Текст книги "Интеллектуальная энергетика"

Анализ динамики и перспектив развития «Умных сетей» в городе Барнауле

Сташко Василий Иванович, [email protected]

Терехина Ксения Сергеевна [email protected]

Аннотация:

В статье рассматривается работа по модернизации электрических сетей, с учетом их особенностей в Алтайском крае. Речь идет об энергосистеме г. Барнаула, которая имеет такие характерные особенности как недостаток собственного производства электроэнергии, отсутствие концентрированной потребительской нагрузки, высокую разветвленность и протяженность сети класса напряжения 110 кВ и выше, и др. В статье указаны основные направления работ по внедрению «умных» сетей в г. Барнауле, дается краткий анализ перспектив и динамики их развития.

Ключевые слова: электроэнергия, сеть, умные сети, энергосистема, потребитель, мощность, энергия, учёт, потребление.

Развитие электроэнергии играет большую роль для развитых стран. В их числе находится и Россия. С каждым годом объем потребляемой электроэнергии растет (таблица 1) [1].

Таблица 1

Фактические и прогнозные характеристики режимов потребления электрической энергии ЕЭС России

На основе анализа данных за прошлые годы, в рамках базового сценария социально-экономического развития России с учетом изменения макроэкономических показателей развития за 2019 г. и прогнозируемым снижением в 2020 году произведен прогноз спроса на электрическую энергию по ЕЭС России на период 2020–2026 годов, разработанный в рамках базового сценария.

В связи с осуществлением общенационального плана восстановления экономики прогнозируется повышенный темп прироста спроса на электрическую энергию уже к 2021–2022 годам.

Согласно данным, приведенным в Приказе Минэнерго России № 508 «Об утверждении схемы и программы развития Единой энергетической системы России на 2020–2026 годы» от 30.06.2020 г. величина спроса на электрическую энергию по ЕЭС России к концу прогнозного периода оценивается в размере 1145,135 млрд кВт/ч, что больше объема потребления электрической энергии 2019 года на 85,773 млрд кВт/ч.

В регионах происходит активная работа по модернизации сетей. Так, основываясь на нормативных документах (35-ФЗ, 69-ФЗ, 261-ФЗ, постановление № 823), 30.04.2019 был утвержден указ губернатора Алтайского края № 72 «Об утверждении схемы и программы «Развитие электроэнергии Алтайского края» на 2021–2025 гг.» (ред. От 29.04.2020 г.) [2].

Особенность энергетической системы Алтайского края и, в частности, г. Барнаула заключается в том, что генерация электроэнергии осуществляется исключительно тепловыми станциями типа ТЭЦ.

Основным видом топлива энергетики региона является уголь. На ТЭЦ в 2018 году в общем объеме использованного топлива доля угля составила 86,3 % (в 2017 году – 84,4 %), доля природного газа – 1,8 % (в 2017 году – 0,9 %), доля прочих видов топлива, включая мазут, – 11,9 % (в 2017 году – 14,7 %).

Доля сжигаемого угля на котельных в 2018 году составила 58,3 % от всего использованного котельными топлива. В последние годы стабильно увеличивается потребление природного газа котельными Алтайского края. Так, доля природного газа в общем потреблении топлива в 2018 году – 38,7 %, а в 2007 году аналогичный показатель был равен 27,7 %. Доля потребления мазута в 2018 году – 2,7 %.

В целом по энергосистеме Алтайского края доля угля в потреблении топлива электростанциями и котельными в 2018 году составила 79,9 % (в 2017 году – 78,9 %), доля природного газа – 10,06 % (в 2017 году – 9,7 %), остальные доли в структуре топливного баланса занимают прочие виды топлива и мазут.

С учетом того, что почти весь уголь, нефтепродукты и природный газ в г. Барнаул поступают из других регионов Российской Федерации, можно сделать вывод о зависимости энергетической отрасли края от привозного топлива.

