Szukaj

Wykorzystanie danych pomiarowych ze stacji SN/nN w algorytmach optymalizujących pracę sieci elektroenergetycznej

Wykorzystanie danych pomiarowych ze stacji SN/nN w algorytmach optymalizujących pracę sieci elektroenergetycznej

Łukasz Kasperski
Departament Zarządzania Informacją Pomiarową
ENEA Operator Sp.z o.o
lukasz.kasperski@operator.enea.pl

 

Wstęp

Drugie dziesięciolecie dwudziestego pierwszego wieku w polskiej energetyce przyniosło rewolucyjne zmiany polegające na rozpoczęciu transformacji energetycznej. Droga odchodzenia od tradycyjnej energetyki opartej na konwencjonalnych źródłach energii dużej mocy, takich jak elektrownie węgla brunatnego czy kamiennego, w kierunku rozproszonej generacji z odnawialnych źródeł energii jest długa i naznaczona wieloma wyzwaniami. Jednym z nieodłącznych składników sieci inteligentnych jest pozyskiwanie, magazynowanie oraz przetwarzanie olbrzymiej ilości danych pomiarowych, niespotykanych wcześniej w energetyce. Odpowiednie zagospodarowanie tak szerokich informacji otwiera przed operatorami sieci elektroenergetycznej bardzo duże możliwości- m.in.  w zakresie poprawy efektywności pracy sieci przez lepszy dobór urządzeń, takich jak transformatory czy przekładniki prądowe oraz poprawę skuteczności i jakości dostaw energii, dzięki optymalizacji czasu planowanych przerw czy zapewnienie rezerwowego zasilania w postaci wykorzystania agregatów prądotwórczych. Innym aspektem jest potrzeba kontroli parametrów jakości napięcia dostarczanego do klientów. Dzięki stworzonej architekturze umożliwiającej pomiary energii elektrycznej w stacjach SN/nN i pozyskiwanej bogatej bazie pomiarowej istnieje możliwość działania kompleksowego, a także wykrywania nieprawidłowości, zanim ich negatywne skutki odczują klienci.

Dane pomiarowe ze stacji SN/nN

Aby jednak przejść do sedna sprawy, niezbędne jest przedstawienie, jakimi informacjami dysponuje ENEA Operator w zakresie danych pozyskiwanych ze stacji SN/nN, nazywanych stacjami bilansującymi. W drugiej połowie 2018 roku, aż 85% wszystkich stacji (30500 sztuk) znajdujących się na obszarze spółki zostało wyposażonych w układy pomiarowe wraz ze zdalną transmisją danych. Podczas typowania obiektów do wyposażania w liczniki bilansujące największy nacisk został położony na liczbę klientów przyłączonych na niskim napięciu, dzięki temu ponad 96% z nich jest zasilanych ze stacji, z których dysponujemy danymi pomiarowymi.

Dane rejestrowane przez liczniki możemy podzielić na trzy główne typy:

- Dane ilościowe, w skład  których wchodzą 15-minutowe profile mocy i energii. Rejestracji podlega zarówno energia czynna, jak i bierna w obu kierunkach, co jest  bardzo istotne w erze powszechnego przyłączenia małych instalacji wytwórczych i prosumenckich w sieci nN– szczególnie w zakresie bilansowania sieci.

- Dane jakościowe, czyli 10-minutowe profile prądów i napięć oraz tygodniowe wskaźniki jakości od W1 do W4, które wprost odnoszą się do polskich rozporządzeń w  dziedzinie jakości energii elektrycznej.

- Ostatnim typem danych są zdarzenia licznikowe, takie jak podwyższony poziom napięcia, zaniki zasilania itd.

Dzięki utrzymaniu wysokiego wskaźnika KPI pozyskania danych zdalnie, codziennie do systemu trafia blisko 50 milionów danych. Aby zrobić użytek z tak olbrzymiej bazy informacji, ENEA Operator opracowała szereg algorytmów, które poprawiają zarządzanie siecią elektroenergetyczną.

Filary budowy algorytmów

Algorytmy optymalizujące pracę sieci elektroenergetycznych są tworzone w oparciu o trzy filary: dane pomiarowe pracy sieci, standardy Enea Operator oraz wiedzę ekspercką i szerokie doświadczenia pracowników Spółki, w niektórych przypadkach wspartą przez zespoły badawcze i pracowników uczelni. Oprócz opracowania algebraicznego niezbędne do prawidłowego działania algorytmów jest wdrożenie ich w centralnym systemie akwizycji danych pomiarowych. W przypadku ENEA Operator rolę tę pełni aplikacja origAMI. W niniejszym artykule zostanie omówionych pięć algorytmów, wykorzystujących dane pobierane ze stacji bilansujących oraz w przypadku jednego z nich (algorytmu doboru przekładników prądowych) z profilowych liczników klientów. Ich wdrożenie umożliwia zoptymalizowane zarządzanie pracą sieci elektroenergetycznej oraz zmniejszenie różnicy bilansowej przez ograniczenie strat.  Wraz z dalszym rozwojem sieci inteligentnych, a także zbierania doświadczeń z nim związanych, planowany jest ciągły rozwój zarządzania danymi w oparciu o algorytmy.

