Kurzbeschreibung
(Deutsch)
|
Ziel des Projekts ist die wirksame Verbesserung der Genauigkeit von Vorhersagen zu Verbrauch und Einspeisung in das Stromnetz, die wie folgt erreicht werden soll: 1) Validierung von Sensor Daten (Qualitätsverbesserung der Input-Daten); 2) da das Verteilnetz ein Netzwerk mit verschieden Komplexitätsstufen ist, werden neuartige Graphen-basierte «Machine learning» Methoden zur Entwicklung von Vorhersage-Algorithmen eingesetzt (durch Graphen werden gemessene Netzdaten und deren funktionelle Abhängigkeiten modelliert); 3) Ausschöpfung des Flexibilitätspotentials im Netz durch hochentwickelte Regelungsmethoden für Batterie-Systeme; 4) lebenslange Anpassung der Algorithmen im Betrieb um Netzveränderungen zu erkennen. Genauere Vorhersagen ermöglichen eine bessere Übereinstimmung von prognostizierter und tatsächlich bezogener Energie. Dadurch wird eine bessere Nutzung von flexiblen Lasten sowie ein effizienterer Energie-Handel auf regionaler Ebene ermöglicht. Weiterhin können effiziente Methoden zur vorausschauenden Wartung des Netzes entwickelt werden.
|
Kurzbeschreibung
(Englisch)
|
The project aims at effectively improving the accuracy of the grid energy balance prediction for subsequent optimization in several ways: 1) by validating sensors data (improved input quality); 2) as the grid is a networked system at different abstraction levels, novel advanced graph-based machine learning techniques will be used to design predictors (graph representations suitably models grid sensor datastreams and their functional interdependences); 3) Increase grid flexibility potential by advanced battery control algorithms; 4) lifelong online adaptation for algorithms he to track the grid evolution over time. Improved prediction helps better matching between forecasted and real energy balance at the local level enabling better utilization of flexible loads as well as more efficient energy trading at regional level and creation of efficient predictive maintenance of the grid.
|
Schlussbericht
(Deutsch)
|
Dieses Dokument enthält die Beschreibung der laufenden Arbeiten und Ergebnisse, die bisher im Rahmen des Forschungsprojekts SONDER „Service Optimization of Novel Distributed Energy Regions“ im Rahmen des ERA-Net RegSys-Programms durchgeführt wurden.
Das Hauptziel dieses Projekts ist die Entwicklung neuartiger Lastvorhersagemethoden auf der Basis „Artificial Intelligence“ (AI), die diese mit fortschrittlichen Steuerungsschemata für den Betrieb eines stationären Batteriespeichersystems (BESS) koppeln, das im Verteilnetz der Stadt Arbon installiert ist. Das vorgeschlagene BESS-Steuerungsschema hängt von der Day-Ahead-Lastvorhersage, der Transformatormessung und der Spitzenleistung der vorherigen Zeitschritte des Monats ab. Im Gegensatz zu bisher publizierten Spitzenkappung-Ansätzen ist das vorgestellte Verfahren robust gegenüber Prognoseabweichungen und belastet den Batteriespeicher weniger als optimierungsbasierte Verfahren. Zudem ist das Verfahren konform mit den regulatorischen Rahmenbedingungen für den Netzbetrieb in der Schweiz und den meisten anderen europäischen Ländern.
Der gut strukturierte Datensatz von Arbon Energie enthält Informationen von mehr als zehntausend intelligenten Zählern, die alle 15 Minuten abgetastet werden, und stellt einen der grössten und wertvollsten Repositorys seiner Art in Europa dar. Dieser Datensatz ist mit Informationen auf MS-Trafoebene angereichert und bietet somit eine sehr gute Testumgebung für das Training mehrerer datengesteuerter Vorhersagemodelle. Unsere Untersuchung hat die Effizienz verschiedener Deep-Learning-Methoden (DL) gezeigt, einschliesslich Graph-basierter Methoden, die ihre Fähigkeit zur Modellierung der nichtlinearen Dynamik der Transformatorlast ausnutzen. Darüber hinaus funktionieren die entwickelten DL-Prädiktoren sehr gut, wenn sie mit einem geeigneten BESS-Steuerungsschema gekoppelt sind, was auch zeigt, wie wichtig es ist, das Modell neu zu trainieren, wenn jedes Jahr neue Daten verfügbar werden. Dies gilt auch für die Online-Anpassung an neu eingehende Daten durch die Feinabstimmung des Modells, während es für Vorhersagen verwendet wird.