Энергосистема г. Барнаула имеет следующие характерные особенности:

– потребность в электрической мощности и электроэнергии Барнаульской энергосистемы покрывается за счет собственного производства электроэнергии на ТЭЦ края (около 2/3) и сальдо перетоков с соседними энергосистемами;

– неравномерная загрузка ТЭЦ из-за снижения тепловых нагрузок в летний период, в частности снижение нагрузки Барнаульских ТЭЦ с 575,0 МВт до 150,6 МВт (более чем в 3 раза) при общем снижении потребления Алтайского края с 1790 МВт до 1200 МВт (в 1,4 раза);

– отсутствие концентрированной потребительской нагрузки – крупных потребителей, которые могли бы оказывать системные услуги по участию в противоаварийной разгрузке при внезапном дефиците мощности или энергии;

– разветвленная и протяженная сеть класса напряжения 110 кВ и выше, а также длинные ЛЭП с большим количеством ПС;

– зависимость режимов работы от величины и направления перетока Сибирь – Казахстан – Урал.

По данным 2018 года основной проблемой существующих электростанций оставалось старение энергетического оборудования.

К 2019 году суммарная установленная мощность применяемого оборудования возрастом 30 и более лет составила 886,0 МВт, это 57,9 % от установленной мощности электростанций энергосистемы Алтайского края. На ТЭЦ Барнаульского энергорайона работает оборудование, произведенное еще в середине 20-го века [3].

Электростанции Алтайского края производят около 3/4, потребляемой регионом электроэнергии. В период с 2014 по 2018 доля собственной генерации в общем объеме электропотребления выросла с 65,2 % до 67,8 %.

Потребность в электроэнергии на территории энергосистемы Алтайского края с 2014 по 2018 годы покрывалась, в том числе за счет перетоков электроэнергии из смежных энергосистем. Сальдированное получение электроэнергии в 2018 году составило 3,3 млрд кВт/ч в год.

Потребление электроэнергии на душу населения за этот же период выросло. Можно предположить, что причиной этого является улучшение уровня жизни в регионе и рост жилищного строительства. В этой связи очевидна необходимость внедрения в повседневную жизнь энергосберегающих технологий и модернизации энергосетей.

Решением данного вопроса является интеллектуализация электроэнергетики. В основе данной системы лежат «Умные» сети. В разных источниках приводятся различные определения, но сама концепция универсальна.

Умная электросеть (англ. Smart Grid) – это электрическая сеть, реализующая ряд различных операционных и энергетических возможностей (умные счётчики, умные приложения, энергоэффективность и возобновляемые энергоресурсы).

Концепция Smart Grid предполагает совмещение релейной защиты с информационно-измерительными функциями. Микропроцессорные устройства релейной защиты измеряют токи и напряжение в векторной форме, накапливают данные о срабатываниях и аварийных режимах в специальных блоках памяти. Таким образом, релейная защита превращается в своеобразный центр обработки информации, элемент системы диагностики и мониторинга электрооборудования.

Технологии и устройства используемые в умных сетях:

– Умные счетчики;

– Устройства для контроля энергопотоков.

– Комплексная система связи, предназначенная для обмена данными и передачи информации;

– Датчики и измерительные приборы, используемые для контроля за стабильностью электросети, отслеживания состояния оборудования, а также для предотвращения хищения энергии;

– Устройства синхронизированных векторных измерений для определения комплексных величин тока и напряжения.

Программа интеллектуализации электросетей предполагает внедрение системы умных сетей (smart grid) и составляющих их элементов в уже существующие энергосети. Цель «умных» сетей: оптимизация расходов электричества, повышение надежности электрооборудования (снижение количества аварий и потерь электричества), а также повышение КПД работы электросетей.

Ниже перечислены признаки «умных» сетей.

1. Адаптивная топология

Энергосистема собирает данные о токах и напряжениях во всех точках учёта, как коммерческих, так и технических. На основании этих данных, центральный управляющий сервер рассчитывает направления и величину перетоков мощности.

Далее, система сама загружает и разгружает центры питания, держа частоту в энергосистеме на нужном уровне. Для этого она дистанционно включает или выключает те или иные линии электропередач.

В случае аварийных режимов (например короткие замыкания или перенапряжения) система самостоятельно определяет поврежденный участок, локализует его и восстанавливает подачу электроэнергии потребителям по резервным ЛЭП.

2. Контроль потерь и качества электроэнергии

Непрерывный сбор данных помогает сводить баланс электроэнергии в непрерывном режиме.

