Hoe de LSC werkt bij de werking van PMG en HMG in Microgrid-systemen

De controlemechanismen in microgrid-systemen zijn essentieel voor het handhaven van de stabiliteit en efficiëntie van de energieproductie en -verdeling. De LSC (Local Source Controller) speelt hierbij een cruciale rol, vooral wanneer microgrids opereren in verschillende werkmodi, zoals droopcontrole en frequentieregulatie. In deze context worden de LSC's gebruikt om een dynamische en efficiënte verdeling van de actieve en reactieve vermogens tussen microgrids te garanderen, waarbij rekening wordt gehouden met verschillende operationele omstandigheden.

Wanneer een microgrid (HMG) verbinding maakt met een andere microgrid in een gekoppeld netwerk, wordt de verdeling van energie geregeld door een droopcontrole. Deze controle past de frequentie of spanning van een microgrid aan om het actieve vermogen evenredig te verdelen met de omliggende netwerken, afhankelijk van de operationele behoeften en de beschikbaarheid van energie. Het droopmechanisme zelf is afhankelijk van een aantal variabelen, zoals de afstand tussen de microgrids, de kosten van de energieproductie, verlies in de transmissielijnen en de bereidheid van elke microgrid om deel te nemen aan de vermogensuitwisseling. De droopcoëfficiënten worden continu aangepast om een optimale energieverdeling te bereiken.

In een situatie waar een microgrid (PMG) overbelast raakt of over-energie produceert, verandert de LSC-modus van droopcontrole naar een frequentie-regulatiemodus. Deze modus houdt het actieve vermogen constant door middel van een frequentiecontrolelus, waarbij de actieve vermogensreferentie wordt gegenereerd. Dit helpt het microgrid zijn overbelasting of overproductie te reguleren, terwijl het zijn frequentie binnen de toelaatbare grenzen houdt.

De frequentie van het systeem wordt gecontroleerd door de zogenaamde overload frequency controller (OLFC) of over-generation frequency controller (OGFC). Wanneer een microgrid te veel energie produceert, bepaalt de OGFC hoeveel vermogen moet worden ingevoegd in naburige microgrids om een overgeneratie te voorkomen. Evenzo, bij overbelasting, bepaalt de OLFC hoeveel vermogen moet worden opgenomen van andere microgrids om de frequentie te stabiliseren. Dit proces zorgt ervoor dat het microgrid weer in balans komt, zowel wat betreft actieve als reactieve vermogens.

Het proces van omschakelen van droopcontrole naar frequentie-regulatie vereist zorgvuldig beheer om onverwachte overshoot, oscillaties of instabiliteit te voorkomen. Wanneer een microgrid van PMG of FMG (Frequentie Modus Generator) terugschakelt naar een HMG (Hulp Microgrid), moet een gedetailleerd detectiemechanisme voor de lijnhoek worden gebruikt om ervoor te zorgen dat de overgang soepel verloopt zonder negatieve impact op de operationele stabiliteit van het netwerk.

Het gebruik van PI-regelaars binnen dit systeem is van belang voor het verkrijgen van een snelle en efficiënte reactie op veranderingen in de netfrequentie. Deze regelaars reageren op de signaalafwijkingen van de fasehoek en helpen de gewenste vermogensreferentie te genereren die wordt doorgegeven aan de LSC. Om een soepele overgang tussen de verschillende modussen te waarborgen, moeten de regelaars van de PQ-controller in de juiste resetmodus worden gezet tijdens het overschakelen tussen de modi.

Een ander cruciaal punt is de noodzaak om een uitgebreide logica voor de selectie van referenties te implementeren, zodat het systeem in staat is om de juiste referentie-instellingen te kiezen wanneer een microgrid de frequentie-regulatiemodus verlaat en terugkeert naar de droopcontrolemodus. Dit voorkomt dat er storingen of ongewenste fluctuaties in de spanning en frequentie ontstaan wanneer de netwerken van microgrids opnieuw worden gekoppeld of de status van een microgrid verandert.

Het is van belang te begrijpen dat de prestaties van een dergelijk controlemechanisme afhankelijk zijn van de nauwkeurigheid en snelheid waarmee de verschillende controllers reageren op de systeemveranderingen. De stabiliteit van een microgrid-systeem wordt vaak bepaald door het vermogen om effectief om te gaan met dynamische veranderingen in de belasting en productie van energie, vooral in situaties van overbelasting of overproductie. De tijdigheid van de reactie van de controllers en de manier waarop de actieve en reactieve vermogensreferenties worden aangepast, bepalen hoe goed het systeem functioneert en hoe snel het terugkeert naar een stabiele toestand.

In geval van overbelasting kan een microgrid niet onmiddellijk terugschakelen naar de droopmodus zonder dat de andere microgrids in het netwerk eerst stabiliseren. Dit vereist dat de communicatie tussen de microgrids zeer goed gecoördineerd is, zodat een netwerk van HMG's in een synchronisatie kan blijven opereren, zonder dat de stabiliteit van het gehele netwerk in gevaar komt.

De introductie van een frequentie-regulatiemodus, wanneer een microgrid een PMG wordt, draagt bij aan een meer flexibele en efficiënte benutting van de beschikbare energie. Het stelt het systeem in staat om in verschillende omstandigheden, zoals overproductie of overbelasting, op een gecontroleerde en systematische manier te reageren, waarbij het netwerk als geheel in balans blijft.

