Sítě nízkého elektrického napětí procházejí v současné době na mnoha místech světa rychlými a poměrně zásadními změnami. Elektrická energie v nich totiž často již neproudí jen jedním směrem, tedy z rozvodny ke spotřebitelům, ale spotřebitelé mohou – a mnohdy tak také činí – exportovat elektřinu, kterou sami vyrobili, zpět do sítě. Dalším významným faktorem, který se na proměně podílí, je to, že poptávka po elektřině rychle roste a dále poroste s tím, jak se bude dále elektrifikovat dopravní provoz a jeho infrastruktura – tedy především, jak se bude rozvíjet elektromobilita – a jak bude sílit i elektrifikace dalších významných infrastruktur. A přibývat bude i obnovitelných zdrojů. Spolu s tím vším však porostou i rizika vzniku nestabilit v nízkonapěťových sítích.
Výzkumníci sdružení v Smart Systems Group při edinburghské univerzitě Heriot-Watt se proto ve spolupráci s distribuční společností Scottish Power Energy Networks zaměřili právě na tyto klíčové výzvy. Na základě dat opírajících se o provoz skotských energetických distribučních sítí vědci ukázali, že neuronové sítě umožňující tzv. hluboké učení mohou poskytovat poměrně přesné odhady distribuce napětí ve všech oblastech sítě, i když jsou data dostupná pouze na několika místech této sítě. Předpokladem toho však je, že data se získávají prostřednictvím tzv. chytrých měřičů, a mají dostatečně vysokou granularitu. (Granularita neboli zrnitost je úroveň hloubky reprezentace dat, resp. jejich podrobnosti. Vysoká granularita znamená vysokou úroveň detailu až na atomická data.)
Měřit inteligentně
Kolísání napětí je značným problémem, protože jeho poklesy/rázy mohou vést i k vážnému poškození koncových elektrických spotřebičů. Distributoři elektřiny proto mají zákonnou povinnost zajistit, aby odchylky napětí ve všech uzlech jejich sítí zůstaly v zákonem přísně vymezeném intervalu nebo v rámci provozních podmínek stanovených regulátorem. V současné době tedy řada distributorů přistupuje k instalaci inteligentních měřičů a dalších pokročilých měřicích technologií, aby se zvýšila pozorovatelnost dříve „slepých“ částí sítě a umožnila se tak aktivní správa sítí s cílem zajistit zmírnění rizik.
Zavádění inteligentních měřičů však může implikovat i řadu potíží. V praxi se totiž pak často jedná o zpracovávání rozsáhlých datových toků z desítek tisíc (a potenciálně i milionů) míst a o získávání smysluplných provozních a plánovacích informací z těchto dat, což nemusí být zrovna jednoduché. Data totiž nemusejí být úplná a dostatečně kvalitní, například v důsledku toho, že mnoho sítí se de facto skládá z řady dalších podsítí, které se často vzájemně velmi liší svým typem a technickým stavem. Představa, že kvalitní a kompletní data v dohledné době půjde získat z každého jednotlivého uzlu, zkrátka není příliš realistická. V mnoha zemích a regionech je navíc zavádění inteligentních měřičů zcela dobrovolné a odběratelé je tak mohou bez jakýchkoli následků odmítnout. A i v místech, kde zavádění inteligentních měřičů probíhá úspěšně, je třeba vzít v úvahu zákonnou regulaci, která brání přístupu k soukromým údajům provozovatelů.
To potvrzuje i Maizura Mokhtar, datová expertka, která práci skotských vědců vedla. „Moderní inteligentní měřiče mohou shromažďovat data s vysokou granularitou v podstatě z každé domácnosti, v praxi však existuje při shromažďování tolika dat řada technických omezení. Stejně tak do hry vstupují i obavy koncových odběratelů o své soukromí,“ uvedla.