Это даёт возможность оперативно выявлять увеличение потерь на отдельных её участках, определять их причину (счётчик вышел из строя или трансформатор тока, выявление фактов воровства электроэнергии, вмешательство в работу счетчика) и осуществлять контроль качества электроэнергии. Просадки напряжения или внезапно выросшие гармоники могут быть следствием действий потребителя или повреждениями в сети.

С помощью этих данных поиск и устранение неполадок в сети и на линии будет производиться быстрее, что принесет пользу как потребителям, так и владельцам сетей.

3. Распределённая генерация и управление спросом

С развитием новых технологий и распространения возможности альтернативной генерации (ветро-, солнечная, гидроэнергетика), повышения их относительной доступности, у потребителей появилась возможность генерировать электроэнергию для себя, а излишки продавать в энергосистему.

В «умных» сетях эти функции выполняет цифровая система. Она самостоятельно включает и выключает те или иные источники энергии в энергосистему в моменты их максимальной эффективности [4].

Классические «умные» сети в электроэнергетике обладают следующими характеристиками:

– способность управлять работой потребителей;

– самостоятельное восстановление после сбоев;

– защищённость от физического и кибернетического внешнего вмешательства;

– обеспечение электроснабжения требуемого качества;

– синхронная работа генерирующих источников и центров хранения электроэнергии;

– способность существенно повышать эффективность работы энергосистемы в целом.

В энергосистему г. Барнаула на сегодняшний день постепенно внедряются «умные» технологии посредством установки АСКУЭ (автоматизированная система коммерческого учета электроэнергии), модернизации системы уличного освещения путем установки осветительных приборов на солнечных батареях, укрепления линий. Понятие «интеллектуальная система учета электрической энергии (мощности) (ИСУ)» закреплена в ФЗ-522 от 27.12.2018 г. «О внесении изменений в отдельные законодательные акты Российской Федерации в связи с развитием систем учета электрической энергии (мощности) в Российской Федерации» [5].

Согласно ФЗ-522, с 01.07.2020 г. установку «умных» приборов учета электрической энергии обязан производить гарантирующий поставщик. Причем все расходы связанные с приобретением, установкой и заменой ПУ, вышедших из строя или исчерпавших свой межповерочный интервал, подлежат включению в состав сбытовой надбавки гарантирующего поставщика. Срок выполнения распоряжения – 2,5 года.

По желания абонента он может использовать свой старый ПУ до истечения его межповерочного интервала, но с 01.01.2022 г. установка счетчиков старого образца будет запрещена.

Это первый шаг к интеллектуализиции энергосетей.

По данным Минэнерго, выгода для сетевых организаций заключается в сокращении вмешательств в работы приборов учета, снижении безучетного пользования, сокращении потерь электроэнергии, предотвращении аварийных ситуаций, возможности оперативного выявления проблемы и ее устранения. Пользователи же смогут самостоятельно, на основе данных, выявить время пикового расхода электроэнергии и выбрать для себя оптимальный тариф, позволяющий потребителю, с одной стороны, экономить, и снизить нагрузки на сеть в пиковые часы, с другой.

Но так как замена будет производиться постепенно из-за относительно высокой стоимости таких приборов учета (от 4000 до 12000 р./шт.), результат от данной меры может быть неочевиден. К тому же, замена ПУ не будет бесплатной. Как уже сказано, расходы будут включены в сбытовую надбавку, а значит, это повлияет на рост тарифов на электроэнергию. Министерство энергетики РФ приводят довод, что интеллектуальные системы станут инструментом для сокращения издержек за счет снижения потерь электроэнергии и операционных затрат, повышения платежной дисциплины и адресности применения льгот. То есть в идеале благодаря сокращению потерь электроэнергии потребитель может и не заметить роста тарифа.

Исходя из анализа статистики и перспективы развития электроэнергетики страны и г. Барнаула, необходимость внедрений «умных» сетей обоснована. Поэтапный переход к интеллектуализации системы уже начался. В частности, в г. Барнауле и Алтайском крае процесс запущен. Руководитель Министерства энергетики РФ Александр Новак считает, что и отрасль, и государство существенно сэкономят от подключения интеллектуальной системы учета во всех домах и на предприятиях. По подсчетам экспертов, при снижении потерь хотя бы на 20 % от нынешнего уровня в год экономия составит солидную цифру – 70–80 млрд рублей. Эти средства можно будет направить на обновление инфраструктуры электроэнергетики.