Algorytm doboru transformatora

Algorytm doboru transformatora został stworzony dzięki współpracy z Politechniką Poznańską. Bazuje na rzeczywistych danych pomiarowych z pełnego roku, przez co uwzględnia dobowe, tygodniowe oraz sezonowe zmiany obciążenia. Celem jego wdrożenia jest optymalny dobór mocy transformatora, a co za tym idzie, ograniczenie strat. Efektem jest zatem zwiększenie efektywności energetycznej i ograniczenie kosztów. Dzięki temu możliwe jest również ograniczenie emisji CO2, co wpływa na proekologiczność tego projektu.  

Algorytm, oprócz optymalnej mocy transformatora dobranej na podstawie bazy posiadanych przez operatora urządzeń, ukazuje drogę dojścia do wyznaczenia tej wartości, co pomaga użytkownikowi w ocenie rezultatu. Czynniki przez niego uwzględniane to:

- roczne krzywe obciążenia wyznaczane na podstawie rzeczywistych wartości mocy za okres roku;

- generacja źródeł wytwórczych zainstalowanych po stronie nN transformatora;

- rezerwowanie stacji – możliwość zasymulowania prognozowanego obciążenia przy rezerwie ukrytej bądź jawnej;

- kryteria dodatkowe, do których zaliczamy zmiany temperatury otoczenia (współczynnik temperaturowy) oraz wzrost zużycia wynikający z przyłączenia nowych odbiorów (minimum 10 lat);

- kryteria ekonomiczne – organicznie strat, uwzględnienie kosztu zakupu i wymiany transformatora.

Na postawie rezultatu użytkownik uzyskuje informacje, czy dany transformator należy pozostawić na stacji, wymienić na urządzenie mniejszej czy większej mocy znamionowej.

Algorytm optymalizacji przerw planowych

Analiza ma na celu wyznaczenie optymalnych godzin wyłączenia odbiorców, w przypadku prac planowych przeprowadzonych na stacjach SN/nN. Danymi wejściowymi do algorytmu są krzywe obciążenia analogicznych okresów z ostatnich 4 tygodni  oraz godziny prac brygad eksploatacyjnych. Podanie tej informacji jest niezbędne, ponieważ większość dolin obciążenia wypada w nocy, gdy pracują tylko nieliczne z nich. Zyski z zastosowania algorytmu zależą od zmienności obciążenia na obiekcie  i mogą wynosić od kilku do kilkudziesięciu %. Dzięki temu zoptymalizowaniu prace eksploatacyjne są mniej uciążliwe dla klientów, a firma minimalizuje ilość niedostarczonej energii.   

Rys. 1 Przykładowe działanie algorytmu optymalizacji przerw planowych

 

W przypadku przedstawionym na Rys.1  operator założył początek wyłączenia na godzinę 12:00, a koniec na godzinę 15:00. Z wykresu wynika, że wówczas obciążenie stacji jest największe i gdy praca zostanie przesunięta na rano od godziny 7:00 do 10:00, uzyskamy ograniczenie niedostarczonej energii o około 42%. 

Algorytm doboru przełącznika zaczepów

Algorytm doboru pozycji przełącznika zaczepów jest stosunkowo najmłodszy i będzie w przyszłości rozwijany wraz z rozwojem sieci inteligentnych. Obecnie są w nim uwzględniane informacje pochodzące z licznika bilansującego, a w przyszłości rozszerzenie analizy będzie dotyczyło wszystkich danych profilowych pozyskiwanych z liczników zainstalowanych w Punktach Poboru Energii poszczególnych odbiorców.

Utrzymanie odpowiedniego napięcia w sieci nN jest coraz bardziej istotne. Wynika to głównie z faktu intensywnego rozwoju generacji rozproszonej, a co za tym idzie, konieczności utrzymania napięcia w dopuszczalnych zakresach- tak, by energia mogła być oddawana do sieci.

