Machine learning prognosis for system imbalance volumes (IMPALA)

Elektrisk kraft er en ferskvare og må produseres i samme øyeblikk som den forbrukes. For at vi forbrukere til enhver tid skal ha en stabil tilførsel i stikkontaktene, må produksjon og forbruk balanseres med stor presisjon. I utgangspunktet er det markedsaktørene som gjør "grovjobben" gjennom kjøp og salg av produksjon og forbruk i forkant av driftstimen. Men ettersom ingen vet akkurat når vinden blåser eller kraften brukes, oppstår det ubalanser mellom forbruk og produksjon. Disse ubalansene må Statnett håndtere, og Landsentralen gjør dette blant annet ved bruk av ulike typer reserver som regulerer produksjonen og/eller forbruket. Dette kan være krevende, blant annet fordi det tar litt tid før reservene er aktivert. Innen de er aktivert, kan ubalansen ha endret seg vesentlig, og det er en risiko for at den aktiverte reserven øker ubalansen. Formålet med IMPALA har vært å utvikle et selvlærende prediksjonssystem som kan forutse kommende ubalanser i sanntid. Prosjektet har klart å utvikle en kunstig intelligens som viser seg å være vesentlig mer treffsikkert en dagens systemer og som følgelig pilotkundene (Statnett og Svenska Kräftnet) mener vil redusere i bedre Nordisk frekvenskvalitet. Prosjektet er nå i siste fase og avsluttende fase hvor målet er å implementere denne kunstige intelligensen en prototype programvare som vil bistå landssentralen med sanntidsprediksjoner, slik at operatørene får erfare hvordan den kan benyttes operasjonelt. Prosjektresultatene har vakt oppsikt blant andre TSO-er internasjonalt. Eksempelvis har Fingrid (Finland), Energinet (Danmark), RTE (Frankrike), Elia (Belgia) og National Grid (Storbritannia) alle tatt kontakt, samt at Svenska Kraftnat (Sverige) har kjøpt seg inn i prosjektet.

The outcome of the project is a prototype software proving that artificial intelligence can make a significant improvement to both the quality and security of supply in the Nordics. This is of great value now, but of even greater value in the future as more intermittent renewable productions is entering the power system and thereby increasing the operational challenge of power system balancing. The project has been carried out in the context of the Nordic power systems, but the results are applicable to other large power systems. The potential social economic benefits are large as the AI-based decision support tool developed is able to support the operational management of today's systems and thereby improve security significantly and reduce cost. The benefits are even larger in power systems with less flexible power supply, such as continental Europe and the power systems of tomorrow, because it enables operators to counteract upcoming disturbance proactively.

The costs that TSOs have related to mitigating imbalances and frequency deviations have increased steadily the last 10 years, especially in the Nordics but also in many other regions around the world. The drivers behind the increase in the Nordics (higher intermittent production from renewables and tighter integreation with surrounding countries) in costs are expected to become stronger going forward. In general, the shorter the time frame that a system operator has to respond to a system imbalance, the fewer resources are available for mitigating actions and correspondingly the more expensive it is for the system operator to take action. In addition, in extreme periods unexpected large imbalances can lead to system blackouts, which can have a very high societal cost. Being able to forecast system imbalance volumes therefore has a great value to system operators. Currently, there are no effective tools available in the market for providing such forecasts. Additionally, published literature on forecasting system imbalance volumes is very limited and of a quality that leaves great room for improvement. The question that this project is designed to address is thus: How can we design an algorithm that is fast enough to be used in a real-time environment while at the same time providing a highly reliable forecast of system imbalance that can easily be updated as new knowledge becomes known?