Graphbasierte Ansätze wurden für den Arbon-Anwendungsfall übernommen, einschliesslich Clustering von Lastprofilen in mehrere Aggregate und Training von Graph Neural Networks (GNNs). Die Modelle lernten, die Last auf verschiedenen Aggregationsebenen vorherzusagen, mit dem Ziel, die Vorhersagegenauigkeit weiter zu verbessern. Die Experimente bestätigten die Effektivität der graphbasierten Ansätze bei der Aggregation der Smart-Meter-Daten und der Prognose der Nachfrage, obwohl sie eine bemerkenswerte Sensibilität für die Datenqualität gezeigt haben. In verschiedenen Szenarien können GNNs den Fehler im Vergleich zu einfacheren Methoden erheblich verringern. Dennoch erzielen wir im Fall der Arbon MV-Transformatorlast bescheidene Verbesserungen aufgrund der Diskrepanz zwischen den Daten der intelligenten Zähler und der Transformatoren. Daher haben wir uns bei der BESS-Steuerung aufgrund ihrer Einfachheit, ihres schnelleren Trainings und ihrer einfacheren Online-Anpassung an neue Testdaten auf traditionelle Deep-Learning-Modelle verlassen. Dennoch beweist unsere Forschung, dass GNNs vielversprechende Modelle sind, um mehrere Signale von verschiedenen räumlichen Orten vorherzusagen und die Beziehungen zwischen mehreren Zeitreihen zu lernen. Unsere Methoden sind allgemein und könnten auf andere IoT- und Zeitreihen-Vorhersageszenarien angewendet werden, die durch viele verwandte Signale gekennzeichnet sind, die von verschiedenen räumlichen Orten kommen.
In Bezug auf das BESS-Regelungsschema können die relativen Einsparungen durch die Spitzenkappung Jahr für Jahr zunehmen und von 48 % im Jahr 2019 auf 78 % im Jahr 2022 im Vergleich zum theoretischen Optimum bei perfekter Prognose reichen. Darüber hinaus kann das BESS höhere Einsparungen erzielen, wenn es auf der Spitzenlastvorhersage statt auf der Volllastkurvenvorhersage basiert. Der vorgeschlagene Regelalgorithmus hat auch keine negativen Auswirkungen auf die Kosten für Energiebeschaffung und Netznutzung. Darüber hinaus führt das Kontrollschema zu einer jährlichen Batteriealterungsrate von 2 %, was Raum für eine weitere BESS-Nutzung im Kontext anderer Dienste lässt.
Im Rahmen der für die Verteilnetze von Arbon durchgeführten Sensitivitätsanalyse werden verschiedene Zukunftsszenarien in Bezug auf zunehmende Integrationsgrade von Photovoltaik (PV), EV-Ladeinfrastrukturen (EVSE) und Wärmepumpen (WP) simuliert, mit dem Hauptziel, ihre Auswirkungen auf die Spannungsqualität und die Belastungen der Netzanlagen zu bewerten. Auch die Leistung einer Laststeuerung zum Spitzenkappung auf Basis von Trafomessungen wird untersucht. Auf der einen Seite werden die untersuchten NS-Verteilnetze selbst bei hohen Penetrationsgraden von PV-, EVSE- und WP-Einheiten nicht auf Spannungsqualitätsprobleme stossen. Andererseits werden Überlastungen auf bestimmten Leitungen und auf Trafoebene insbesondere für das TS 1-Netz erwartet, was die Netzverstärkung für die Zukunftsszenarien erheblich macht. Die untersuchte Laststeuerung senkt die Spitzenleistung auf Trafoebene, ohne jedoch die Belastung der Leitungen zu reduzieren. Da die Periode hohen Bedarfs von EV und WP nicht mit der Periode hoher PV-Produktion zusammenfällt, ist es entscheidend, Laststeuerung auf der Grundlage lokaler Smart-Metering-Messungen zu implementieren.
