Till innehållet
English
Till startsidan
  • Rapport
  • Elnät

Maskininlärningsbaserad realtidsstyrning av förnyelsebara och säkra elkraftsystem

| 2022:894 | Hannes Hagmar, Le Anh Tuan
I det här projektet har forskarna studerat och tagit fram två nya styrmetoder baserade på djup förstärkningsinlärning anpassade för styrning av elsystem. Djup förstärkningsinlärning bygger på en kombination mellan djupinlärning och förstärkningsinlärning och används för att kunna ta fram avancerade och optimala styrpolicyer för realtidsstyrning av komplexa system.
Bild 2022 894

En av de utvecklade metoderna är anpassade för att i realtid kunna välja olika handlingar för att säkerställa att ett elsystem kan bibehålla en säker och kontinuerlig drift även om en systemstörning skulle inträffa. Den andra styrmetoden är anpassad för att snabbt och effektivt stabilisera systemet om en större, eller flera simultana, systemstörningar skulle inträffa. Metoderna möjliggör för systemoperatörer att mer effektivt kunna styra undan säkerhets- och stabilitetsproblem till en låg systemkostnad, vilket kan leda både till ett mer effektivt utnyttjande av det befintliga elsystemet och underlätta omställningen till ett förnyelsebart energisystem.

Därutöver har projektet undersökt möjligheterna för styrmetoder baserade på förstärkningsinlärning att även användas på distributionsnätsnivå. Två olika fallstudier har analyserats där 1) möjligheterna att reglera spänning genom reaktiva effektflöden och 2) möjligheterna att styra flexibla resurser som laster och elproduktion har undersökts.