Elosztóhálózati állapotbecslés támogatása adatalapú technológiák segítségével
Napjainkban a villamosenergia-fogyasztási igények növekedése, a háztartási méretű kiserőművek egyre népszerűbbé válása, a villamos autók elterjedése és az okos, elektronikát intenzíven használó eszközök térnyerése jelentős hatást gyakorol az elosztóhálózatra. Éppen ezért a 21. század villamosenergia-rendszerének kritikus pontját képezik az elosztóhálózatok. Alapvetően ezeket a rendszereket nem a felsorolt tendenciák által teremtett igénybevételekre tervezték. A koncentrált energiatermelés szerepének csökkenésével nőhet az elosztóhálózatok leterheltsége, így a garantált feszültségszolgáltatás megsértésének valószínűsége is, szükségessé téve a hálózatok valós idejű monitorozását. Ezt segítheti egy jó állapotbecslő algoritmus.
Kutatásomban egy olyan adatalapú technológiát dolgoztam ki, amely nemcsak a hagyományosan állapotbecsléshez bementként használt teljesítményáramlásokat és feszültségeket képes felhasználni predikciójához, hanem ki tudja aknázni az időbeliség és az időjárás paramétereit is, ezzel mérsékelve az elosztói engedélyeseknél bevett szintetikus fogyasztói profilozás hibájának mértékét. Munkám során a korábbi Gauss-Newton algoritmus alapú állapotbecslés hazai és nemzetközi eredményeinek áttekintése után teljesen összekapcsolt neurális háló modelleket készítettem és teszteltem a CIGRÉ párizsi központú mérnöki szervezet és Joerg Dickert széles körben ismert és hivatkozott kisfeszültségű teszthálózatain. Ezt követően az E.ON Észak-dunántúli Áramhálózati Zrt. négy kisfeszültségű elosztóhálózati transzformátorkörzetére fejlesztettem neurális háló modellt, amelynek paramétereit a Fa-struktúrájú Parzen Becslő segítségével optimalizáltam. Megfelelő beállításokat határoztam meg az egyes hálók rejtett rétegeinek számára és méretére, tanulási rátájára, valamint annak csökkenési arányára és lépésközére, batch méretére, kritérium hatványára és felhasználandó mérési pontjaira. Kutatásomhoz a Python 3 programozási nyelv Pytorch könyvtárát használtam, melynek segítségével GPU-val támogathattam futtatásaimat.
A nemzetközi teszthálózatok esetében a referencia load-flow hálózatszámítást legfeljebb 0,1%-os hibával modellező explicit eljárást dolgoztam ki, míg a hazai kisfeszültségű transzformátorkörzetek mindegyikében képes voltam javulást elérni finomhangolt neurális háló modellemmel a hagyományos Gauss-Newton alapú állapotbecsléshez képest. Győr, Balatonakali, Balatonszepezd és Baracs transzformátorkörzetek állapotváltozóinak 5 %-os, 5 %-os, 4,5 %-os és 4,5 %-os relatív hibái helyett így 4,3 %-os, 4,3 %-os, 2,8 %-os és 1,2 %-os relatív hibákat sikerült elérni. Továbbá az explicit becslő modellnek és a GPU támogatás által biztosított párhuzamosíthatóságnak köszönhetően több mint 1000-szeres futási idő csökkenés érhető el modellemmel a hagyományos iteratív Gauss-Newton algoritmushoz képest. Ennek következtében a munkában bemutatott technológia potenciálisan felhasználható a valós idejű monitorozáson túl ezen kutatás társterületein is. Segítheti az elosztói engedélyesek hálózatfejlesztő kollégáinak munkáját az egyes szimulációk indulófeszültségének gyors kiszámításában, vagy nagy mennyiségű Monte-Carlo szimuláció készítésében napelem-csatlakoztathatósági vizsgálatok esetén. Ezen felül újszerű megoldásnak számít az elosztóhálózatok teljesen összekapcsolt neurális háló modelljének hiperparaméter-optimalizálása a Fa-struktúrájú Parzen Becslő segítségével, amivel ezeket az eredményeket elértem.
