Publication details
Abstracts and keywords
Aktualnie jednym z głównych wyzwań polskiego systemu elektroenergetycznego jest możliwość absorbcji maksymalnej mocy i energii elektrycznej ze źródeł odnawialnych, bez stosowania dla nich ograniczeń. Ewolucja charakteru pracy sieci elektroenergetycznej czasowo zdominowanej przez źródła OZE na różnych poziomach napięć równocześnie, wpływa na parametry techniczne świadczenia usługi dystrybucyjnej energii elektrycznej. W konsekwencji następuje zmiana warunków napięciowych funkcjonowania sieci elektroenergetycznej dla wytwórców, odbiorców końcowych i prosumentów. Masowy przyrost odnawialnych źródeł energii na poziomie niskiego napięcia wskazuje na potrzebę znalezienia rozwiązania umożliwiającego bilansowanie mocy w tych obwodach. W ramach dysertacji została zaprezentowana innowacyjna, autorska metoda zarządzania pracą sieci niskiego napięcia z wykorzystaniem układów przekształtnikowych mocy AC/DC. Za sterowanie optymalnymi przepływami mocy w sieci nN odpowiedzialny jest mikrokontroler, który wykonuje predykcję regresyjnej wartości mocy czynnej dla układu energoelektronicznego oraz predykcję klasyfikacji położenia przekładni transformatora SN/nN. Przedstawiony sposób sterowania pracą sieci niskiego napięcia wpisuje się w projektowane przez Unię europejską regulacje prawne świadczenia usługi elastyczności sieci na rzecz Operatorów Systemu Dystrybucyjnego. Blokowy system kontroli pracy sieci nN zbudowany jest w oparciu o cztery dedykowane algorytmy A, B, C (C1, C2) w trzech obiektach logiki. Pierwsze dwa algorytmy A i B pracują w trybie offline, zaś dwa kolejne C1 i C2 pracują w trybie online w układzie równoległym. Algorytm A opracowany został w celu identyfikacji warunków pracy i jej stanu oraz optymalnego doboru mocy i lokalizacji statycznego układu przekształtnikowego AC/DC, zaś algorytm B w celu transferu wiedzy poprzez budowę bazy danych treningowych, walidacyjnych i testowych. Algorytm C1 stanowi procedurę uruchomienia pracy układu przekształtnikowego mocy AC/DC w celu regulacji pracy sieci niskiego napięcia. Algorytm C2 stanowi procedurę podtrzymania ciągłości pracy układu przekształtnikowego mocy AC/DC w cyklu generacji mocy przez źródła OZE. Badania symulacyjne doboru i oceny maszyn uczących się płytkich i głębokich sieci neuronowych wykonano z wykorzystaniem algorytmów optymalizacyjnych A i B dla dwóch z trzech analizowanych przestrzeni badawczych sieci rzeczywistej niskiego napięcia. Zaproponowano architekturę własnych dwóch sieci konwulsyjnych dla sterowania profilem sieci populacji dziewięciu sterowań w ramach instancji pierwszej. Dla pierwszego obiektu opracowano sieć CNNr mRokNet_31, gdzie błąd MAPE predykcji wynosi maksymalnie do 0,4% dla sterowania pojedynczym układem przekształtnikowym mocy AC/DC. W przypadku drugiego obiektu maszyna CNNr mRokNet_35, steruje dwoma układami przekształtnikowymi mocy AC/DC, gdzie błąd MAPE predykcji dla AC/DC1 wynosi maksymalnie do 0,59% i dla AC/DC2 wynosi maksymalnie do 0,62%. Równolegle w instancji drugiej dobrano maszyny umożliwiające predykcję klasyfikacji położenia przekładni transformatora. Uzyskane wyniki wskazują, że błąd MAPE wynosi zero. Wówczas połączenie instancji pierwszej i drugiej stanowi zespół zadań pozwalających na poprawę profilu napięciowego w sieci nN. Analizy wykonane w ramach dysertacji wskazują na skuteczne zastosowanie technologii transferu wiedzy do sztucznej inteligencji celem autonomicznego zarządzania elastycznością sieci niskiego napięcia. Na podstawie wyników badań optymalizacji rozpływu mocy przeprowadzonych na modelach rzeczywistych obiektów badawczych, dedykowane rozwiązanie oprócz rozwoju OZE umożliwia również efektywne ze względu na straty mocy czynnej zarządzanie siecią niskiego napięcia. Można zatem antycypować, iż zastosowanie sztucznej inteligencji, poprzedzone wielokryterialną optymalizacją doboru mocy i lokalizacji układu przekształtnikowego AC/DC, znajdzie w przyszłości zastosowanie w polskiej elektroenergetyce.
Currently, one of the main challenges of the Polish power system is the ability to absorb maximum power and electricity from renewable sources, without applying restrictions to them. The evolution of the nature of the operation of the power grid temporarily dominated by RES at various voltage levels simultaneously affects the technical parameters of the provision of the electricity distribution service. As a consequence, there is a change in the voltage conditions of the operation of the power grid for producers, end users and prosumers. The massive increase in renewable energy sources at the low voltage level indicates the need to find a solution to balance power in these circuits. As part of the dissertation, an innovative, proprietary method of managing the operation of low-voltage networks with the use of AC/DC power converter systems was presented. The microcontroller is responsible for controlling the optimal power flows in the LV network, which predicts the regressive value of active power for the power electronics system and predicts the classification of the MV/LV transformer ratio. The presented method of controlling the operation of the low-voltage network is in line with the legal regulations drafted by the European Union for the provision of the network flexibility service to the Distribution System Operators. The block system for controlling the operation of the LV network is built on the basis of four dedicated algorithms A, B, C (C1, C2) in three logic objects. The first two algorithms A and B work offline, while the next two, C1 and C2, work online in parallel. Algorithm A was developed to identify the operating conditions and its state as well as optimal power selection and location of the static AC/DC converter system, while algorithm B was developed to transfer knowledge by building a training, validation and test database. The C1 algorithm is a procedure for starting the operation of the AC/DC power converter system in order to regulate the operation of the low voltage network. The C2 algorithm is a procedure for maintaining the continuity of operation of the AC/DC power converter system in the cycle of power generation by RES. Simulation studies of the selection and evaluation of machines learning shallow and deep neural networks were carried out with the use of optimization algorithms A and B for two of the three analysed research spaces of the real low-voltage network. The architecture of own two convulsive networks was proposed for controlling the network profile of the population of nine controls within the first instance. For the first object, the CNNr mRokNet_31 network was developed, where the MAPE prediction error is up to 0.4% for controlling a single AC/DC power converter system. In the case of the second object, the CNNr mRokNet_35 machine controls two AC/DC power converter systems, where the MAPE prediction error for AC/DC1 is up to 0.59% and for AC/DC2 it is up to 0.62% At the same time, in the second instance, machines were selected to predict the classification of the transformer gear position. The obtained results indicate that the MAPE error is zero. Then, the combination of the first and second instances constitutes a set of tasks allowing for the improvement of the voltage profile in the LV network. The analyses carried out as part of the dissertation indicate the effective application of knowledge transfer technology to artificial intelligence for the purpose of autonomous management of low-voltage network flexibility. Based on the results of power flow optimization studies carried out on real research facilities, the dedicated solution, in addition to the development of RES, also enables low-voltage grid management, effective in terms of active power losses. Therefore, it can be anticipated that the use of artificial intelligence, preceded by multi-criteria optimization of the power selection and location of the AC/DC converter system, will find application in the Polish power industry in the future.