Список используемой литературы

1. Приказ Минэнерго России № 508 «Об утверждении схемы и программы развития Единой энергетической системы России на 2020–2026 годы» от 30.06.2020 г. – URL: https://minenergo.gov.ru/node/19166 (дата обращения: 06.09.2021).

2. Указ губернатора Алтайского края № 72 Об утверждении схемы и программы «Развитие электроэнергетики Алтайского края» на 2020 – 2024 годы (с изменениями на 29 апреля 2020 года). – URL: https://docs.cntd.ru/document/553274198 (дата обращения: 04.03.2020).

3. Воробьева А. В., Стрижкина И. В. Актуальные проблемы развития энергетики Алтайского края // Актуальные вопросы функционирования экономики алтайского края. – 2017. – № 9. – С. 223–232.

4. Умные сети или SmartGrid. – URL: https://zen.me/1OIUL8 (дата обращения: 04.03.2020).

5. Федеральный закон от 27.12.2018 № 522-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации в связи с развитием систем учета электрической энергии (мощности) в Российской Федерации». – URL: http://publication.pravo.gov.ru/Document/View/0001201812280018 (дата обращения: 04.03.2020).

Информация об авторах

Сташко В. И. – к.т.н., доцент, Терехина К. С. – студент группы 8Э(з)-81, ФГБОУ ВО «Алтайский государственный технический университет им. И. И. Ползунова», РФ, Алтайский край, г. Барнаул.

Разработка модели машинного обучения для прогнозирования генерации электроэнергии солнечными панелями на основе алгоритма градиентного бустинга

Попов Андрей Николаевич, [email protected]

Венгерский Александр Дмитриевич, [email protected]

Аннотация:

На сегодняшний день в Российской Федерации бурными темпами развивается одно из направлений энергетики, именно, распределенная энергетика. Все больше и больше исследований проводится в области возобновляемых источников энергии, создаются государственные программы и выделяются субсидии. Одним из самых перспективных возобновляемых источников энергии является солнечная энергия. Использование солнечных панелей становится все более повсеместным и частым явлением. Однако, производство энергии от солнечных панелей зависит от количества поступающей солнечной радиации, подачу которой люди не могут регулировать, чтобы рассчитать объемы электроэнергии, которые будут произведены солнечной панелью в определенный отрезок времени. Для этого необходимо создание различных математических моделей. Одним из вариантов решения этой задачи является построение модели машинного обучения. Такая модель позволит использовать метеорологические данные для предсказания работы солнечной панели, что, в свою очередь, позволит планировать потребление и производство электрической энергии.

Ключевые слова: возобновляемые источники энергии, машинное обучение, градиентный бустинг, нейронные сети, солнечные панели.

Солнечная энергия – самый распространенный вид энергии на Земле, однако её использование на данный момент ограничено. Технологии солнечных панелей ещё далеки от совершенства, но популярность этого способа производства электроэнергии растет с каждым годом.

Кроме того, правительства различных стран субсидируют применение возобновляемых источников энергии, а также способствуют оптимизации применения традиционных электростанций. Так, например, Постановление Правительства Российской Федерации от 20.03.2019 № 287 вводит новый способ регулирования потребления электрической энергии. Устанавливается механизм управления спросом, который стимулирует потребителей использовать местные накопители или генераторы электроэнергии [1].

Количество достигающей солнечных панелей солнечной радиации зависит от многих метеорологических характеристик окружающей среды. Например, влажности, давления, облачности и так далее. Для описания этой зависимости возможно построить модель машинного обучения, которую впоследствии можно будет использовать для предсказания значений солнечной радиации, а, значит, и объемов электроэнергии, которые сможет произвести солнечная панель.

В работе [2] говорится, что на данный момент подавляющее число используемых алгоритмов являются нейронными сетями. При этом, в работе [3] утверждается, что качество краткосрочного прогнозирования лучше у моделей, основанных на деревьях принятия решений.

