe
Smart4RES, prognozowanie pogody, podejmowanie decyzji, prognozy krótkoterminowe, odnawialne źródła energii, udostępnianie danych, rynki danych, zarządzanie systemem energetycznym, handel energią