Pozor na osobní data
Je tedy třeba připustit, že existují oprávněné obavy, že údaje o poptávce po elektřině, zejména pak údaje o konkrétní energetické zátěži, je možné použít i k profilování chování jednotlivých zákazníků. Například ve Velké Británii proto příslušný regulační orgán, jímž je Úřad pro trh s plynem a elektřinou (OFGEM), rozhodl, že údaje o poptávce po energii s vysokou granularitou v intervalu kratším než jeden měsíc musejí být považovány za osobní, a proto jsou chráněny přísnějšími předpisy, než je v souvislosti s energetickým provozem obvyklé.
Bez znalosti topologie sítě je však – na rozdíl od údajů o výkonu, které přímo odhalují spotřebu energie každé domácnosti v každém časovém okamžiku – vytvoření profilu energetického chování zákazníků jen na základě dat o elektrickém napětí značně obtížné.
Skotští vědci se proto zaměřili na vytvoření takových technik strojového učení a Power System Simulator for Engineering (PSSE), které budou schopny efektivně pracovat pouze s napěťovými daty a žádné další datové soubory již nebudou potřebovat. Ve své studii pak vědci také porovnali přesnost predikce poptávky po elektřině s použitím osobních dat a bez nich. Vědci dále zkoumali také účinnost neuronových sítí se schopností hlubokého učení při předpovídání napěťové distribuce i v místech, kde se nenacházejí inteligentní měřiče.
Stav, kdy by všichni zákazníci měli nainstalovány inteligentní měřiče, se totiž pouze zdá být ideální. Pokud by tomu tak opravdu bylo, pak by pochopitelně značně vzrostl objem celkových dat, ale i náklady na správu těchto dat i na jejich následnou analýzu. A právě proto, aby tyto náklady nebyly tak velké, navrhuje skotská studie identifikovat klíčová místa, na kterých jsou inteligentní měřiče nutné k tomu, aby bylo možné zajistit efektivní predikci pro celou nízkonapěťovou síť.
Vědci zjistili, že aby byl prediktivní model přesný a spolehlivý, musí umět:
1. předvídat distribuci napětí v obvodu vždy o jeden krok dopředu, a to při pouze částečném pokrytí chytrými měřiči v nízkonapěťovém obvodu;
2. předvídat napětí, a to pro všechny zákazníky, včetně míst bez chytrých měřičů;
3. používat, ale nevyžadovat data o spotřebě energie s vysokou granularitou od všech zákazníků v síťovém okruhu, potenciálně tedy umět využít tato data v agregované podobě;
4. neklást žádné pevné požadavky týkající fázových připojení jednotlivých zákazníků.
Takto sestavený prediktivní model následně ukázal, že přesnost predikce sítě se zvyšuje spolu s tím, jak vzrůstá počet zákaznických bodů vybavených inteligentními měřiči, přičemž maximální přesnosti predikce je dosaženo při menším počtu bodů, než je jejich celkový počet. Zajímavým zjištěním tohoto výzkumu bylo také to, že na predikci nemělo podstatnější vliv, zda byl součástí vstupních údajů i údaj o spotřebě energie v konkrétních zákaznických bodech.
Práce skotských odborníků tak demonstruje, že k tvorbě vysoce přesných predikcí napětí v celé síti postačují pouze data z několika klíčových míst. Zásadní charakteristikou této metody přitom je, že po zákaznících nepožaduje zadávání žádných citlivých údajů.
Podle profesora Davida Flynna, vedoucího Smart Systems Group, spolupráce univerzity Heriot-Watt a Scottish Power Energy Networks velmi dobře ukazuje, jak lze díky spojení rozdílných odborností dospět k novému uvažování o věcech se zcela konkrétním praktickým užitkem pro britské provozovatelé energetických sítí. „Ukazuje se, že umělá inteligence a analýza velkých objemů dat jsou stále důležitější při řešení výzev, se kterými se britští poskytovatelé energií potýkají, a při dekarbonizaci našich energetických systémů pravděpodobně budou hrát klíčovou roli,“ dodal David Flynn.
