Leakage-Safe K-Means-Assisted Multi-Objective Energy Management for a Solar and Wind–Battery Micro-grid

Stel je een klein, zelfvoorzienend energiesysteem voor dat een gemeenschap of een afgelegen faciliteit van stroom voorziet zonder afhankelijk te zijn van het elektriciteitsnet. Dit systeem, bekend als een microgrid, probeert drie bewegende delen in balans te houden: elektriciteit opgewekt door de zon en de wind, elektriciteit opgeslagen in grote batterijen, en elektriciteit geproduceerd door een back-upgenerator. De uitdaging is dat de zon niet altijd schijnt, de wind niet altijd waait en mensen niet altijd tegelijkertijd stroom gebruiken. Om de lichten aan te houden zonder brandstof te verspillen of de batterijen leeg te trekken, moet een computersysteem voortdurend beslissen wanneer de batterijen opgeladen moeten worden, wanneer de generator moet draaien en wanneer de hernieuwbare energie voor later moet worden bewaard. Dit besluitvormingsproces wordt energiebeheer genoemd. Als het systeem een fout maakt, kan de stroom uitvallen of kan er kostbare brandstof worden verspild door de generator te laten draaien terwijl de zon gebruikt had kunnen worden.

Onderzoekers van de Kocaeli Universiteit in Turkije zetten zich in om een slimmere manier te ontwikkelen om deze beslissingen te nemen. Ze wilden een systeem creëren dat het verleden kon bekijken en de directe toekomst kon voorspellen om een zonne- en windenergiegestuurd microgrid met een batterij te beheren. Hun aanpak omvatte twee hoofdideeën. Ten eerste gebruikten ze een computermethode genaamd Random Forest, een type machine learning dat leert van gegevens uit het verleden om te voorspellen wat de stroomvraag over één uur zal zijn. Ten tweede gebruikten ze een techniek genaamd K-Means clustering om vergelijkbare weer- en gebruikspatronen bij elkaar te groeperen. Zie deze groepen als verschillende "modi" waarin het systeem zich kan bevinden, zoals een zonnige dag met een laag stroomverbruik of een winderige nacht met een hoge vraag. Het doel was om te zien of het weten in welke "modus" het systeem zich bevond, de computer kon helpen betere keuzes te maken over wanneer de batterij te gebruiken en wanneer de generator te starten.

De onderzoekers waren zeer zorgvuldig om een veelvoorkomende fout in de computerwetenschappen te vermijden, genaamd data leakage (gegevenslek). Dit gebeurt wanneer een computer uit de toekomst leert terwijl hij het heden probeert te voorspellen, wat de resultaten perfect doet lijken maar in de echte wereld nutteloos maakt. Om dit te voorkomen, verdeelden ze hun gegevens in drie duidelijke tijdsperioden die nooit overlapten. Ze gebruikten de eerste periode om de computer te leren hoe hij de stroombehoeften kan voorspellen en hoe hij de verschillende operationele modi kan identificeren. Ze gebruikten de tweede periode om de regels te verfijnen waar de computer zich aan zou houden, om ervoor te zorgen dat het systeem niet zonder stroom komt te zitten of de batterij te veel ontlaadt. Ten slotte vergrendelden ze de instellingen van het systeem en testten ze het op de derde periode, die de computer nog nooit eerder had gezien. Deze strikte scheiding zorgde ervoor dat de resultaten weerspiegelden hoe het systeem zich daadwerkelijk in de echte wereld zou presteren, en niet alleen hoe goed het gegevens uit het verleden had onthouden.

