Av Adrian Langmo Pavlak, sommerforsker
I sommer fikk jeg prøve meg som sommerforsker hos SINTEF Energi. Jeg jobbet i et pilotprosjekt i forskningssenteret FME CINELDI i samarbeid med nettselskapet Linja og Heimdall Power.
I pilotprosjektet skulle vi utforske muligheten for å øke dagens statiske kapasitetsgrenser på kraftledninger ved å utnytte informasjon fra sensorer, vær og vindkraftproduksjon som mates inn. Målet var å se om man kunne tillate økt kraftoverføring fra vindparken, fordi kraftledningen blir avkjølt av den samme vinden som står for vindkraftproduksjon. Hypotesen jeg jobbet ut ifra var at høyere andel vindkraft av belastningen på ledningen vil resultere i lavere linjetemperatur på grunn av korrelasjonen mellom vindkraftproduksjon og vindkjøling.
Tradisjonelle, statiske belastningsgrenser står for fall
Norske kraftledninger driftes i dag etter konservative strømgrenser [1] som ligger tilgjengelig på Fosweb, basert på vindhastigheter mellom 0.6 og 1 m/s. Grensene er ikke helt statiske fordi de tar hensyn til utetemperatur, men disse settes for ti-gradersintervaller, slik at kapasitetsgrensen er som en trapp. Realiteten er at ved høye vindhastigheter og kald utetemperatur, f.eks en iskald januardag der det blåser kraftig, kan ledningene overføre mye mer strøm enn de temperaturbaserte Fosweb-grensene tillater.
I prosjektet skulle vi utforske muligheten for bedre utnyttelse av eksisterende nettinfrastruktur ved å dra nytte av kjøleeffekten som oppstår under høye vindhastigheter. Jeg fikk analysere reelle data fra et nettområde: produksjonsdata fra en vindpark som er koblet til en kraftledning, statisk grense på kraftledningen, data fra sensorer på kraftledningen og værdata fra en værstasjon i nærheten.
Vindparken i nettområdet består av fem vindturbiner som samlet kan mate inn 21 MW (megawatt) til kraftledningen, som illustrert på figuren under. Ledningen er også koblet til flere vannkraftprodusenter og forbrukere, slik at belastning på ledningen ikke kun kommer fra vindproduksjon.
Selv om vindparken lå 22 km i luftlinje unna sensorene på den aktuelle kraftledningen, så var det høy korrelasjon (0.79) mellom vindstyrken målt hos vindparken og vindstyrken målt nær kraftledningen. Lufttemperaturen var også ganske lik med en korrelasjonsfaktor på 0.89. Det viste seg at dersom man analyserte data for et år, så var den dynamiske linjekapasiteten høyere enn Fosweb-grensene 63 % av tiden. Hvis man kun så på tidspunkter med vindhastighet over 4 m/s, så var den dynamiske grensen høyere i 99 % av tiden. Hypotesen ble også bekreftet: Kjøleeffekten på ledningen var 29 % høyere når vindparken produserte nær sin installerte kapasitet (16-21 MW) enn når vindparken produserte lite (0-4 MW).
Dynamiske grenser er ikke alltid høyere
Det er ikke dermed slik at målingene alltid vil avdekke en høyere kapasitet. På en varm, vindstille sommerdag kan faktisk sensorene avsløre at det er mindre tilgjengelig kapasitet enn det de tradisjonelle grensene tilsier, fordi værforholdene ikke gir noe kjøling av ledningen.
En annen kompliserende faktor å ta hensyn til er at kjøleeffekten også avhenger av vindretning: når vinden blåser parallelt med ledningen er kjøleeffekten lavere enn når vinden blåser 90 grader på ledningen. Resultatene viste at det kan forekomme situasjoner med full vindkraftproduksjon samtidig som det er nesten vindstille på ledningen. Disse forholdene kommer av lokale vindforhold på grunn av geografi og terreng og bør undersøkes nærmere, for eksempel ved å analysere vindretningene i slike situasjoner. Identifisering av problematiske vindretninger i slike «worst-case»-scenarioer kan gi viktig innsikt for trygg drift. Dette kan resultere i muligheten til å tillate vindkraftinnmating ved visse vindretninger, mens det begrenses fra andre retninger.
Maskinlæring
Jeg brukte også dataene til å trene opp ulike typer maskinlæringsmodeller til å bruke datasettet for å predikere linjetemperatur. 80 % av datasettet ble brukt til å trene opp modellene og de resterende 20 % til å teste modellene. Modellen som var mest presis i sine prediksjoner var random forest regressor [2], som hadde en gjennomsnittlig kvadratfeil (eng. mean square error) på 1.37.
På figuren over ser man et eksempel på verdier predikert av modellen (rødt) og faktiske sensormålte verdier (blått). Et interessant videre arbeid kan være å utforske hvordan data fra sensorer kan brukes til å validere og trene en kapasitets-modell for et helt nett der man kan få data på dynamisk kapasitet uten å ha sensorer på alle linjer.
Fortsettelsen av dette forskningsarbeidet kan bidra vesentlig til akselerert integrasjon av vindkraft i strømnettet, noe som er avgjørende for å realisere nasjonale mål om en energisektor basert på fornybar energi.
Sommerforskerkonferansen
Sommeren ble avsluttet med at jeg og de andre sommerforskerne fikk presentere arbeidet vårt på sommerforskerkonferansen. Konferansen var arrangert slik at den skulle gi en smakebit på hvordan det er å være på en ekte vitenskapelig konferanse, der alle hadde laget postere av oppgaven sin og fikk tre minutter til å pitche oppgaven til et publikum bestående av SINTEF-forskere og andre sommerforskere. Etter pitchen på ble det mange interessante faglige diskusjoner rundt posterne, og en hyggelig lunsj.
Referanser
[1] Kjell Åge Hallsand. Beregning av termisk grenselast på kraftledninger. 2023.
[2] GeeksForGeeks. Random Forest Regression in Python. 2023.
Kommentarer
Ingen kommentarer enda. Vær den første til å kommentere!