Умные сети помогут сохранить баланс энергоснабжения

Эксперты утверждают, что именно офшорные ветряные парки лучше всего управляются искусственным интеллектом. Фото Reuters

Введение в эксплуатацию все больше и больше ВИЭ, безусловно, приближает с ускоренными темпами достижение цели углеродной нейтральности, и этот процесс имеет очень много сторонников на сегодняшний день.

Новости с COP28 о желании почти 120 стран утроить к 2023 году количество ВИЭ в мире яркий тому пример.

С другой стороны, такое развитие неизбежно влечет за собой и серьезные изменения структуры энергосистем, а также меняет требования по обеспечению правильного соотношения базовых, балансирующих и остальных мощностей. Блэкауты в Германии, замерзшие лопасти ветряных генераторов в Техасе, принудительное использование дизельных генераторов в Шотландии, чтобы не допустить техасский вариант и др. прямо указывают на проблемы, к которым могут привести «революционные» устремления некоторых лоббистских и индустриальных групп, и в то же самое время указывают на пути решения этих проблем.

Корреляция мощностей

Вопрос об изменении соотношения базовых и балансирующих мощностей и ВИЭ прямо вытекает из цикличности и непостоянности (за некоторыми исключениями) последних. Это чревато как недопоставлением требуемых мощностей, так и суперпредложением энергии на рынке. Результаты могут варьироваться от блэкаута до негативных (отрицательных) цен на электричество на биржах в определенное время.

Имея в виду вышеупомянутое, можно смело заявлять, что кратное введение новых ВИЭ мощностей не может обойтись без значительного увеличения базовых и балансирующих мощностей, чтобы избежать коллапсов и перекосов на рынке электроэнергии.

В рамках того же СОР28 20 стран вышли с инициативой утроить наряду с ВИЭ и ядерную энергетику к 2050 году. Решение определенно значимое. Хотя некоторые эксперты и группы считают ядерную энергетику не полностью зеленой, без нее и в большой степени без природного газа в переходный период достижение «углеродного нуля» к 2050 году вряд ли осуществимо без серьезного ущемления экономического развития многих стран и больших групп населения. Альтернатива – либо бедность и недоразвитие, либо экстенсивное использование ископаемых, прежде всего угля, источников энергии с соответствующими последствиями для окружающей среды.

На фоне такой «битвы титанов» вопросы дополнительных решений остаются немного в тени. Основная причина этому – «юный возраст» и «ошибки роста» многих применимых технологий и подходов – феномен, который, к счастью, преодолевается достаточно быстро.

Потенциальные решения

Среди таких решений прежде всего можно отметить весь спектр сектора хранения энергии, когда избыточные мощности накопляются для последующего использования в моменты дефицита генерации (подробнее см., например: Ст. Жизнин, С. Василев «Грядет ли «революция» в области хранения энергии?», «НГ – Энергия» от 26.06.21).

Этот сектор находится в сильном подъеме, особенно на фоне успешных технологических решений по ряду задач в области батарей и аккумуляторов. Например, согласно агентству Reuters, к 2024 году рыночный объем этого сектора уже превысит 10 млрд долл. США с тенденцией достижения отметки 150 млрд долл. к 2030 году, а установленная мощность более значимых энергообъектов батарейного хранения уже превышает 15 ГВт в мировом масштабе.

Если принцип «зарядка излишками – отдача во время дефицита» звучит просто и логично, то на практике есть ряд проблем, которые надо учитывать и соответственно решать. Во-первых, это вопрос о балансировке сети, о котором речь шла выше. При этом важно учитывать не только мощность как таковую, но и ее частоту (50 Гц), реактивность и т.д. Во-вторых, это география балансировочных и базовых мощностей, а также степень гибкости диспетчеризации и пропускная способность самих сетей в разных сегментах. Не на последнем месте стоит и вопрос о быстроте реакции балансировки в зависимости от типа балансирующих мощностей.

Сейчас эти вопросы являются на практике ответственностью на уровне сетевой диспетчеризации, в рамках которой операторы решают эти достаточно непростые задачи в реальном режиме времени. Во-первых, с увеличением объемов и количества ВИЭ, подключенных к сети, а также, во-вторых, по мере роста децентрализации вследствие введения большего объема ВИЭ и средств хранения такой тип диспетчеризации находится уже в пределах исчерпания возможностей управления.

Именно поэтому в последние годы увеличились попытки автоматизировать систему управления генерации, передачи и распределения электроэнергии или найти другие альтернативные или дополняющие решения.

Причем, если раньше речь шла о введении объектов ВИЭ мощностями в десятки мегаватт и больше, то, в связи с озеленением транспорта (зарядки), локальных (в рамках отдельных зданий или производственных площадей) и бытовых нужд (домохозяйства), децентрализация генерации и потребления приобретает массовый характер.

Если к этому прибавить и увеличение возможностей net-metering (сальдированный учет), где, например, у частного дома генерация ВИЭ превышает ее потребление, а остатки возвращаются в сеть (генерируя экономию и/или прибыль), и таких объектов тысячи в данном регионе, то задача диспетчера становится еще сложнее.

Искусственный интеллект имеет много образов, и людям привычнее его представлять в виде человекоподобного существа. Иллюстрация Dreamstime/PhotoXPress.ru

До сих пор вопрос дебалансировки со стороны ВИЭ решался зачастую простым отключением нестабильных и непрогнозируемых колеблющихся источников генерации. Но такой подход прямо противопоказан процессу озеленения и созданию стимулов к более широкому внедрению озеленения. Поэтому стали внедрять системы управления со все более усложняющимися алгоритмами, пока и их предел возможностей, как отмечалось, не приблизился к концу.

