Kurzbeschreibung
(Deutsch)
|
Aus wirtschaftlichen, gesellschaftlichen und ökologischen Notwendigkeiten heraus besteht der Bedarf die Netzverstärkung zu minimieren. Lastspitzen hingegen erfordern höhere Netzkapazitäten und destabilisieren zudem die Netze, insbesondere zunehmend mit dem wachsenden Anteil an erneuerbaren Energien. Ziel dieses Projekts ist es, in einer realen Netzumgebung mit einem ganzheitlich integrierenden Ansatz ein adaptives System zum Glätten von Lastspitzen zu realisieren. Dazu soll in einem breit angelegten Feldtest - aufbauend auf Algorithmen aus dem Innosuisse-Projekt NILM4Balance - ein intelligentes Energiemanagement- und Verbrauchsplanungssystem erprobt und beurteilt werden. Basierend auf den Echtzeitdaten der teilnehmenden Netzbetreiber (Ebenen 5-7) sollen durch Analyse und Ansteuerung von flexiblen Verbrauchern wie Wärmepumpen, Boilern und E-Ladestationen Lastspitzen geglättet werden, indem Energieproduktion und -verbrauch prognostiziert und aufeinander abgestimmt werden.
|
Kurzbeschreibung
(Englisch)
|
Due to economic, social and environmental necessities, there is a need to minimize grid expansion. Load peaks, on the other hand, require higher grid capacities and also destabilize the grids, especially increasingly with the growing share of renewable energies. The goal of this project is to implement an adaptive system for peak shaving in a real grid environment using a general integrative approach. An intelligent energy management and consumption planning system will be tested and evaluated in a broad field test - building on algorithms of the NILM4Balance Innosuisse project. Based on the real-time data of the participating grid operators (levels 5-7), peak loads are to be smoothed by analyzing and controlling flexible consumers such as heat pumps, boilers and e-charging stations by forecasting and coordinating energy production and consumption.
|
Kurzbeschreibung
(Französisch)
|
Pour des raisons économiques, sociales et écologiques, il est nécessaire de minimiser le renforcement du réseau. En revanche, les pics de charge nécessitent des capacités de réseau plus importantes et déstabilisent en outre les réseaux, notamment de plus en plus avec la part croissante des énergies renouvelables. L'objectif de ce projet est de réaliser un système adaptatif de lissage des pics de charge dans un environnement de réseau réel, en utilisant une approche intégrative globale. Pour ce faire, un système intelligent de gestion de l'énergie et de planification de la consommation doit être testé et évalué dans le cadre d'un test de terrain à grande échelle - sur la base d'algorithmes issus du projet Innosuisse NILM4Balance. En se basant sur les données en temps réel des gestionnaires de réseau participants (niveaux 5 à 7), l'analyse et la commande de consommateurs flexibles tels que les pompes à chaleur, les chauffe-eau et les stations de recharge électrique doivent permettre de lisser les pics de charge en prévoyant la production et la consommation d'énergie et en les coordonnant.
|
Publikationen / Ergebnisse
(Deutsch)
|
Betreiber von Stromverteilnetzen sind aus finanziellen und betrieblichen Gründen daran interessiert, Lastspitzen zu vermeiden. Ein Pilot- und Demonstrationsprojekt unter der Leitung der Hochschule Luzern zeigt einen Weg, wie sich im Netz grosse Verbraucher wie Boiler, Wärmepumpen und Ladestationen automatisiert aufspüren und für ein optimiertes Lastmanagement nutzen lassen.
Zugehörige Dokumente
|
Publikationen / Ergebnisse
(Französisch)
|
Pour des raisons financières et d’exploitation, les exploitants des réseaux de distribution d’électricité ont tout intérêt à éviter les pics de charge. Un projet pilote et de démonstration dirigé par la Haute école de Lucerne montre un moyen de détecter automatiquement les gros consommateurs tels que les chauffe-eau, les pompes à chaleur et les stations de recharge sur les réseaux, et de les utiliser pour une gestion optimisée de la charge.
