Giornata studio La Rete Elettrica di Trasmissione Nazionale e la Sfida delle Energie Rinnovabili Metodologie innovative per la gestione dinamica delle linee di trasmissione Carlini E., Schiano P., Villacci D., Mercogliano P. Napoli, 29 Novembre 2012
Outline DSA-Dynamic Security Assessment Funzionalità di una DSA Dynamic Thermal Rating (DTR) Sviluppo di un sistema avanzato per la DTR
DSA Dynamic Security Assessment Le crescenti difficoltà nello sviluppare nuove reti elettriche di trasmissione implica la necessità di sfruttare al massimo le infrastrutture esistenti, garantendo nel contempo adeguati livelli di sicurezza. La DSA Dynamic Security Assessment, che si occupa di valutare se un SE è in grado di soddisfare oppure no specifici criteri di affidabilità e sicurezza (sia durante in condizioni transitorie sia in condizione di regime per tutte le contingenze credibili), rappresenta una task essenziale per gli operatori di rete (TSOs).
Funzionalità di una DSA L integrazione di un sistema WAMS con i tradizionali sistemi SCADA/EMS offre la possibilità di effettuare una DSA in linea. Le principali funzioni di monitoraggio dinamico implementabili dal sistema nel suo complesso sono: Stabilità d angolo; Stabilità di tensione; Oscillazioni di potenza; Stima dello stato; Monitoraggio termico delle linee Dynamic Thermal Rating (DTR)
Monitoraggio termico delle linee - DTR Il DTR si pone l obbiettivo di stimare i reali margini d impiego dei componenti di un SE attraverso una predizione accurata dell'evoluzione della temperatura di hot spot. La stima dei reali margini d impiego di uno o più componenti del SE necessita dello sviluppo di modelli termici dei componenti capaci di predire l'evoluzione della temperatura di hot-spot e la corrispondente curva di caricabilità e sovraccaricabilità, riferite a: Stato termico attuale; Livello di carico del componente; Evoluzione delle condizioni ambientali.
Modelli DTR La stima in tempo reale della caricabilità dinamica di una linea di trasmissione è realizzata attraverso l impiego di modelli termici adattativi, capaci di adeguarsi ai fenomeni intrinsecamente tempo-varianti che influenzano le caratteristiche di scambio termico del componente. 1. Modelli white box: modelli che codificano le conoscenze fisiche sui fenomeni di scambio termico in equazioni matematiche. 2. Modelli black-box: modelli di approssimazione lineare o non-lineare i cui parametri non hanno alcun significato fisico e vengono identificati attraverso l impiego di dati sperimentali caratteristici del processo da rappresentare. 3. Modelli grey box: un approccio intermedio che punta a conservare il meglio degli approcci precedenti, integrando le conoscenze provenienti dall'esperienza con l evidenza empirica fornita dalle osservazioni sperimentali.
Modelli White Box I modelli white box per una linea elettrica aerea sono descritti dai seguenti standard: IEEE 738-2006 Standard for Calculating the Current Temperature Relationship of Bare Overhead Conductors CIGRE Thermal Behavior of Overhead Conductors Fondamentalmente tali modelli si riducono ad un equazione di bilancio termico che pone a confronto tutti i meccanismi di scambio termico che si instaurano tra il conduttore e l ambiente (in senso termodinamico), descrivendoli attraverso flussi di energia termica per unità di lunghezza.
Modelli Black-Box L identificazione di legami non lineari mediante modelli di tipo back box richiede la disponibilità di un insieme di coppie di dati osservati del tipo: {[ y( t), ϕ( t)]; t = 1, N} tipicamente chiamato training set. Il problema della predizione consiste nel predire il valore dell uscita y(n+1) quando il valore dell ingresso è ϕ(n+1). I metodi di apprendimento puntano ad identificare un opportuno funzionale f( ) tale che la variabile in uscita possa essere rappresentata accuratamente da un modello nella forma: y ( t) = f ( ϕ( t)) + v( t) dove ν(t) è solitamente inteso come il termine che include il rumore di processo, l errore e i disturbi. Nell ambito del machine learning, il problema descritto è tipicamente indicato come problema di apprendimento con supervisione (supervised learning problem). Se si assume che ν(t) sia rumore bianco e si assumono le convenzionali ipotesi di causalità, ne consegue che una predizione affidabile dell uscita è data da: ^ y( t) = f ( ϕ( t)) Gli approcci tradizionalmente impiegati nella teoria della identificazione di sistema risolvono il problema di identificazione attraverso la definizione di un idoneo approssimatore non lineare di f( ).
