The Impact of PV Generation Forecast and Multi-Objective Control Policy on Optimal Operation of Grid Connected PV-BESS Microgrid
Deze studie toont aan dat het integreren van een op LSTM gebaseerd PV-vermogensvoorspellingsmodel met een multi-objectief regelbeleid de optimale exploitatie van netgekoppelde PV-BESS microgrids aanzienlijk verbetert door het zelfverbruik te verhogen en de injectie in het net te verminderen, ondanks de afweging van een verhoogd batterijgebruik.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De zon is een genereuze maar onvoorspelbare buurman. Ze levert een enorme hoeveelheid schone energie, maar de opbrengst fluctueert voortdurend door de wolken, de tijd van de dag en de seizoenen. Voor het elektriciteitsnet, dat de aanbod en vraag elke seconde in evenwicht moet houden om lampen te laten branden en apparaten te laten werken, creëert deze variabiliteit een aanzienlijke uitdaging. Als een zonnepaneelsysteem op een bepaald moment meer elektriciteit produceert dan een buurt nodig heeft, moet die overtollige energie ergens heen. Als dit niet zorgvuldig wordt beheerd, kan het het lokale net overspoelen, wat zorgt voor spanningspieken of congestie die de stabiliteit bedreigen. Om dit op te lossen, richten ingenieurs zich steeds vaker op een combinatie van zonnepanelen, batterijopslagsystemen en slimme computerprogramma's. De batterijen fungeren als een buffer, die extra stroom opzuigt wanneer de zon fel schijnt en deze weer afgeeft wanneer de lucht donkerder wordt of de vraag stijgt. Echter, om dit systeem efficiënt te laten werken, moet de computer precies weten wat de zon in de komende uren zal doen. Zonder een betrouwbare voorspelling kan het systeem de batterij te laat opladen, energie verspillen of te veel stroom uit het hoofdnet trekken, wat het doel van het hebben van zonneenergie tenietdoet.
Onderzoekers aan de Noorse Universiteit van Technologie wilden testen hoeveel beter een zonne-batterijsysteem presteert wanneer het een geavanceerd computermodel gebruikt om het weer te voorspellen vergeleken met eenvoudigere methoden. Ze richtten zich op een specifiek type kunstmatige intelligentie genaamd een Long Short-Term Memory netwerk, of LSTM, die is ontworpen om patronen te leren van historische gegevens, vergelijkbaar met hoe een persoon het weer anticipeert door jarenlang naar de lucht te kijken. Het team bouwde een digitale simulatie van een klein, zelfvoorzienend energiesysteem dat verbonden is met het hoofdnet. Deze virtuele opstelling omvatte een twintig kilowatt zonnepanelenarray, een dertig kilowattuur batterij en een belasting die het elektriciteitsverbruik van honderd typische Noorse huishoudens vertegenwoordigt. Vervolgens lieten ze dit systeem door een simulatie van twee maanden lopen, die de late zomer en de vroege herfstmaanden besloeg, waarbij gebruik werd gemaakt van echte gegevens voor zonlicht, huishoudelijk verbruik en elektriciteitsprijzen uit de Noorse markt.
De onderzoekers vergeleken drie verschillende manieren om dit systeem te beheren. De eerste was een ideaal scenario waarin de computer de exacte hoeveelheid zonlicht die elke vijftien minuten zou arriveren voor de hele dag vooraf wist. Dit diende als een perfecte benchmark. Het tweede scenario gebruikte een zeer basale methode genaamd een persistentiemodel, dat simpelweg ervan uitgaat dat de zon precies zo zal schijnen als in de vorige vijftien minuten. Dit is een veelgebruikte, laagtechnologische aanpak die vaak faalt wanneer het weer snel verandert. Het derde scenario gebruikte het geavanceerde LSTM-model, dat jaren aan eerdere weer- en zondata analyseerde om de volgende vierentwintig uur aan energieopwekking te voorspellen. Het doel was om te zien hoe deze verschillende niveaus van voorspellingsnauwkeurigheid de kosten van elektriciteit beïften, hoeveel zonne-energie er lokaal werd gebruikt versus verspild, en hoe hard de batterij moest werken.
De resultaten toonden een duidelijk verschil tussen de methoden. Wanneer het systeem het eenvoudige persistentiemodel gebruikte, had het moeite om veranderingen in de zon te voorzien. Omdat het de toekomst niet kon zien, slaagde het er vaak niet in om de batterij op te laden wanneer er een overschot aan zonne-energie was, wat leidde tot een situatie waarin het systeem meer elektriciteit van het net moest kopen om aan de vraag te voldoen. Het slaagde er ook niet in om genoeg energie op te slaan om grote hoeveelheden overtollige stroom tijdens de middag terug naar het net te voorkomen. Dit resulteerde in een zelfconsumptiegraad, die meet hoeveel van de zonnekracht direct door het huis werd gebruikt, van slechts 78,1 procent. In tegenstelling hiertoe presteerde het systeem met de LSTM-voorspelling veel dichter bij het ideale scenario. Door nauwkeurig te voorspellen wanneer de zon sterk zou zijn, kon de computer de batterij vooraf opladen en op de juiste momenten ontladen. Deze aanpak bracht de zelfconsumptiegraad naar 84,5 procent en verminderde de injecties in het net met 82 procent vergeleken met het persistentiemodel.
De studie benadrukte ook een afweging die inherent is aan deze technologie. Hoe nauwkeuriger de voorspelling, hoe meer de batterij werd gebruikt. In de ideale en LSTM-scenario's doorliep de batterij veel vaker cycli van laden en ontladen dan in het eenvoudige model. Hoewel dit frequente gebruik betekende dat het systeem efficiënter was en meer geld bespaarde op elektriciteitsrekeningen, betekende het ook dat de batterij harder moest werken. De onderzoekers merkten op dat deze verhoogde activiteit op termijn kan leiden tot snellere veroudering van de batterij, een kostenpost die moet worden afgewogen tegen de directe besparingen. De voordelen van de nauwkeurige voorspelling waren echter aanzienlijk. Het systeem dat het LSTM-model gebruikte, verminderde de fout in zijn stroomvoorspellingen met 6 procent vergeleken met het eenvoudige model, wat zich direct vertaalde in betere financiële en operationele resultaten. Het team kwam tot de conclusie dat het vooruitkijken over vierentwintig uur de beste balans bood, waardoor het systeem effectief kon plannen zonder dat de voorspellingen te onbetrouwbaar werden naarmate de tijdsperiode verder uitrekte.
Uiteindelijk toont dit werk aan dat de intelligentie achter het controlesysteem net zo belangrijk is als de hardware zelf. Een zonnepaneel en een batterij zijn slechts zo goed als de strategie die wordt gebruikt om hen te beheren. Door een geavanceerd voorspellingsmodel te integreren, lieten de onderzoekers zien dat het mogelijk is om de afhankelijkheid van het hoofdnet aanzienlijk te verminderen, kosten te verlagen en de druk die zonne-energie op de elektrische infrastructuur legt te minimaliseren. De bevindingen suggereren dat naarmate zonne-energie gebruikelijker wordt, het vermogen om de opbrengst met hoge nauwkeurigheid te voorspellen essentieel zal zijn om het net stabiel en efficiënt te houden. Hoewel de studie werd uitgevoerd als een simulatie met echte gegevens, wijzen de resultaten op een toekomst waarin slimme software een cruciale rol speelt bij het maken van zonne-energie een betrouwbaar en dominant onderdeel van de wereldwijde energievoorziening.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.