Utfordringer knyttet til raskt varierende driftstilstander i kraftsystemet på grunn av økende integrasjon av variabel fornybar energiproduksjon og økende utveksling av kraft mellom land, er tydelig synliggjort gjennom de høye strømprisene og store prisforskjellene som nylig er erfart i Norge og Europa. Kapasitetsbehovet knyttet til elektrifisering av industri, transport og samfunnet generelt er presserende, og forsyningssikkerheten for elektrisk energi trues av mer ekstremvær og en spent geopolitisk situasjon i Europa. Samtidig er det økt oppmerksomhet på å bevare naturen, inkludert hensyn til arealbruk, og å begrense klimaendringene. Alt i alt kreves det maksimal utnyttelse av det elektriske kraftnettet, noe som gir grunnlag for å undersøke en sannsynlighetsbasert tilnærming til drift og langsiktig nettplanlegging. Ved å bruke en slik tilnærming kan overføringskapasiteten i mange tilfeller økes, samtidig som forsyningssikkerheten og kostnadene balanseres. Den optimale løsningen kan i mange tilfeller være å basere seg mer på tiltak som kan gjennomføres i driften av nettet, og investering i nettkapasitet kan utsettes eller i visse tilfeller unngås.
Hovedmålet med prosjektet har vært å utvikle metodikk for rask identifikasjon av driftsstrategier som sikrer et motstandsdyktig overføringsnett, samtidig som nettets kapasitet utnyttes maksimalt.
Prosjektet har adressert kunnskapshull knyttet til driftsstrategier, som er en forutsetning for sannsynlighetsbasert drift av overføringsnettet. Utvikling av mer beregningsmessig effektive modeller og metoder enn de som tidligere har blitt brukt i langsiktige planleggingsverktøy har vært i fokus. Prosjektet har bygget nødvendig kompetanse innen bruk av nye data som underlag for sannsynlighetsbasert drift, bruk av maskinlæring for å forbedre den beregningsmessige effektiviteten, samt bruk av mer effektive fysikkbaserte metoder og beregningsteknikker for kraftsystemanalyse. En stor del av arbeidet har vært knyttet til å skalere opp de identifiserte metodene og verktøyene for bruk på et reelt kraftsystem.
De identifiserte metodene og videreutviklingen i prosjektet er implementert i nye prototype programvareverktøy og kodebaser, og demonstrert gjennom case-studier. De viktigste delene er vellykket testet på den norske kraftsystemmodellen i samarbeid med Statnett, andre deler er testet ved hjelp av et noe enklere testsystem. Resultatene fra testene er lovende: For det første indikerer resultatene at en ved å ta hensyn til sannsynligheter og konsekvenser i mange tilfeller kan utnytte kraftsystemet høyere uten å ta for stor risiko. Resultatene viser også at det finnes tilfeller der en med de tradisjonelle metodene tar for høy risiko, uten at en er klar over det. Case-studiene indikerer at sannsynlighetsbasert drift til lavere samfunnsøkonomisk kostnad er mulig, samtidig som risikoen holdes under kontroll. For det andre viser testene at kombinasjonen av maskinlæringsteknikker og effektive fysikkbaserte metoder er kraftig, og muliggjør bruk av sannsynlighetsbaserte analyser og optimalisering i en grad som ikke er tilgjengelig i kommersielle verktøy i dag. Prosjektet har også bidratt ved å ta mer nøyaktig hensyn til gjenopprettingstid og -tiltak når man beregner avbruddsvarigheter i pålitelighetsanalyser. Dette ved å utvikle en modell og et prototypeverktøy som estimerer gjenopprettingstid for de viktigste gjenopprettingstiltakene i overføringsnettet.
En PhD-kandidat har arbeidet med spesifikke beregningsaspekter knyttet til balanseringen av forebyggende og korrektive tiltak, først og fremst med hensyn på å bedre hurtigheten til de fysikkbaserte metodene.
Prosjektresultatene inkluderer metoder, modeller og prototypeverktøy som kan bidra til å forbedre nøyaktigheten og effektiviteten i beregningene i verktøy for sannsynlighetsbasert drift av overføringsnettet.
The research activities and results from this project has strengthened the national knowledge base on the strategically important area of digitally transformed and integrated energy systems and strengthened the decision basis for security of electricity supply. Based on the groundwork from previous national and international projects, the project has built required competence on utilization of new data as input for probabilistic reliability management, the use of machine learning to improve computational efficiency, as well as the use of efficient methods and calculation techniques for power system analysis.
The methodologies identified and further developed in the project have been implemented in new prototype software tools and code bases and demonstrated on case studies. A major part of the work has been related to scaling up the identified methods and tools to work on a real power system, and the most important parts are successfully tested on the full Norwegian power system model in cooperation with Statnett.
The new knowledge on ensuring grid resilience is also expected to be of great potential value to industry in general, awaiting capacity for electrification in a society increasingly dependent on a reliable electricity. Statnett and other TSOs may adapt the project results to be used in their existing tools, and complement the analyses normally carried out for power system planning and operation. When the ideas of probabilistic power system operation are further adopted by the TSOs, the expertise and methodology for resilient and probabilistic transmission grid operation will be of vital importance. The results are also transferable to distribution grid operators, even if modifications may be required.
The transmission grid is facing challenges due to increasing integration of variable renewable generation and increasing exchange of power between countries. In the traditional (deterministic) approach to reliability management, grid operators often has to resort to grid development solutions to maintain an acceptable level of reliability. However, such solutions may be exceedingly costly and not necessarily socio-economic efficient. Using a probabilistic approach to long-term grid planning, balancing reliability and costs, the socio-economic optimal solution may be to rely more on actions that can be taken during grid operation: preventive actions to better absorb disruptive events, corrective actions to better adapt to disruptive events, and restorative actions to rapidly recover from disruptive events and restore power supply to end-users. These are all capabilities associated with resilient grid operation.
The primary objective of the project is to develop methodology for the rapid identification of operational strategies including preventive, corrective and restorative actions that ensures transmission grid resilience. It thus seeks to address outstanding knowledge gaps related to the operational strategies that are a precondition for more probabilistic and resilient reliability management of the transmission grid. It will focus on the rapid identification of near-optimal preventive actions by developing and critically evaluating novel and computationally efficient approximate models (proxy models) for grid operation. Furthermore, the project will also advance the research front in the direction of accounting more accurately for restoration time and restorative actions within a broader probabilistic reliability management framework. The expected results of the project include methods, models and prototype tools that can be implemented in probabilistic reliability assessments tools to improve their accuracy and computational efficiency.
