Трансформация в энергетическом секторе приводит к изменению состава и режима работы энергосистемы. Это изменение также влияет на гибкость сети, степень постоянного баланса между производительностью и потреблением энергии. Традиционное управление гибкостью включает в себя мониторинг со стороны предложения и соответствующую регулировку генерации. Однако этого метода недостаточно при растущей децентрализованной структуре. Помехи, которые вносятся в сеть в результате этого преобразования, можно исследовать на двух уровнях: системном уровне и локальном уровне. На системном уровне электроэнергия, произведенная из возобновляемых источников, имеет приоритет для подачи в сеть. Локальный уровень нарушений возникает в распределительной сети из-за того, что все блоки распределенной генерации (DG) и некоторые из возобновляемых источников энергии подключены к ней.
Контроль качества электроэнергии в гибридных и распределенных электрических системах
В основном это проблемы с напряжением, обратные перетоки мощности, перегрузки и потери в сети. Проблемы с напряжением возникают из-за того, что блоки DG, подключенные к сетям среднего и низкого напряжения, изменяют профиль своего окружения за счет подачи активной мощности. Если не будет достаточного спроса, напряжение будет локально увеличиваться, что приведет к риску в активах потребителей. Обратные потоки мощности возникают, когда местная выработка электроэнергии преодолевает локальную нагрузку. Однако существующая инфраструктура не предназначена для борьбы с этим явлением. Это создает нагрузку на сеть и, следовательно, снижает надежность. Перегрузки возникают, когда поток превышает проектную мощность компонента сети. Это наблюдается при внезапной нагрузке на определенную область, например. реализация электромобилей.
Эта проблема в основном решается обновлением системы на локальном уровне. Однако темпы улучшений не могут угнаться за быстрым внедрением местной энергетики. Более того, не всегда экономически выгодно обновлять компонент, который редко испытывает перегрузку. Потери в сети относятся к воздействию ОГ на все потоки в сети, и они имеют динамическое поведение в зависимости от произведенной мощности. Если местное производство близко к спросу, это снижает потери в сети. Однако, если расположение ДГ удалено, это приводит к увеличению потерь в сети. Принимая во внимание проблемы системного и местного уровня, связанные с работой сети, сектор требует гибкости для низкозатратной эксплуатации и повышенной надежности. Смягчение этих нарушений достигается за счет обеспечения гарантированной мощности и оперативного резерва.
Под устойчивой мощностью понимается точная доступная нагрузка в течение определенного времени, в то время как оперативный резерв — это краткосрочная доступная мощность, которая становится решающей из-за колеблющегося профиля генерации. Есть два подхода к увеличению гибкости. Первый подход — это реагирование на спрос (DR), и он применяется на протяжении десятилетий. Однако аналитика больших данных выводит их на новый уровень, повышая предсказуемость и управляемость. Второй подход заключается в агрегировании DER с целью создания нагрузочной способности и предложения ее энергетическим рынкам. DR фактически считается активом DER. Однако его дифференциация при определении приложений для больших данных дает лучшее понимание, поскольку оно основано на сокращении спроса, в то время как другие активы DER связаны с производством электроэнергии. Аналитика больших данных делает возможным агрегирование DER, увеличивая их участие в управлении гибкостью с помощью более продвинутых моделей.
Реакция на колебания спроса электроэнергии
Реагирование на спрос (DR) — это набор программ, которые мотивируют бытовых, коммерческих и промышленных потребителей (C&I) снижать или изменять потребление электроэнергии в периоды пиковой нагрузки. Использование DR началось в 1970-х годах в результате сотрудничества между крупными (C&I) сторонами и коммунальными предприятиями. Коммунальное предприятие будет предупреждать крупного промышленного потребителя по телефону о необходимости снизить потребление электроэнергии без какой-либо обратной связи от потребителя об их эксплуатационных характеристиках. Это был инструмент для смягчения пиков спроса или восстановления системных аварий.
Либерализация энергетических рынков изменила роль аварийного восстановления, сделав его важным инструментом для снижения оптовых цен на электроэнергию, и поэтому в него было вовлечено больше сторон. В литературе было предложено много программ DR, которые можно разделить на две основные группы, а именно программы DR на основе цен и программы DR на основе стимулов.
Ценовые программы DR предполагают изменение цены во времени на либерализованных рынках. У клиентов есть мотивация корректировать свое потребление, чтобы уменьшить пики. Другими словами, цена на электроэнергию растет во время пиков. Программы аварийного восстановления, основанные на стимулах, представляют собой системы вознаграждения, в которых клиенты получают выгоду от снижения потребления электроэнергии по запросу. В зависимости от соглашения, коммунальное предприятие может иметь определенный уровень контроля над потреблением электроэнергии. В основном существует шесть типов программ аварийного восстановления, основанных на стимулах, а именно: прямое управление нагрузкой, прерывание / сокращение спроса, экстренное аварийное восстановление, программы рынка мощности и программы рынка дополнительных услуг.
