Diapositiva 1

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 ΘH, mentre i dati d’ingresso esogeni sono l’ampacity IL e le condizioni
ambientali.
Questa è la forma NARX proposta del predittore black box:
Θ H (t ) = f (Θ H (t − k ), Θ H (t − k + 1),, Θ H (t − 2k + 1), I L (t − 1), I L (t − 2),, I L (t − k ) )
^
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 ΘH ed il profilo di carico IL 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
funzionamento.
nuove
condizioni
di
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 ΘH(t) la reale temperatura di hot spot all’istante t e ΘM(t) la previsione di ΘH(t) fornita dal modello fisico.
Denotiamo con EH = ΘH(t) - ΘM(t) l’errore di previsione del modello white box. Quando ΘH(t) e ΘM(t) sono
disponibili, EH può essere calcolato ed immagazzinato nel database delle osservazioni.
In questo modo un predittore black-box può essere utilizzato per predire il valore di EH(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 H ( t − k ),Θ m ( t ), I L ( t − 1 ))
^
• 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 m ( t ), I L ( t − 1 ))
^
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
CEI 11/60 zonaA
Ampacity dati Terna
Ampacity Tc=55
2000
1000
500
20
12
br
e
4s
et
te
m
7s
et
te
m
br
e
20
12
20
12
br
e
0s
et
te
m
3s
et
te
m
br
e
20
12
20
12
27
ag
os
to
20
12
to
20
ag
os
13
ag
os
to
20
12
20
12
0
6a
go
st
o
Ampacity (A)
1500
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
[email protected]
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
Catalogo
Output
Export
IMOD
ArcMap / Esri tools
Esri
GeoDB
Dati Pluviometrici
“in situ”
.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
COSMO LM: modello regionale
•
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.
•
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
Risoluzione
orizzontale
Livelli
verticali
Time
step
Range di
previsione
•Condizioni iniziali ed
7 km
40
40 s
≤72h
condizioni al contorno
2.8 km
50
30 s
≤18h
dell'area considerata.
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
elettrica, eolica e solare fotovoltaica.
ad esempio: idro-
 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
 Stima
 Stima
 Stima
della temperatura media, minima e massima
dell’umidità media giornaliera
della copertura nuvolosa
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.