Metodologie innovative per la gestione dinamica delle ...€¢ IEEE 738-2006 “Standard for Calculating the Current Temperature Relationship of Bare Overhead Conductors” • CIGRE

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:

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:

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:

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(·) .

},1)];(),({[ Nttty =ϕ

)())(()( tvtfty += ϕ

))(()(^

tfty ϕ=

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:

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:

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.

Tmtutunktyktyt )](,),1(),1(,),([)( −−+−−−= ϕ

( ))(,),2(),1(),12(,),1(),()(^

ktItItIktktktft LLLHHHH −−−+−Θ+−Θ−Θ=Θ

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 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.

( ))t(I),t(),kt(f)t(E LmHH^

1−Θ−Θ=

( ))t(I),t(f)t(E LmH^

1−Θ=

• Struttura black-box proposta per la previsione a breve

termine (short term forecasting [5min-1h])

• 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] )


Architettura di un sistema WAMS-oriented.

Aspetti tecnologici

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.


Aspetti metodologici

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.


Primi rilievi sperimentali e preliminari valutazioni analitiche relative all’asset Benevento 2 –

Foiano di Valfortore.


0

500

1000

1500

2000

Am

paci

ty (A

)

Ampacity IEEE738 vs. Ampacity misurata per il bimestre Agosto-Settembre 2012

6ago

sto 20

12

13ag

osto 201

2

20ag

osto 201

2

27ag

osto 201

2

3sett

embre 20

12

10se

ttembre

2012

17se

ttembre

2012

24se

ttembre

2012

CEI 11/60 zonaAAmpacity dati TernaAmpacity Tc=55

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.

19

Grazie per l’attenzione

Dott. Cosimo Pisani [email protected]

METODOLOGIE PER LA GESTIONE DINAMICA DELLE LINEE DI

TRASMISSIONE:

La gestione dei parametri meteorologici

Giornata di studio La Rete Elettrica di Trasmissione Nazionale e

la Sfida delle Energie Rinnovabili L’evoluzione del Sistema di Trasmissione in Italia

Gestione dinamica delle linee di trasmissione

Software per lo studio e la produzione di dati Meteo

in ambiente GIS

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.

FONTI ENERGETICHE RINNOVABILI

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

• 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

Necessità

CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS


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

La Risposta:

Weather Analyst intende superare il paradigma “Fine Ricerca – Messa in produzione”

Il Rilascio:

Attività di Ricerca Implementazione Algoritmi

Vuole fornire elaborati che riflettano in qualità le evidenze che via via si acquisiscono

Ricerca e Validazione

Fornitura Elaborati

Interoperabilità e GeoDB

Schema delle interfacce

Griglie Cosmo LM NetCDF

Dati Pluviometrici “in situ”

Input

Output

Esri GeoDB

ArcMap / Esri tools

.Shp / .Kml

Web GIS

Catalogo

Weather Analyst

IMOD Export

Dati Satellitari


• 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.

• 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

COSMO LM: modello regionale

CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM

Input WeatherAnalyst:

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

Range di previsione

7 km 40 40 s ≤72h

2.8 km 50 30 s ≤18h

Cosa fa il modello COSMO LM CMCC - WeatherAnalyst. Il Software per lo studio e la produzione di dati Meteo in ambiente GIS: IL MODELLO COSMO LM

Relatore

Note di presentazione

LAMI è ufficialmente identificato come sistema previsionale di riferimento per il Sistema Nazionale dei Centri Funzionali di Protezione Civile Situazioni di allerta meteo

Stime che possono essere ottenute a partire dalle previsioni dell’andamento

delle variabili meteorologiche: Stima della produzione di energia rinnovabili quali ad esempio: idro-

elettrica, 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

I modelli meteo per la produzione e distribuzione di energia


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.

Principali variabili meteorologiche da osservare e prevedere (1)


Relatore

Note di presentazione

Le principali variabili meteorologiche da osservare e prevedere (1)

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



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)



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


Step Futuri

1. verifica del tool attraverso un utilizzo quasi-operativo.

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.


Documents

Metodologie innovative per la gestione dinamica delle ...€¢ IEEE 738-2006 “Standard for Calculating the Current Temperature Relationship of Bare Overhead Conductors” • CIGRE