Программы DR выгодны для всех вовлеченных сторон. Клиенты получают выгоду либо от увеличения своих доходов за счет поощрительных выплат, либо от сокращения своих счетов. Самые дорогие средства производства электроэнергии используются в часы пик. DR снижает оптовые цены на электроэнергию за счет снижения пиков, поскольку дорогостоящие средства производства используются меньше, чем ожидалось. Кроме того, длительная программа аварийного восстановления позволяет коммунальным предприятиям меньше инвестировать в совокупные требования к емкости системы, что позволяет еще больше сэкономить на счетах в долгосрочной перспективе. Программы аварийного восстановления также повышают надежность сети. Наконец, они уменьшают перегрузку, управляют непредвиденными обстоятельствами и избегают сбоев в сети.
Несмотря на их преимущества, внедрению программ аварийного восстановления препятствуют некоторые препятствия: Агрегация нагрузки — одна из наиболее важных концепций проникновения программ аварийного восстановления. Агрегатор — это субъект, который может создать пул нагрузки из меньших ресурсов. Это позволяет принимать участие в программах более мелких игроков, таких как мелкие коммерческие и частные клиенты. Опрос, проведенный в Великобритании с участием 191 коммерческого и промышленного клиента, показывает, что 83% из них используют агрегатор для участия в программах аварийного восстановления.
Однако услуги агрегирования официально доступны не во всех странах-членах Европейского Союза. В зависимости от правового статуса страны разделены на три группы. Первая группа стран вообще не допускает агрегатор. В эту группу входят Португалия, Испания, Италия, Хорватия, Чехия, Болгария, Словакия, Венгрия, страны Балтии, Кипр и Мальта. Вторая группа позволяет ритейлерам (коммунальным предприятиям) быть агрегаторами, включая страны Германии, Скандинавии, Нидерландов и Австрии. Наконец, группа стран, которые разрешают любому субъекту быть агрегатором, — это Бельгия, Франция, Ирландия и Великобритания.
Несмотря на то, что эта концепция не получила широкого распространения в Европе, ожидается, что в ближайшем будущем законодательство изменится на уровне страны. _ Настоящая ценность DR может быть раскрыта только при участии конечных пользователей. Препятствиями на пути к принятию программ DR являются в основном ненадежность финансового оборота и нежелание изменять поведение. Важно сделать финансовые выгоды видимыми для конечных пользователей, чтобы убедить их принять участие. Кроме того, необходимо добиться оптимального снижения нагрузки с минимальным влиянием на повседневную деятельность конечных пользователей.
Приложения для больших данных, ориентированные на служебные программы
Аналитика больших данных в сочетании с Интернетом вещей обеспечивает агрегирование и прозрачность данных. Данные, собранные из усовершенствованной измерительной инфраструктуры (AMI), системы управления данными счетчиков (MDMS) и устаревших систем, таких как SCADA, информационные системы клиентов (CIS), данные выставления счетов клиентов, данные о погоде и географические информационные системы (GIS), могут быть используется для оптимизации и управления программами аварийного восстановления из одного центра, который может быть реализован локально или в виде программного обеспечения как услуги (SaaS). Такие системы называются системами управления реагированием на запросы (DRMS).
Локальная реализация — это модель, в которой оборудование для хранения данных и обслуживания принадлежит заказчику, в то время как в модели SaaS данные хранятся в облаке, которое предоставляется службами больших данных. Модель SaaS предпочтительнее по сравнению с локальной конфигурацией из-за ее более быстрого внедрения и более низких затрат. SaaS может быть реализован в течение двух месяцев и менее чем за 100 000 долларов США, в то время как локальное внедрение может занять до года с инвестициями более 1 000 000 долларов США.
В 2016 году на DRMS было потрачено 46,1 миллиона долларов, и, по прогнозам, к 2025 году эта цифра достигнет 232 миллионов долларов. Преимущества DRMS, обеспечиваемые аналитикой больших данных, будут обсуждаться в следующем разделе с указанием барьеров, препятствующих ее внедрению. Повышенное влияние нагрузки DR Улучшения воздействия нагрузки DR можно разделить на 3 раздела, а именно: повышенная надежность, увеличенный сброс нагрузки на участника и более высокая реакция участников на программы.