Modelli Black-Box La formulazione proposta è applicabile ad un generico sistema di identificazione a tempo discreto NARX (Non lineare autoregressivo ed esogeno), dove il vettore di ingresso assume la forma: ϕ( t ) = [ y( t k),, y( t k n + 1), u( t 1),, u( t m)] T e u(t) denota le variabili esogene d ingresso del sistema dinamico. In questa formulazione il numero n di uscite passate ed m il numero di azioni di controllo passate, sono impostati in modo da descrivere accuratamente la dinamica del sistema. La costante k>=1 definisce l'orizzonte temporale del problema di predizione. Nel caso della stima dinamica della caricabilità di una linea aerea, la variabile d uscita y è rappresentata dalla temperatura di hot spot Θ H, mentre i dati d ingresso esogeni sono l ampacity I L e le condizioni ambientali. Questa è la forma NARX proposta del predittore black box: ^ Θ H ( t) = f ( Θ ( t k), Θ ( t k + 1),, Θ ( t 2k + 1), I ( t 1), I ( t 2),, I ( t k) ) H H H L L L Questo modello punta a predire la temperatura di hot spot al tempo t, quando l'ultima misura disponibile è stata raccolta al tempo t-k. Per compiere la predizione,il modello richiede la conoscenza di una finestra degli ultimi k valori di Θ H ed il profilo di carico I L di fino al tempo t-1.
Modelli Grey-Box L approccio modellistico grey-box persegue l'integrazione efficace delle conoscenze fisiche disponibili dal sistema con le informazioni aggiuntive reperibili dalle misure sperimentali. L'idea di base è quella di combinare la previsione restituita da un modello termico white box (Std. IEEE 738) con algoritmi di correzione black-box di tipo adattativo. Si tratta di un architettura affidabile sia in termini di robustezza sia in termini di velocità dal momento che coniuga la semplicità del modello white box con le caratteristiche adattative del modulo di correzione di tipo black box basato su Lazy Learning (LL). Il modulo di correzione va aggiornato sequenzialmente al fine di adattare l intera architettura alle nuove condizioni di funzionamento.
Modelli Grey-Box Controllando regolarmente l errore di previsione è possibile capire quando aggiornare il modulo di correzione. L architettura proposta, oltre ad essere caratterizzata da elevate prestazioni nella stima della temperatura di hotspot, è caratterizzata da: 1. La capacità di adattarsi agli intrinseci fenomeni tempo-varianti che influenzano la dinamica termica di una linea aerea. 2. Ridotti oneri computazionali, caratteristica particolarmente gradita nell implementazione hardware. Ciò si deve all effetto congiunto della semplicità del modello white box unito al fatto che il LL non richiede né una pesante identificazione strutturale né un lungo processo di aggiornamento. Il modulo correttivo riceve in input le informazioni del modello fisico e le misure in campo fornendo in output una correzione della previsione del modello fisico stesso.
Modelli Grey-Box Sia Θ H (t) la reale temperatura di hot spot all istante t e Θ M (t) la previsione di Θ H (t) fornita dal modello fisico. Denotiamo con E H = Θ H (t) - Θ M (t) l errore di previsione del modello white box. Quando Θ H (t) e Θ M (t) sono disponibili, E H può essere calcolato ed immagazzinato nel database delle osservazioni. In questo modo un predittore black-box può essere utilizzato per predire il valore di E H (t) dato un insieme di valori di input. Struttura black-box proposta per la previsione a breve termine (short term forecasting [5min-1h]) ^ E H ( t ) = f ( Θ ( t k ), Θ ( t ),I ( t 1) ) H m L Struttura black-box proposta per la previsione a lungo termine (middle term forecasting [alcune h], long tem forecasting [1 giorno], very long term forecasting [2 giorni] ) ^ E H ( t ) = f ( Θ ( t ),I ( t 1) ) m L
Sviluppo di un sistema avanzato per la DTR Aspetti tecnologici Architettura di un sistema WAMS-oriented.