De resultaten van deze zorgvuldige testen lieten zien dat het vermogen van de computer om de stroomvraag te voorspellen behoorlijk goed was. Met gebruik van de Random Forest-methode kon het systeem de stroombehoeften voor het volgende uur voorspellen met een gemiddelde fout van ongeveer 2,3 kilowatt, wat aanzienlijk beter was dan simpelweg aannemen dat het volgende uur exact hetzelfde zou zijn als het huidige uur. Echter, de studie vond iets verrassends over het tweede deel van hun plan. Het toevoegen van de "modus"-groepen uit de K-Means clustering hielp de computer niet echt om de stroomvraag beter te voorspellen. De groepen waren even nauwkeurig zonder de extra categorisering. Vanwege deze reden besloten de onderzoekers de groepen niet te gebruiken om de voorspelling zelf te verbeteren. In plaats daarvan gebruikten ze de groepen om het systeem te helpen de juiste strategie te kiezen voor het omgaan met stroom. Bijvoorbeeld, als het systeem een modus van "zonnige overvloed" herkende, zou het weten dat de batterijen opgeladen moeten worden; als het een modus van "lage stroom" zag, zou het weten dat het klaar moet staan om de generator te gebruiken.

Toen ze deze nieuwe aanpak testten tegen oudere methoden, lieten de resultaten een duidelijke afweging zien. Een ouder systeem dat alleen reageerde op wat er op dat moment gebeurde, gebruikte de batterij zwaar en ontlaadde deze snel om het gebruik van de generator te vermijden. Een ander systeem dat alleen vertrouwde op voorspellingen was zeer voorzichtig met de batterij, maar eindigde met het veel vaker gebruiken van de generator en het verspillen van veel hernieuwbare energie die opgeslagen had kunnen worden. Het nieuwe systeem, dat de voorspelde vraag en de operationele modi gebruikte om beslissingen te nemen, vertoonde specifieke operationele afwegingen. Het verminderde de hoeveelheid brandstof die de generator nodig had met bijna 60 procent vergeleken met het systeem dat alleen op voorspellingen gebaseerd was, terwijl het ook de verspilling van hernieuwbare energie met bijna 24 procent verminderde. Tegelijkertijd gebruikte het de batterij minder dan het reactieve systeem, wat de levensduur van de batterij verlengde. Echter, deze verbetering ging met een prijs gepaard: vergeleken met de reactieve baseline verhoogde het nieuwe systeem het energieverbruik van de generator met bijna 5.000 kWh en verhoogde het de curtailment (het beperken van de opwekking) van hernieuwbare energie met bijna 6.000 kWh. Ondanks deze toename in generatorgebruik en verspilling vergeleken met de reactieve aanpak, hield het nieuwe systeem de batterij bijna altijd op een veilig laadniveau, waardoor de gevaarlijke situatie waarbij de batterij te laag wordt, werd vermeden.

Er kwam echter een cruciaal detail naar voren tijdens de testfase: de methode die werd gebruikt om de beste systeeminstellingen te selecteren, identificeerde niet één unieke "beste" oplossing. Toen de onderzoekers 81 verschillende haalbare combinaties van instellingen testten, produceerden ze allemaal identieke prestatiescores. Omdat de testgegevens niet in staat waren om tussen deze opties te onderscheiden, rapporteerden de onderzoekers het uiteindelijke systeem niet als een uniek geoptimaliseerde oplossing, maar als een "feasibility-screened representative policy" (een op haalbaarheid gescreende representatieve beleidslijn). Dit betekent dat het systeem een geldige, werkende voorbeeld is die aan alle veiligheids- en betrouwbaarheidseisen voldoet, in plaats van het enkele wiskundig perfecte antwoord. De studie concludeerde dat deze aanpak goed werkt binnen de gesimuleerde omgeving die zij hebben gecreëerd. Het systeem slaagde erin de stroomvoorziening betrouwbaar te houden, met nul gevallen van stroomuitval tijdens de testperiode. Dit bereikte het door slimmere keuzes te maken over wanneer energie op te slaan en wanneer het te genereren, in plaats van alleen te reageren op het moment of te vertrouwen op een enkele voorspelling. De onderzoekers merkten op dat hoewel de resultaten veelbelovend zijn, ze gebaseerd zijn op een simulatie van een specif kind van batterij en een jaar aan weergegevens. Ze benadrukten dat de kracht van de methode ligt in hun strikte testregels, die bewezen dat het systeem uit het verleden kon leren zonder in de toekomst te kijken. Dit werk biedt een solide blauwdruk voor het bouwen van energiebeheersystemen die zowel efficiënt als betrouwbaar zijn, mits ze met dezelfde zorg worden getest voordat ze in de echte wereld worden geïnstalleerd.