Was mögliche zukünftige Schritte betrifft, so könnte das vorgeschlagene BESS-Kontrollsystem auch für die zweite Hälfte des Jahres 2022 evaluiert werden, da die erste Hälfte sehr vielversprechende Ergebnisse gezeigt hat. Darüber hinaus wäre es sehr nützlich, die evaluierte Methode in einem realen Feld zu testen, da die experimentellen Ergebnisse wichtige Richtlinien in Bezug auf ihre kontinuierliche Anwendung sowie eventuell erforderliche Verbesserungen liefern könnten. In Bezug auf die Sensitivitätsanalyse besteht die Möglichkeit, diese Studie unter Berücksichtigung zusätzlicher Eingaben und anwendbarer DSM-Methoden zu erweitern. Insbesondere dezentrale Verfahren basierend auf lokalen Messungen könnten in einer zukünftigen Arbeit auch getestet werden, da sie zusätzlich Überlastungen der Netzanlagen reduzieren können. Zukünftige Arbeiten zum Energieverbrauch sowie zur Vorhersage erneuerbarer Energien könnten sich auf die Fusion verschiedener Datenquellen in den Vorhersagerahmen konzentrieren. GNN-Modelle können heterogene Datenströme verarbeiten, daher wird es wichtig sein, zuverlässige Wettervorhersagen zu sammeln und diese neben den Netzmessungen zu verwenden. Wir glauben, dass dies der beste Weg ist, um grössere Gewinne bei der Lastprognose mit GNNs zu erzielen, die sogar über die in dieser Arbeit vorgestellte hohe Leistung hinausgehen.
|
Schlussbericht
(Englisch)
|
This document provides the description of ongoing work and results obtained so far in the scope of the research project SONDER “Service Optimization of Novel Distributed Energy Regions” carried out in the frame of ERA-Net RegSys programme.
The main goal of this project is to develop novel artificial intelligence (AI)-based load forecasting methods coupling them with advanced control schemes for the operation of a stationary battery energy storage system (BESS) installed in the distribution grid of Arbon city. The proposed BESS control scheme depends on the day-ahead load prediction, the transformer measurement, and the peak power of the previous timesteps of the month. In contrast to previously published peak shaving approaches, the presented method is robust against forecast deviations and utilizes the battery storage less than optimization-based methods. Moreover, the method is compliant to the regulatory framework for grid operation in Switzerland and most other European countries.
The well-structured dataset of Arbon Energie contains information from more than ten thousand smart meters sampled every fifteen minutes and represents one of largest and the most valuable repositories of its kind in Europe. This dataset is enriched with MV transformer level information and as such provides a very good testbed for training of multiple data-driven prediction models. Our investigation has demonstrated efficiency of various Deep-Learning (DL) methods including graph-based ones, exploiting their ability to model the non-linear dynamics of the transformer load. Furthermore, the developed DL predictors perform very well when coupled with proper BESS control scheme, showing also the importance of re-training of the model as new data becomes available every year. This also applies to online adaptation on new incoming data, by fine-tuning the model as it is being used for predictions.
Graph-based approaches have been adopted for the Arbon use case, including clustering of load profiles into multiple aggregates and training of Graph Neural Networks (GNNs). The models learned to predict the load at different levels of aggregation, with the goal of further improvement of the prediction accuracy. The experiments confirmed the effectiveness of the graph-based approaches in aggregating the smart meters data and forecasting the demand, although they have shown remarkable sensitivity to data quality. In various scenarios, GNNs can significantly decrease the error compared to simpler methods. Still, in the case of the Arbon MV transformer load, we achieve modest improvements due to mismatch between smart meters’ and transformers’ data. Therefore, we relied on traditional deep learning models in the case of BESS control, due to their simplicity, faster training, and easier online adaptation to new test data. Nevertheless, our research proves that GNNs are promising models for predicting multiple signals from different spatial locations and for learning the relationships between multiple time-series. Our methods are general and could be applied to other IoT and time-series forecasting scenarios characterized by many related signals coming from different spatial locations.
Concerning the BESS control scheme, the relative savings from peak shaving can increase year by year ranging from 48% in 2019 to 78% in 2022 compared to the theoretical optimum with perfect forecast. Moreover, the BESS can achieve higher savings when being based on the peak load prediction rather than on full load curve prediction. The proposed control algorithm does not also cause negative effects on the costs related to energy procurement and network usage fees. In addition, the control scheme leads to annual battery ageing rate of 2%, leaving space for further BESS utilization in the context of other services.