Sviluppo di un sistema avanzato per la DTR Aspetti metodologici Al fine di effettuare una previsione dei valori di caricabilità della rete, è in fase di sperimentazione una metodologia integrata (UNISANNIO+CIRA) in grado di calcolare la reale capacità di trasporto delle singole linee e di stimarne l andamento nel tempo al variare dei valori previsti per le grandezze ambientali, quali la temperatura, la velocità del vento, l irraggiamento solare, ecc.. Si tratta di un sistema integrato per il monitoraggio termico e per la previsione della reale capacità di trasporto di linee elettriche avente un architettura distribuita che implementerà funzioni in grado di: - Acquisire le variabili climatiche locali; - Effettuare il monitoraggio termico dei conduttori (misura dell hot-spot); - Calcolare la reale capacità di trasporto della linea; - Elaborare una stima della capacità di trasporto della rete nel brevissimo/breve/medio periodo.
Sviluppo di un sistema avanzato per la DTR Ciò è implementato attraverso l attuazione di tre fasi fondamentali: 1. Definizione di un idonea architettura in grado di elaborare informazioni e dati utili al calcolo della reale caricabilità delle singole linee, ivi inclusa l identificazione dell hot spot; 2. La messa a punto di modelli termici dei conduttori, di tipo adattativo, caratterizzati da elevata accuratezza e in grado di stimare la portata reale della conduttura al variare delle condizioni climatiche; 3. Assunzione di previsioni meteorologiche accurate.
Sviluppo di un sistema avanzato per la DTR Primi rilievi sperimentali e preliminari valutazioni analitiche relative all asset Benevento 2 Foiano di Valfortore. Ampacity IEEE738 vs. Ampacity misurata per il bimestre Agosto-Settembre 2012 2000 CEI 11/60 zonaa Ampacity dati Terna Ampacity Tc=55 1500 Ampacity (A) 1000 500 0 6agosto 2012 13agosto 2012 20agosto 2012 27agosto 2012 3settembre 2012 0settembre 2012 7settembre 2012 4settembre 2012
Sviluppi Futuri Validazione dei modelli di DTR su dati in campo - field data. Sviluppo metodologico ed implementazione di nuove funzioni di controllo e protezione. Sviluppo di reti di sensori distribuiti. Caratterizzazione delle metodologie di forecasting applicate alla Dynamic Energy Weather Prediction (DEWP) con field test. Sviluppo e testing di metodologie probabilistiche tese alla ricerca di potenziali correlazioni tra la producibilità dei bacini eolici dell alto Sannio, grandezze meteo e la caricabilità del collegamento Foiano-Benevento II. Definizione di nuovi indici probabilistici che misurino lo sfruttamento del sistema. Analisi di DSA con particolare riferimento alla stabilità d angolo e alla detection di low frequency oscillations.
Grazie per l attenzione Dott. Cosimo Pisani cosimo.pisani@unina.it 19
Giornata di studio La Rete Elettrica di Trasmissione Nazionale e la Sfida delle Energie Rinnovabili L evoluzione del Sistema di Trasmissione in Italia METODOLOGIE PER LA GESTIONE DINAMICA DELLE LINEE DI TRASMISSIONE: La gestione dei parametri meteorologici
FONTI ENERGETICHE RINNOVABILI Dal Decreto Legislativo n. 28 del 3 marzo 2011: «energia da fonti rinnovabili»: energia proveniente da fonti rinnovabili non fossili, vale a dire energia eolica, solare, aerotermica, geotermica, idrotermica e oceanica, idraulica, biomassa, gas di discarica, gas residuati dai processi di depurazione e biogas. Nell'ambito della produzione di energia elettrica le fonti rinnovabili vengono inoltre classificate in: fonti programmabili fonti non programmabili a seconda che possano essere programmate in base alla richiesta di energia oppure no. La produzione di energia da fonti non programmabili è strettamente legata alle condizioni meteorologiche in atto e previste Gestione dinamica delle linee di trasmissione Software per lo studio e la produzione di dati Meteo in ambiente GIS
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS Necessità Sviluppo di tool per automatizzare le operazioni di indagine dei dati atmosferici ottenuti da diverse piattaforme: modelli numerici (NWP e CM), database osservazioni (inclusi satelliti) Facilitare il confronto tra fonti dati eterogenei Possibilità di usufruire degli strumenti GIS per Analisi / Validazioni delle previsioni meteorologiche e proiezioni climatiche in alcune aree di interesse e/o su infrastrutture/punti di interesse. Rendere veloce e agevole l interscambio dei dati con enti terzi legati ad una molteplicità di standard aperti o proprietari
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS La Risposta: Creare un software integrato in un ambiente GIS Desktop consolidato capace quest ultimo di offrire delle primitive di alto livello con cui interfacciarsi. Software dotato di interfaccia utente tipo Plug-in (estensione) ma costruito in maniera indipendente dall ambiente ospite per facilitarne la portabilità Il Rilascio: Weather Analyst intende superare il paradigma Fine Ricerca Messa in produzione Attività di Ricerca Implementazione Algoritmi Vuole fornire elaborati che riflettano in qualità le evidenze che via via si acquisiscono Ricerca e Validazione Fornitura Elaborati