Danymi wejściowymi do tego algorytmu są roczne krzywe obciążenia danego transformatora, informacje z tabliczki znamionowej, takie jak moc, napięcie zwarcia czy poziom strat. Kolejną ważną informacją jest wiedza o położeniu przełącznika zaczepów na transformatorze w trakcie pomiarów. Podczas przetwarzania procesu obliczane jest, na którym z poziomów przełącznika zaczepów klienci nie doświadczą odchylenia poziomu napięcia ponad ramy wyznaczone polskimi normami, czyli 207-253V przez 95% czasu w tygodniu. Następnie w wyniku obliczeń sprawdzane jest, w którym przypadku napięcie jest najbliższe pożądanemu. Końcowym rezultatem  jest uzyskanie informacji, które ustawienie przełącznika zaczepu jest optymalne i czy należy zmienić jego pozycję.

 

Rys.2 Przykładowy wynik obliczeń algorytmu doboru agregatu prądotwórczego

Algorytm doboru przekładników prądowych

Temat doboru przekładników prądowych ma istotny wpływ na dokładność pomiaru u odbiorcy. Często bowiem okazuje się,  że w małych firmach pracujących na jedną bądź dwie zmiany, duża część pomiarów poza szczytem obciążenia jest mierzona z niższą dokładnością. By dokonać weryfikacji przekładników, niezbędne jest posiadanie rocznych danych pomiarowych- tak, by uchwycić zmienność dobową, tygodniową oraz sezonową. Podczas procesu aplikacja analizuje wszystkie dane prądowe 10-minutowe dla każdej z 3 faz, a także moc przyłączeniową i napięcie, jakie klient ma w swojej sieci. W rezultacie użytkownik otrzymuje jednoznaczną informację, ile procent z 158 112 próbek rocznych mieści się w zakładanej dokładności pomiarów przekładnika (w przypadku, którym kompletność danych wynosi mniej niż 99% aplikacja informuje, że wynik może być niewiarygodny) oraz komunikat o tym, czy należy pozostawić istniejące przekładniki, zmienić ich klasę, przekładnię lub też zmienić układ na bezpośredni.

Aplikacja umożliwia analizowanie istniejących przekładników lub dobór odpowiednich dla nowych klientów bądź tych, którzy zmieniają moc przyłączeniową.   

Algorytm doboru rezerwowego źródła zasilania – agregatu prądotwórczego

Danymi wejściowymi do tego algorytmu są dane pomiarowe 15-minutowe S+ i S- (wyliczane na podstawie P+ P- oraz O1-Q4 lub rejestrowane bezpośrednio przez licznik bilansujący) dla analogicznych okresów poprzednich 4 tygodni i danej sprzed roku (co szczególnie kluczowe jest przy świętach bądź cyklicznych wydarzeniach). Na ich podstawie wyznaczany jest profil maksymalnych i średnich wartości obciążenia. Po uwzględnieniu współczynnika bezpieczeństwa, który standardowo wynosi 15 %, ale może być modyfikowany przez użytkownika aplikacji origAMI, obliczana jest optymalna wartość mocy agregatu. Następnie program szuka w bazie urządzenia, któremu najbliżej do idealnych parametrów i sugeruje jego zastosowanie.

Rys.3 Przykład graficznej prezentacji doboru agregatu prądotwórczego

Wynik prezentowany  jest w formie raportu, który można pobrać w formacie PDF, bądź xlsx. Tabela zawiera informacje, kto wygenerował raport, dla jakiego obiektu i według jakich kryteriów. Nieodłączną częścią raportu jest prezentacja graficzna (przykład na Rys.3). W tym przypadku optymalny agregat ma moc 100 kVA (linia żółta), a jego średnie wykorzystanie wynosi około 70% (oznaczone linią zieloną), maksymalne obciążenie nie przekracza 85% (linia niebieska). Co ważne, w raporcie jest też informacja, czy na stacji występuje cofanie się energii z niskiego napięcia na średnie, z uwagi na wpływ prosumentów i mikrowytwórców.

Podsumowanie

Rozwój inteligentnych sieci indukuje pozyskiwanie olbrzymiej ilości danych, które odpowiednio wykorzystane pozwolą na stworzenie  nowoczesnej, ekologicznej i niezawodnej sieci elektroenergetycznej.

Bibliografia

[1] Dz.U.2007.93.623 - Rozporządzenie Ministra Gospodarki z dnia 4 maja 2007 r. w sprawie szczegółowych warunków funkcjonowania systemu elektroenergetycznego

The use of measurement data from MV / LV stations in algorithms optimizing the operation of the power grid and in reports supervising the quality of electricity

Informacja

Witaj, korzystasz z przeglądarki ( bądź ustawień wyświetlania) w wersji niższej niż Internet Explorer 11. Z tego powodu strona może wyświetlać się niepoprawnie. Proponujemy wyświetlanie strony w przeglądarkach Mozilla Firefox oraz Chrome.