In the context of the sensitivity analysis conducted for the distribution networks of Arbon, various future scenarios related to increasing integration levels of PVs, EVSEs and HPs are simulated with the main goal to evaluate their impact on the voltage quality metrics and grid assets’ loadings. The performance of a DSM method for peak shaving based on transformer measurements is also examined. On the one hand, the examined LV distribution networks will not encounter voltage quality issues even under high penetration levels of PV, EVSE and HP units. On the other hand, overloadings on specific cables and at transformer level are expected particularly for the TS 1 network, rendering significant the grid reinforcement for the future scenarios. The examined DSM method decreases the peak power at transformer level, however, without reducing the loadings of grid cables. Since the period of high demands of EV and HP do not coincide with the period of high PV production, it is crucial to implement DSM based on local smart metering measurements.
As for possible future steps, the proposed BESS control scheme could also be evaluated for the second half of 2022, since the first half has shown very promising results. Furthermore, it would be very useful to test the evaluated method in a real field, since the experimental results could provide significant guidelines related to its continuous applications, as well as any improvements that may be needed. In terms of the sensitivity analysis, there is potential to extend this study considering additional inputs and applicable DSM methods. Particularly, decentralized schemes based on local measurements could also be tested in a future work, since they can additionally reduce overloading of the grid assets. Future work on energy consumption as well as renewable generation forecasting might focus on fusion of various data sources into the prediction framework. GNN models are able to process heterogeneous streams of data, so it will be important to collect reliable weather forecasts and use them alongside the grid measurements. We believe, this is the best way to achieve bigger gains in load forecasting with GNNs, that go even beyond the high performance presented in this work.
Zugehörige Dokumente
|
Schlussbericht
(Französisch)
|
Ce document fournit la description du travail en cours et des résultats obtenus jusqu'à présent dans le cadre du projet de recherche SONDER "Service Optimization of Novel Distributed Energy Regions" mené dans le cadre du programme ERA-Net RegSys.
L'objectif principal de ce projet est de développer de nouvelles méthodes de prévision de charge basées sur l'intelligence artificielle (IA), en les couplant à des schémas de contrôle avancés pour le fonctionnement d'un système de stockage d'énergie stationnaire (BESS) installé dans le réseau de distribution de la ville d'Arbon. Le schéma de contrôle BESS proposé dépend de la prévision de charge à J-1, de la mesure de transformateur et de la puissance de crête des intervalles de temps précédents du mois. Contrairement aux approches précédemment publiées, cette méthode est robuste face aux écarts de prévision et utilise le stockage de batterie moins que les méthodes basées sur l'optimisation. De plus, la méthode est conforme au cadre réglementaire pour l'exploitation du réseau en Suisse et dans la plupart des autres pays européens.
Le jeu de données bien structuré d'Arbon Energie contient des informations provenant de plus de dix mille compteurs intelligents échantillonnés toutes les quinze minutes et représente l'un des plus grands et des plus précieux référentiels de ce type en Europe. Ce jeu de données est enrichi d'informations de niveau de transformateur MV et constitue donc une très bonne plateforme de test pour la formation de multiples modèles de prédiction basés sur les données.
Notre étude a démontré l'efficacité de diverses méthodes de Deep Learning (DL), y compris celles basées sur les graphes, exploitant leur capacité à modéliser la dynamique non linéaire de la charge du transformateur. De plus, les prédicteurs DL développés fonctionnent très bien lorsqu'ils sont couplés à un schéma de contrôle BESS approprié, montrant également l'importance de la réévaluation du modèle à mesure que de nouvelles données deviennent disponibles chaque année. Cela s'applique également à l'adaptation en ligne aux nouvelles données entrantes, en affinant le modèle au fur et à mesure de son utilisation pour les prévisions.
