The Impact of PV Generation Forecast and Multi-Objective Control Policy on Optimal Operation of Grid Connected PV-BESS Microgrid
Questo studio dimostra che l'integrazione di un modello di previsione della potenza fotovoltaica basato su LSTM con una politica di controllo multi-obiettivo migliora significativamente l'operatività ottimale delle microreti PV-BESS connesse alla rete, migliorando l'autoconsumo e riducendo le iniezioni in rete, nonostante il compromesso derivante da un maggiore utilizzo della batteria.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il sole è un vicino generoso ma imprevedibile. Fornisce una quantità massiccia di energia pulita, eppure la sua produzione varia costantemente con le nuvole, l'ora del giorno e le stagioni. Per la rete elettrica, che deve bilanciare offerta e domanda ogni secondo per mantenere accese le luci e far funzionare gli elettrodomestici, questa variabilità crea una sfida significativa. Se un sistema di pannelli solari produce più elettricità di quanta un quartiere ne abbia bisogno in un dato momento, quell'energia in eccesso deve andare da qualche parte. Se non viene gestita con cura, può inondare la rete locale, causando picchi di tensione o congestione che minacciano la stabilità. Per risolvere questo problema, gli ingegneri si rivolgono sempre più a una combinazione di pannelli solari, sistemi di accumulo a batteria e programmi informatici intelligenti. Le batterie agiscono come un buffer, assorbendo l'energia in eccesso quando il sole è splendente e rilasciandola quando il cielo si oscura o la domanda aumenta. Tuttavia, affinché questo sistema funzioni in modo efficiente, il computer deve sapere esattamente cosa farà il sole nelle ore successive. Senza una previsione affidabile, il sistema potrebbe caricare la batteria troppo tardi, sprecare energia o prelevare troppa potenza dalla rete principale, vanificando lo scopo stesso di avere l'energia solare.
I ricercatori dell'Università di scienze e tecnologia della Norvegia si sono posti l'obiettivo di testare quanto sia migliore un sistema solare-batteria quando utilizza un sofisticato modello informatico per prevedere il tempo rispetto a metodi più semplici. Si sono concentrati su un tipo specifico di intelligenza artificiale chiamata rete Long Short-Term Memory, o LSTM, progettata per apprendere schemi dai dati storici, proprio come una persona impara ad anticipare il tempo osservando il cielo per molti anni. Il team ha costruito una simulazione digitale di un piccolo sistema energetico autonomo collegato alla rete principale. Questa configurazione virtuale includeva un array solare da venti kilowatt, una batteria da trenta kilowattora e un carico che rappresentava il consumo elettrico di cento tipiche case norvegesi. Hanno poi fatto girare questo sistema attraverso una simulazione di due mesi, coprendo i mesi di fine estate e inizio autunno, utilizzando dati reali per l'irraggiamento solare, il consumo domestico e i prezzi dell'elettricità del mercato norvegese.
I ricercatori hanno confrontato tre diversi modi di gestire questo sistema. Il primo era uno scenario ideale in cui il computer conosceva l'esatta quantità di luce solare che sarebbe arrivata ogni quindici minuti per l'intera giornata successiva. Questo fungeva da benchmark perfetto. Il secondo scenario utilizzava un metodo molto basilare chiamato modello di persistenza, che semplicemente assume che il sole splenda esattamente come faceva nei quindici minuti precedenti. Questo è un approccio comune e a bassa tecnologia che spesso fallisce quando il tempo cambia rapidamente. Il terzo scenario utilizzava il modello avanzato LSTM, che analizzava anni di dati meteorologici e solari passati per prevedere la generazione di energia delle ventiquattr'ore successive. L'obiettivo era vedere come questi diversi livelli di accuratezza della previsione influenzassero il costo dell'elettricità, quanta energia solare venisse utilizzata localmente rispetto a quella sprecata e quanto lavoro dovesse compiere la batteria.
I risultati hanno mostrato una chiara differenza tra i metodi. Quando il sistema utilizzava il semplice modello di persistenza, faticava ad anticipare i cambiamenti del sole. Poiché non poteva vedere il futuro, spesso non riusciva a caricare la batteria quando c'era un surplus di energia solare, portando a una situazione in cui il sistema doveva acquistare più elettricità dalla rete per soddisfare la domanda. Inoltre, non riusciva ad accumulare abbastanza energia per evitare l'invio di grandi quantità di energia in eccesso nella rete durante il giorno. Ciò ha portato a un tasso di autoconsumo, che misura quanta parte dell'energia solare viene utilizzata direttamente dalla casa, di soli 78,1 percento. Al contrario, il sistema che utilizzava la previsione LSTM si comportava molto più vicino allo scenario ideale. Prevedendo accuratamente quando il sole sarebbe stato forte, il computer poteva caricare la batteria in anticipo e scaricarla nei momenti giusti. Questo approccio ha elevato il tasso di autoconsumo all'84,5 percento e ha ridotto le iniezioni in rete dell'82 percento rispetto al modello di persistenza.
Lo studio ha anche evidenziato un compromesso inerente a questa tecnologia. Più accurata è la previsione, maggiore è l'uso della batteria. Negli scenari ideali e LSTM, la batteria ha effettuato cicli di carica e scarica molto più frequentemente rispetto al modello semplice. Sebbene questo uso frequente significasse che il sistema fosse più efficiente e risparmiasse più denaro sulle bollette elettriche, significava anche che la batteria stava lavorando di più. I ricercatori hanno notato che questa attività aumentata potrebbe portare a un invecchiamento più rapido della batteria nel tempo, un costo che deve essere pesato rispetto al risparmio immediato. Tuttavia, i benefici di una previsione accurata sono stati sostanziali. Il sistema che utilizzava il modello LSTM ha ridotto l'errore nelle sue previsioni di potenza del 6 percento rispetto al modello semplice, il che si è tradotto direttamente in migliori risultati finanziari e operativi. Il team ha scoperto che guardare avanti di ventiquattro ore forniva il miglior equilibrio, permettendo al sistema di pianificare efficacemente senza che le previsioni diventassero troppo inaffidabili man mano che la finestra temporale si estendeva.
In definitiva, questo lavoro dimostra che l'intelligenza dietro il sistema di controllo è importante quanto l'hardware stesso. Un pannello solare e una batteria sono validi solo quanto la strategia utilizzata per gestirli. Integrando un sofisticato modello di previsione, i ricercatori hanno dimostrato che è possibile ridurre significativamente la dipendenza dalla rete principale, abbassare i costi e minimizzare l'impatto che l'energia solare pone sull'infrastruttura elettrica. I risultati suggeriscono che, man mano che l'energia solare diventa più comune, la capacità di prevedere la sua produzione con alta precisione sarà essenziale per mantenere la rete stabile ed efficiente. Sebbene lo studio sia stato condotto tramite una simulazione utilizzando dati reali, i risultati puntano verso un futuro in cui il software intelligente giocherà un ruolo cruciale nel rendere l'energia rinnovabile una parte affidabile e dominante del mix energetico globale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.