Hoe kan microgrid-beschermingssystemen de betrouwbaarheid en efficiëntie verbeteren met behulp van diepgaande machine learning-technieken?

Het concept van de microgrid is ontstaan uit de noodzaak om gedistribueerde energiebronnen efficiënt te beheren. Dit type netwerk stelt het mogelijk om de verschillende energiebronnen en de bijbehorende lasten als een samenhangend, lokaal energiesysteem te behandelen. In geval van storingen kan de microgrid zich loskoppelen van het distributiesysteem en de belasting isoleren, waardoor de service behouden blijft zonder de integriteit van het transmissienet te beïnvloeden. De microgrid heeft veel erkenning gekregen vanwege zijn potentieel om de energiebetrouwbaarheid en veerkracht te vergroten. Echter, de robuuste werking en bescherming van microgrids blijft een aanzienlijke uitdaging. Traditionele beschermingstechnieken, die goed werken voor conventionele systemen, blijken vaak ontoereikend voor de unieke complexiteit van microgrids.

Een innovatief beschermingssysteem voor microgrids combineert de Tunable-Q Wavelet Transform (TQWT) en een multi-layered long short-term memory (multi-LSTM) deep learning netwerk. Dit nieuwe systeem heeft als doel de beperkingen van traditionele methoden te overwinnen door een nauwkeurigere en verfijndere benadering van foutdetectie, classificatie en fase-identificatie te bieden. Het systeem maakt gebruik van de Tunable-Q Wavelet Transform om unieke patronen te extraheren uit de driefasige stroomsignalen, wat helpt bij het detecteren van storingen. Vervolgens wordt de kracht van deep learning ingezet om de gegevens in real-time te verwerken en storingen snel en met hoge precisie te classificeren.

Het systeem is verder in staat om de specifieke foutfase te identificeren, wat een belangrijke verbetering is ten opzichte van conventionele systemen die vaak niet in staat zijn om dit te doen. De toepassing van deep learning bij microgrid-bescherming toont aan hoe moderne technologieën, zoals kunstmatige intelligentie, kunnen bijdragen aan meer effectieve en efficiënte energiebeheersystemen.

De evolutie van fault-detectie en classificatie in microgrids heeft geleid tot verschillende innovatieve benaderingen. Een opvallende strategie combineert de Hilbert-Huang Transformatie (HHT) met machine learning (ML). De HHT wordt gebruikt om na de fout het spanning- en stroomsignaal te verwerken en de benodigde kenmerken te extraheren. Deze worden vervolgens ingevoerd in classificatiemodellen zoals logistieke regressie of AdaBoost voor foutdetectie en classificatie. Andere benaderingen combineren technieken zoals de Fast Fourier Transform (FFT) voor het extraheren van kenmerken uit frequentiespectra en gebruiken neurale netwerken voor foutlocatie en classificatie.

Naast de toepassing van deep learning, worden er ook hybride modellen gepresenteerd waarin kunstmatige neurale netwerken en ondersteunende vector machines (SVM) worden gecombineerd. Dit levert robuuste methoden voor microgridstatusherkenning. Een ander interessant aspect is de integratie van multi-agent systemen met machine learning voor microgrid-bescherming. Dit biedt een gecoördineerde benadering, die de responstijd versnelt en de stabiliteit van het systeem verbetert door snel fouten te isoleren en het systeem automatisch aan te passen aan de omstandigheden.

Een van de belangrijkste voordelen van het combineren van multi-agent systemen en machine learning is de mogelijkheid om de instellingen van relais aan te passen op basis van de netwerkstatus en de specifieke bedrijfsomstandigheden van de microgrid. De multi-agent systemen werken samen in een dynamisch netwerk, waarbij elke agent verantwoordelijk is voor het beheer van een specifiek aspect van de bescherming. Dit resulteert in een geoptimaliseerde en intelligente benadering die traditionele beschermingsmethoden aanzienlijk kan overtreffen.

Voor het succes van deze benaderingen is het essentieel dat het systeem goed is geconfigureerd om te reageren op verschillende bedrijfssituaties. De effectiviteit van het systeem is afhankelijk van de kwaliteit van de signaalverwerking, de keuze van de gebruikte machine learning-algoritmen en de training van het systeem op gegevens die verschillende operationele scenario's vertegenwoordigen.

Het is cruciaal om te begrijpen dat de integratie van deep learning en andere geavanceerde technieken in de microgrid-bescherming niet alleen gaat om het verbeteren van de foutdetectie, maar ook om het verbeteren van de algemene efficiëntie en stabiliteit van het microgrid. Het systeem moet in staat zijn om niet alleen foutdetectoren te bieden, maar ook om zich aan te passen aan veranderende netwerkomstandigheden en om naadloos samen te werken met andere componenten van het microgrid. De ontwikkeling van een dergelijke technologie vereist niet alleen diepgaande kennis van signalen en machine learning, maar ook van de fysieke en operationele aspecten van microgrid-netwerken.

Het succes van microgrid-beschermingstechnieken die gebruikmaken van diepgaande machine learning vereist daarom een holistische benadering. Niet alleen de technologische ontwikkeling is belangrijk, maar ook de praktische implementatie ervan in verschillende soorten netwerken en omgevingen. Microgrids zijn immers dynamische systemen die zich voortdurend aanpassen aan veranderingen in de vraag en het aanbod van energie. Het is van belang dat elke nieuwe techniek grondig getest en geoptimaliseerd wordt in verschillende bedrijfsomstandigheden om zijn effectiviteit te waarborgen.