Таким образом, было принято решение о построении модели машинного обучения, основанной на алгоритме градиентного бустинга. Градиентный бустинг представляет собой ансамбль слабых алгоритмов, например, деревьев принятия решения, где каждый последующий алгоритм корректирует ошибку предыдущего [4].

В качестве выборки используются данные, которые находятся в открытом доступе на сайте [5]. Данные предоставлены NASA. Для построения модели градиентного бустинга использовалась бесплатная библиотека XGBoost [6].

Методом подбора были установлены следующие параметры модели XGBoost: длина шага – 0,001; максимальная глубина дерева – 12; размер подвыборки – 0,7. Для сходимости алгоритму потребовалось провести 6266 итераций.

Одним из самых важных показателей качества моделей является коэффициент детерминации – доля дисперсии целевой переменной, объясняемая моделью. В случае использования градиентного бустинга коэффициент детерминации составил 93,3 %, что является довольно высоким результатом, так как модели с коэффициентом детерминации выше 80 % считаются уже достаточно хорошими.

На рисунке 1 представлен фрагмент графика сравнения предсказанных моделью значений и истинных значений.

Рисунок 1

Фрагмент графика сравнения истинных и предсказанных значений

Таким образом, можно утверждать, что более простые модели градиентного бустинга не уступают в точности предсказаний моделям нейронных сетей и при этом основаны на намного более простых алгоритмах деревьев принятия решений.

Подобная модель является проще нейронной сети, что позволяет использовать меньшее количество ресурсов для её обучения. Кроме того, такие модели прогнозирования будут способствовать более эффективному использованию солнечных панелей, позволят потребителям точнее планировать события управления спросом. Данное исследование привнесет элементы самоорганизующихся энергосистем управления на базе «слабого» искусственного интеллекта в энергетику, что является одним из основных проектных направлений дорожной карты EnergyNet в рамках концепции «Национальной Технической Инициативы».

Список используемой литературы

1. О внесении изменений в некоторые акты Правительства Российской Федерации по вопросам функционирования агрегаторов управления спросом на электрическую энергию в Единой энергетической системе России, а также совершенствования механизма ценозависимого снижения потребления электрической энергии и оказания услуг по обеспечению системной надежности Постановление Правительства Российской Федерации от 20 марта 2019 г. № 287. – Доступ из справ. – правовой системы Гарант. – Текст: электронный.

2. Николаев, А. А. Применение нейросетевых технологий для вычисления потоков суммарной солнечной радиации / А. А. Николаев, Н. В. Исмагилов // Известия высших учебных заведений. Поволжский регион. Естественные науки. – 2017. – № 3 (19). – с. 68–77. – Текст: электронный. – URL: https://cyberleninka.ru/article/n/primenenie-neyrosetevyh-tehnologiy-dlya-vychisleniya-potokov-summarnoy-solnechnoy-radiatsii/viewer

3. Степанов С. М. Нейросетевое прогнозирование генерации электроэнергии солнечными панелями / С. М. Степанов, Н. А. Искра // Доклады БГУИР. – 2018. -№ 3 (113). – с. 26–31. – Текст: электронный. – URL: https://cyberleninka.ru/article/n/neyrosetevoe-prognozirovanie-generatsii-elektroenergii-solnechnymi-panelyami/viewer

4. Фонарев, А. Ю. Обзор алгоритмов бустинга – Текст: электронный. – URL: http://www.machinelearning.ru/wiki/images/9/9a/fonarev.overview_of_boosting_methods.pdf. – Режим доступа: свободный

5. Solar Radiation Prediction Task from NASA Hackaton: сайт. – URL: https://www.kaggle.com/dronio/SolarEnergy (дата обращения 10.09.2020). – Текст: электронный.

6. XGBoost Documentation: сайт. – URL: – Режим доступа: https://xgboost.readthedocs.io/en/latest/ (дата обращения 04.10.2020). – Текст: электронный.

Информация об авторах

Попов А. Н. – к.т.н., доцент, Венгерский А. Д. – студент группы 8Э(з)-81, ФГБОУ ВО «Алтайский государственный технический университет им. И. И. Ползунова», РФ, Алтайский край, г. Барнаул.