Повышенная надежность: наиболее важными атрибутами сброса нагрузки являются диспетчеризация, предсказуемость и повторяемость. Как только сброс нагрузки удовлетворяет этим требованиям, он может заменить эквивалентное количество генерации. Этот тип сброса нагрузки называется диспетчерской. Возможно обновление портфеля аварийного восстановления до уровня диспетчеризации путем анализа данных. Повышенная нагрузка на участника: лучший способ увеличить нагрузку на участника — предложить им индивидуализированные программы.
Некоторые клиенты могут предпочесть программы сброса нагрузки в пиковое время, в то время как другие участвуют в программах прямой нагрузки. Лучшее понимание портфеля клиентов увеличивает их удовлетворенность и, следовательно, их лояльность к программе. Клиенты могут быть сегментированы с использованием ГИС, размера здания, профиля использования и демографических данных. Большее количество участников: эффективный способ увеличения количества участников — предложить им некоторые услуги помимо низких цен или поощрительных выплат. Этого можно достичь с помощью расширенной аналитики. Первая возможность — показать участникам их преимущества в режиме реального времени. Это могло бы преодолеть сдерживающий фактор, связанный с ненадежностью финансовой выгоды. Кроме того, система управления, которая дает клиентам практическую информацию об их системах (например, предупреждение о сбоях), увеличивает участие.
Затраты на программы связаны с привлечением клиентов, маркетингом, технологической инфраструктурой и интеграцией, а аналитика больших данных предлагает решения для каждой из этих статей затрат. Увеличенная нагрузка на участника в сочетании с индивидуальными маркетинговыми методами снижает затраты на взаимодействие. Измерение и проверка — это набор инструментов статистического исследования для проверки влияния программы аварийного восстановления на снижение нагрузки. Традиционно это реализуется с использованием данных, полученных из электронных таблиц. Такие методы влекут за собой административные расходы, высокий уровень ошибок и длительное время ожидания. Единая программная платформа для управления программами аварийного восстановления устраняет эти неудобства и, следовательно, снижает затраты. Наконец, накопление различной инфраструктуры для каждой программы приводит к сложности и избыточности. Сбор полных данных в одном программном обеспечении с использованием инструментов больших данных может стандартизировать программы и облегчить интеграцию.
Пути повышения энергоэффективности
Системы управления энергопотреблением (EMS) фокусируются на рентабельных решениях по энергоэффективности для жилых и нежилых конечных пользователей. Интеллектуальная эффективность, термин, тесно связанный с EMS, определяется как способность экономить энергию за счет сбора больших объемов данных [94]. Он состоит из всех продуктов и услуг, которые отслеживают, контролируют или анализируют потребление энергии. В этих решениях используются данные традиционных систем управления и автоматизации, данные интеллектуального счетчика по интервальному потреблению электроэнергии, дополнительные субметры и усовершенствованные датчики или другие предложения бизнес-аналитики. Приложения для повышения энергоэффективности предоставляются путем управления приложениями конечного пользователя, такими как отопление, вентиляция и кондиционирование воздуха (HVAC), освещение и включение нагрузки от розетки по мере необходимости. Аналитика больших данных с использованием прогнозного и предписывающего анализа не только повышает эффективность услуги, но и предлагает новые решения. Интеллектуальные программные решения повышают энергоэффективность.
Визуализация и мониторинг: интерактивная информационная панель предоставляет периодические сводки об использовании энергии, которые можно визуализировать в виде тепловой карты.
Обнаружение и диагностика неисправностей: возможность одновременного мониторинга и анализа данных в реальном времени от нескольких активов позволяет проводить сравнительный анализ. Сравнение конечных пользователей и алгоритмов изучения шаблонов может обнаружить неисправность и предупредить конечного пользователя.
Профилактическое обслуживание и постоянное совершенствование: прогнозный анализ определяет потенциальные неисправности в будущем, что позволяет лучше планировать капитальные затраты.
Оптимизация: исторические данные, связанные с энергоэффективностью, могут быть предварительно проанализированы для оптимизации действий конечных пользователей. На основе вышеперечисленных решений видны две возможности для повышения энергоэффективности.
Во-первых, конечные пользователи получают больше информации о потреблении энергии, а также советы по сокращению потребления энергии. Это мотивация для изменения поведения. Во-вторых, практические знания, полученные аналитикой, могут быть использованы автоматизированными системами для оптимизации использования энергии. Излишне говорить, что интеллектуальный контроль над активами обеспечивает плавную интеграцию в системы DRMS и позволяет им быть ценными активами аварийного восстановления для расширенных программ аварийного восстановления. Поэтому многие компании в этой области предлагают решения по управлению энергопотреблением для жилых и нежилых конечных пользователей, чтобы привлечь их к программе аварийного восстановления.