Zugehörige Dokumente
|
Schlussbericht
(Deutsch)
|
Das Ziel des Projektes GIASES war es, in einer realen Netzumgebung mit mehreren Tausend Messpunkten (Standard Smart-Meter mit 15 min Auflösung) mittels eines ganzheitlich integrierenden Ansatzes ein adaptives System zum Glätten von Lastspitzen zu erproben, um den Bedarf an Netzverstärkung zu reduzieren. Hierzu wurde in einem breit angelegten Feldtest ein intelligentes Energiemanagement- und Verbrauchsplanungssystem getestet und beurteilt. Basierend auf den Echtzeitdaten der teilnehmenden Netzbetreiber (Ebenen 5-7) wurden durch Analyse und Ansteuerung von flexiblen Verbrauchern wie Wärmepumpen, Boilern und E-Ladestationen Lastspitzen geglättet, indem Energieproduktion und -verbrauch prognostiziert und aufeinander abgestimmt wurden. Die Gerätetyperkennung und Disaggregation von Lastkurven durch adaptierte und neu entwickelte Algorithmen haben gute Ergebnisse in der präzisen Identifizierung von Photovoltaikanlagen, Wärmepumpen, Boilern und E-Ladestationen erzielt, trotz Herausforderungen wie der falschen Erkennung in spezifischen Konfigurationen. Die Vorhersage des Verhaltens von Wärmepumpen im Hinblick auf Wärmebedarf, Warmwasser und Gesamtverbrauch zeigt, dass eine hohe Genauigkeit für Flexibilitäts-Anwendungsfälle erreicht werden kann. Auch die Optimierungen in der Verbrauchsplanung zeigen, dass durch den Einsatz flexibler Komponenten und entsprechender Steuerungsstrategien erhebliche Lastspitzenreduktionen und Effizienzsteigerungen möglich sind, insbesondere durch eine gezieltere und effizientere Gruppierung von Flexibilitäten sowie der gestaffelten Abschaltung von privaten E-Ladestationen zwischen 17 und 21 Uhr. Insgesamt zeigt das Projekt, dass durch die intelligente Analyse, Vorhersage und Steuerung von Energieverbräuchen nicht nur die Effizienz gesteigert, sondern auch signifikante Beiträge zur Netzstabilität und zur Reduktion von Netzausbaubedarfen geleistet werden können.
Zugehörige Dokumente
|
Schlussbericht
(Englisch)
|
The aim of the GIASES project was to test an adaptive system for smoothing load peaks in a real grid environment with several thousand measuring points (standard smart meter with 15 min resolution) using a holistic, integrative approach to reduce the need for grid reinforcement. To this end, an intelligent energy management and consumption planning system was tested and evaluated in a large-scale field test. Based on real-time data from the participating grid operators (levels 5-7), load peaks were smoothed by analysing and controlling flexible consumers such as heat pumps, boilers and e-charging stations by forecasting and coordinating energy production and consumption. Device type detection and disaggregation of load curves through adapted and newly developed algorithms have achieved good results in the precise identification of photovoltaic systems, heat pumps, boilers and e-charging stations, despite challenges such as false detection in specific configurations. Predicting the behaviour of heat pumps in terms of heat demand, hot water and total consumption shows that a high level of accuracy can be achieved for flexibility use cases. The optimisations in consumption planning also show that the use of flexible components and corresponding control strategies can significantly reduce peak loads and increase efficiency, particularly through a more targeted and efficient grouping of flexibilities and the staggered shutdown of private e-charging stations between 5 and 9 pm. Overall, the project shows that the intelligent analysis, prediction and control of energy consumption can not only increase efficiency, but also make a significant contribution to grid stability and reduce the need for grid expansion.
|
Schlussbericht
(Französisch)
|
L'objectif du projet GIASES était de tester, dans un environnement de réseau réel comportant plusieurs milliers de points de mesure (compteurs intelligents standard avec une résolution de 15min), un système adaptatif de lissage des pics de charge au moyen d'une approche intégrative globale, afin de réduire le besoin de renforcement du réseau. Pour ce faire, un système intelligent de gestion de l'énergie et de planification de la consommation a été testé et dans le cadre d'un de réseau participants (niveaux 5 à 7), l'analyse et la commande de consommateurs flexibles tels que les pompes à chaleur, les chauffe-eau et les stations de recharge électrique ont permis de lisser les pics de charge en prévoyant la production et la consommation d'énergie et en les coordonnant. La détection du type d'appareil et la désagrégation des courbes de charge par des algorithmes adaptés et nouvellement développés ont donné de bons résultats dans l'identification précise des systèmes photovoltaïques, des pompes à chaleur, des chauffe-eau et des stations de recharge électrique, malgré des défis tels que la mauvaise détection dans des configurations spécifiques. La prédiction du comportement des pompes à chaleur en termes de demande de chaleur, d'eau chaude et de consommation totale montre qu'une grande précision peut être atteinte pour les cas d'application de la flexibilité. Les optimisations de la planification de la consommation montrent également qu'il est possible de réduire considérablement les pics de charge et d'augmenter l'efficacité grâce à l'utilisation de composants flexibles et de stratégies de contrôle appropriées, notamment grâce à un regroupement plus ciblé et plus efficace des flexibilités et à la déconnexion échelonnée des stations de recharge électriques privées entre 17 et 21 heures. Dans l'ensemble, le projet montr que l'analyse, la prévision et le contrôle intelligents des consommations d'énergie permettent non seulement d'augmenter l'efficacité, mais aussi de contribuer de manière significative à la stabilité du réseau et à la réduction des besoins d'extension du réseau.
|