Тогда энергетики стали обращаться к возможностям квазиискусственного интеллекта или, уже в наши дни, к искусственному интеллекту (ИИ). При этом преимущества ИИ не столько в скорости обработки в реальном времени огромного количества непрерывно меняющихся данных, сколько в возможностях использовать эти данные как основу для отработки и применения последующих более продвинутых и гибких алгоритмов для управления работой энергосистем.

Представим себе примерную модель на макроуровне. Есть постоянные (и в некоторых случаях в комбинации с сильно инерционными) или базовые источники, есть балансирующие мощности разных типов и есть сегмент спорадических или циклических источников, в том числе ВИЭ. С другой стороны, есть постоянные или примерно прогнозируемые потребители, а также динамически меняющиеся в зависимости от ряда факторов.

Увеличение спорадических и непостоянных труднопрогнозируемых источников, а также и таких потребителей неизбежно повышает неустойчивость всей системы. В каких-то пределах балансирующие мощности могут и будут справляться, после этого желательно иметь дополнительный быстровводимый резерв для обеспечения бесперебойности подачи электроэнергии, особенно, например, когда природный газ и другие носители, используемые в балансирующих звеньях перестанут использоваться. И здесь больше всего проявляются преимущества ИИ.

Во-первых, вероятность, что ситуация среза данных «прежнего дня» может в большой степени повториться, достаточна высока. Но в то же время в течение, например, недели в зависимости от того, какой день является рабочим или нерабочим, от погодных условий и т.д., параметры будут неизменно меняться. Даже сложные, но стандартные «твердые» алгоритмы здесь помогут только до какого-то предела – и их придется очень часто вручную менять.

Возможность же ИИ как учитывать исторические данные, так и моделировать текущие и дополнительные данные, в том числе и методами машинного самообучения, открывает новые перспективы в области не только управления энергетикой, но и в большой степени ее оптимизирования, что позволяет достигать большего эффекта озеленения и энергоэффективности в целом.

Представим одновременно ситуацию на микроуровне, то есть отдельного объекта, дома и т.д. под формой гибридной комбинации со стороны генерации, состоящей из солнечных панелей на несколько киловатт мощности, систему инверторов, систему хранения из аккумуляторных батарей, и соответственно, с другой стороны – потребления: сам объект и, например, зарядка для электромобиля (учитывая нарастающий тренд). При этом имеются и функции потребления от сети в случае недостатка собственной генерации или сохраненной энергии, а также отдача в сеть при излишке. При этом надо учитывать, что солнечные панели работают днем не более нескольких часов. Излишки же целесообразнее хранить в аккумуляторах для использования в темное время суток. Те же аккумуляторы вместе с панелями могут отдавать энергию обратно в сеть, когда есть пик потребления – например днем, а заряжаться не только бесплатной энергией панелей днем, но и ночью от сети, когда тарифы минимальны. Поскольку этот процесс не имеет, как правило, линейных и/или строго повторяющихся показателей, то ИИ придется решать задачи стабильности наличия энергии и выигрышности по ценам в каждый отдельный момент. При этом надо учитывать не только соотношение и взаимодействия отдельных элементов локальной системы, но и такие параметры, как текущая цена на электричество (в ЕС, например, биржи обязаны давать онлайн такую информацию, которую можно считывать несложным интерфейсом и вводить в управляющее программное обеспечение автоматически), разумные временные пределы циклов «зарядка-отдача» батарей (режим очень частых переключений снижает жизненный цикл батареи и соответственно увеличивает инвестиционные расходы), а также динамику скачков цен, причем с учетом наложения на разумный переключающий режим, тем более что местные системы учета при net-metering часто имеют лимиты по минимальному времени реагирования на отдачу.

Таким образом, правильно рассчитанная по мощностям и управляемая элементами ИИ домашняя энергосистема не только будет приближенной к полностью зеленой, но и позволит экономить и даже получать прибыль за счет ИИ-«торгов», без участия человека. При этом программное обеспечение на базе ИИ в идеале будет решать, когда что выгоднее – отдавать в сеть, заряжаться от сети, задействовать разные пропорции и комбинации и какому процессу отдавать приоритет при конкурирующих параметрах.

Дополнительные возможности

В ситуации с большими системами батарейного хранения они первым делом будут постепенно замещать газовые и другие менее зеленые балансирующие мощности (при условии использования ВИЭ для их зарядки). Кроме этого, на их основе можно реализовать коммерческие проекты путем, например, выхода на так называемый arbitrage (арбитраж), когда ИИ будет торговать энергией на уже упомянутом принципе «зарядка при низких ценах – отдача по высоким». За счет больших мощностей и немалый разброс в ценах (иногда более 75–100 евро за МВт-ч) это направление имеет серьезный потенциал превратиться в значимую нишу торговлей электроэнергией, сочетая в себе и параметры энергоэффективности. При этом процесс будет в очень большой степени автоматизирован, что снижает расходы на персонал и увеличивает отдачу.

Другим преимуществом систем накопления энергии на базе батарей и умного управления является их относительная компактность, модульность и возможность располагать ближе к источникам потребления, в том числе и рядом с подстанциями в качестве основного резерва и баланса. Последнее уменьшает и потери в сетях, давая дополнительное преимущество такому подходу, а контроль за работой таких систем или смену режимов управления можно осуществлять дистанционно за счет современных средств связи.

Таким образом, наряду с другим становится очевидно, что без применения нового поколения программного обеспечения, в том числе с элементами ИИ и соответствующих решений управления, быстрое и беспроблемное массовое внедрение ВИЭ вряд ли окажется успешным и эффективным. В то же время такой подход открывает новые возможности экономии электроэнергии и получения прибыли, оставаясь при этом в рамках зеленой экономики.