Optimizacija obratovanja nizkonapetostnega distribucijskega omrežja z integrirano fleksibilnostjo v realnem času s pomočjo globokega spodbujevanega učenja (DRIFT)

Sodobni elektroenergetski sistem se sooča z izzivi velikega deleža proizvodnje iz obnovljivih virov in naraščajoče porabe električnih vozil ter toplotnih črpalk, kar v veliki meri vpliva na delovanje elektroenergetskega omrežja predvsem na distribucijskem nivoju. Da bi se izognili obsežni in dragi ojačitvi omrežja, je nujna uporaba naprednih algoritmov za vodenje omrežja, ki morajo omogočati tudi uporabo prožnosti aktivnih uporabnikov omrežja. Sodobni algoritmi za vodenje distribucijskega omrežja običajno temeljijo na algoritmih brez poznavanja stanja omrežja (npr. na osnovi pravil) ali na algoritmih optimizacije trenutnega stanja omrežja. Glavna pomanjkljivost prvih je njihova nizka prilagodljivost spremenljivim omrežnim razmeram, omejitev pri uporabi optimizacijskih algoritmov pa je vedno večja kompleksnost omrežja, kar ima za posledico časovno potraten proces izračuna. Rešitev teh izzivov leži v smeri vodenja omrežja v realnem času, ki ga omogočajo napredni koncepti umetne inteligence. Za premagovanje ovir pri uveljavitvi novih algoritmov v praksi je potrebno tudi temeljito testiranje v realnem okolju, skupaj z razlago njihovega delovanja operaterjem distribucijskega omrežja. Za resnično sprejemljivo rešitev v smislu vodenja distribucijskega omrežja morajo biti takšne rešitve tudi ponovljive in razširljive, zato so študije razširljivosti in ponovljivosti ključne za sprejetje novih algoritmov. Projekt DRIFT se osredotoča na reševanje zgornjih izzivov z razvojem algoritma za vodenje omrežja, ki bo temeljil na globokem spodbujevanem učenju (deep reinforcement learning, DRL), in bo omogočal optimalno izkoriščanje razpoložljive prožnosti aktivnih uporabnikov omrežja. Optimalnost se nanaša na minimalno uporabo prožnosti za doseganje zahtevanih obratovalnih razmer v omrežju. V okviru projekta DRIFT bomo razvili učinkovito arhitekturo globoke nevronske mreže. Okvir za spodbujevano učenje, ki omogoča vključitev specifičnosti domene, bo opredeljen in razširjen tako, da bo vključeval možnost vodenja s strani agenta. Algoritem bo najprej razvit in preizkušen brez povezave z omrežjem. Za učni proces modela bodo uporabljeni zgodovinski podatki meritev, za zagotovitev ustrezno velikega nabora podatkov za učenje pa bodo dodatni podatki generirani s pomočjo obstoječega orodja za simulacijo delovanja distribucijskega omrežja. Razvit algoritem vodenja omrežja bo implementiran v dejansko nizkonapetostno distribucijsko omrežje. Cilj predlaganega sistema je izboljšanje napetostnih profilov in preprečitev preobremenitve transformatorjev ter na ta način povečati zmogljivost omrežja, v smislu zmožnosti vključevanja virov in novih breme brez ojačitve primarne omrežne infrastrukture. Aktivne komponente v omrežju v okviru projekta DRIFT bodo predvsem toplotne črpalke, sončne elektrarne in baterijski hranilniki uporabnikov. Zadnja faza projekta je študija ponovljivosti predlagane metodologije na druga distribucijska omrežja in njene razširljivosti v smislu zahtevanih podatkov, merilne infrastrukture, potrebne računske moči in stroškov v primeru širše implementacije. Predlagano rešitev želimo uresničiti z združevanjem znanja na področjih modeliranja in vodenja omrežij (UL Fakulteta za elektrotehniko), umetne inteligence (UL Fakulteta za računalništvo in informatiko) in delovanja omrežij (distribucijski operater Elektro Gorenjska). Poleg tega je znotraj UL FE in EG na voljo znanje iz domen delovanja omrežja in umetne inteligence, kar bo olajšalo interakcijo med obema. Sofinancerji projekta so sistemski operater distribucijskega omrežja z električno energijo SODO, operater distribucijskega omrežja Elektro Gorenjska in operater prenosnega omrežja ELES. Njihovo sodelovanje kaže interes ključnih deležnikov za implementacijo naprednih konceptov vodenja omrežja kar zagotavlja ustrezno podporo pri izvedbi projekta.