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS Interoperabilità e GeoDB Schema delle interfacce Griglie Cosmo LM NetCDF Input Weather Analyst Dati Satellitari Output Catalogo Export IMOD Dati Pluviometrici in situ Esri GeoDB ArcMap / Esri tools.shp /.Kml Web GIS
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM Input WeatherAnalyst: Dati meteo COSMO LM Dati protezione civile Dati satellitari Il modello COSMO-LM è il modello di riferimento operativo dei servizi meteorologici di molti paesi europei (Grecia, Svizzera, Germania, Polonia, Romania, Italia, Russia). Al consorzio COSMO partecipano università e centri di ricerca. Per l Italia esso rappresenta il modello sviluppato dal nostro servizio meteorologico nazionale ed è quello su cui si basa il sistema previsionale di riferimento per il sistema nazionale dei Centri Funzionali di Protezione Civile. COSMO LM: modello regionale Si tratta di un modello sottoposto costantemente a verifica e a sviluppo. Mappa disponibile grazie alla collaborazione scientifica con il servizio di meteorologia nazionale italiano
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM Cosa fa il modello COSMO LM LM simula l'evoluzione delle variabili meteo sul dominio di interesse. Le variabili meteo sono ad esempio vento, temperatura, umidità. L'evoluzione temporale e' dettata da: regole fisiche codificate nel modello eventuali osservazioni passate al modello Condizioni iniziali ed condizioni al contorno dell'area considerata. Risoluzione orizzontale Livelli verticali Time step 7 km 40 40 s 72h 2.8 km 50 30 s 18h Range di previsione
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM I modelli meteo per la produzione e distribuzione di energia Stime che possono essere ottenute a partire dalle previsioni dell andamento delle variabili meteorologiche: Stima della produzione di energia rinnovabili quali ad esempio: idroelettrica, eolica e solare fotovoltaica. Stima dei consumi di energia previsti. Stima della integrità della rete di trasmissione. Stima della sicurezza degli impianti in condizioni meteorologiche avverse
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM Principali variabili meteorologiche da osservare e prevedere (1) Per la produzione : Eolico : Stima dell andamento dell intensità e direzione del vento e sulla presenza di raffiche, ect.. Solare: Stima della radiazione solare, ect. Idroelettrica : Stima per i bacini della quantità di precipitazione prevista e suddivisione in neve e pioggia, ect.. La previsione consente anche di stimare la redditività delle diverse di tipologie di energia alternativa, permettendo di ottimizzare la produzione.
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM Principali variabili meteorologiche da osservare e prevedere (2) Per i consumi: Stima della temperatura media, minima e massima Stima dell umidità media giornaliera Stima della copertura nuvolosa Stima dell andamento del vento medio (direzione intensità). Il trend futuro, a causa dei cambiamenti climatici, indica l aumento di temperature estreme e in particolar modo delle ondate di calore. Il crescente uso degli apparati di condizionamento dell aria aumenterà sensibilmente la dipendenza dal fabbisogno elettrico dai fattori meteorologici
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM Principali variabili meteorologiche da osservare e prevedere (3) Per la sicurezza degli impianti e l integrità della rete di trasmissione: Stima di eventi meteorologici ad alto impatto: quali temporali, grandinate, gelate, trombe d aria, neve e nebbia. Il trend futuro, a causa dei cambiamenti climatici, indica l aumento di eventi estremi sul Mediterraneo (tra cui eventi di venti intensi)
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS OUTPUT Elaborazioni ArcGIS/Matlab per una prima valutazione delle prestazioni del modello Downscaling dei dati tramite l utilizzo di differenti tecniche interpolative (deterministiche e probabilistiche) Possibilità di esportazione dati in formato compatibile con modelli geotecnici per la stima delle condizioni di stabilità di versanti RISULTATO: possibilità di import/export ed analisi dei dati provenienti da diverse piattaforme in modo semplice, tramite l utilizzo di un interfaccia grafica user-friendly
CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS Step Futuri 1. verifica del tool attraverso un utilizzo quasioperativo. 2. Implementazione per l elaborazione di dati climatici oltre che meteorologici. 3. Ampliamento di tecniche di downscaling per divese variabili atmosferiche e utilizzando diversi schemi.