Des approches basées sur les graphes ont été adoptées pour le cas d'utilisation d'Arbon, notamment le regroupement des profils de charge en plusieurs agrégats et la formation de réseaux neuronaux de graphes (GNN). Les modèles ont appris à prévoir la charge à différents niveaux d'agrégation, dans le but d'améliorer encore la précision de la prédiction. Les expériences ont confirmé l'efficacité des approches basées sur les graphes dans l'agrégation des données des compteurs intelligents et la prévision de la demande, bien qu'elles aient montré une sensibilité remarquable à la qualité des données. Dans divers scénarios, les GNN peuvent réduire considérablement l'erreur par rapport aux méthodes plus simples. Cependant, dans le cas de la charge de transformateur MV d'Arbon, nous avons obtenu des améliorations modestes en raison de la discordance entre les données des compteurs intelligents et celles de transformateur.
Par conséquent, nous avons utilisé des modèles traditionnels de DL dans le cas du contrôle BESS, en raison de leur simplicité, de leur formation plus rapide et de leur adaptation en ligne plus facile aux nouvelles données de test.
Néanmoins, notre recherche prouve que les GNN sont des modèles prometteurs pour prédire plusieurs signaux provenant de différentes localisations spatiales et pour apprendre les relations entre plusieurs séries chronologiques. Nos méthodes sont générales et pourraient être appliquées à d'autres scénarios de prévision IoT et de séries chronologiques caractérisés par de nombreux signaux liés provenant de différentes localisations spatiales.
En ce qui concerne le schéma de contrôle BESS, les économies relatives liées à l'écrêtage des pointes peuvent augmenter d'année en année, passant de 48 % en 2019 à 78 % en 2022 par rapport à l'optimum théorique avec une prévision parfaite. De plus, le BESS peut réaliser des économies supérieures lorsqu'il est basé sur la prédiction de la charge de pointe, plutôt que sur la prédiction de la courbe de charge complète. L'algorithme de contrôle proposé ne cause pas non plus d'effets négatifs sur les coûts liés à l'approvisionnement en énergie et aux frais d'utilisation du réseau. De plus, le schéma de contrôle entraîne un taux annuel de vieillissement de la batterie de 2 %, laissant ainsi de la place pour une utilisation ultérieure de la BESS dans le contexte d'autres services.
Dans le cadre de l'analyse de sensibilité effectuée pour les réseaux de distribution d'Arbon, différents scénarios futurs liés à l'intégration croissante de PV, EVSE et HP sont simulés dans le but principal d'évaluer leur impact sur les métriques de qualité de tension et les charges des actifs de réseau. La performance d'une méthode DSM pour peak shaving basée sur les mesures de transformateur est également examinée. D'une part, les réseaux de distribution LV examinés ne rencontreront pas de problèmes de qualité de tension même sous des niveaux de pénétration élevés d'unités PV, EVSE et HP. D'autre part, des surcharges sur des câbles spécifiques et au niveau des transformateurs sont attendues en particulier pour le réseau TS 1, ce qui rend significatif le renforcement du réseau pour les scénarios futurs. La méthode DSM examinée diminue la puissance de crête au niveau du transformateur, cependant, sans réduire les charges des câbles du réseau. Étant donné que la période de forte demande d'EV et de HP ne coïncide pas avec la période de forte production de PV, il est crucial de mettre en oeuvre DSM basé sur des mesures de comptage intelligentes locales.
En ce qui concerne les étapes futures possibles, le schéma de commande BESS proposé pourrait également être évalué pour la deuxième moitié de 2022, car la première moitié a montré des résultats très prometteurs. De plus, il serait très utile de tester la méthode évaluée sur le terrain réel, car les résultats expérimentaux pourraient fournir des directives importantes liées à ses applications continues, ainsi qu'à toute amélioration qui pourrait être nécessaire. En termes d'analyse de sensibilité, il y a potentiel pour étendre cette étude en considérant des entrées supplémentaires et des méthodes DSM applicables. En particulier, des schémas décentralisés basés sur des mesures locales pourraient également être testés dans un travail futur, car ils peuvent également réduire la surcharge des actifs du réseau. Les travaux futurs sur la consommation d'énergie ainsi que la prévision de la génération d'énergie renouvelable pourraient se concentrer sur la fusion de diverses sources de données dans le cadre de prédiction. Les modèles GNN sont capables de traiter des flux de données hétérogènes, il sera donc important de collecter des prévisions météorologiques fiables et de les utiliser aux côtés des mesures du réseau. Nous croyons que c'est la meilleure façon d'obtenir des gains plus importants dans la prévision de la charge avec des GNN, qui vont même au-delà des performances élevées présentées dans ce travail.
|
