Meningkatkan keandalan jaringan dalam menghadapi peristiwa ekstrem
Energy

Meningkatkan keandalan jaringan dalam menghadapi peristiwa ekstrem


Dengan secara akurat memodelkan dampak potensial dari kejadian cuaca ekstrim yang diramalkan pada keandalan jaringan, platform ExaGO yang dikembangkan oleh PNNL membantu operator jaringan menjaga lampu tetap menyala. Kredit: Josemaria Toscano | Shutterstock.com

Jaringan listrik negara tetap rentan terhadap gangguan dari peristiwa ekstrem termasuk kebakaran hutan, badai hebat, dan serangan siber. Sumber daya pembangkit variabel dan ketidakstabilan beban juga menghadirkan tantangan operasional terhadap stabilitas jaringan. Untuk mengurangi gangguan sebelum terjadi bola salju, perencana jaringan dan operator harus dapat melihat peristiwa ini datang dan memahami potensi dampaknya terhadap keandalan jaringan.

Namun, alat saat ini tidak mampu memodelkan secara akurat semua skenario dan saling ketergantungan dengan keakuratan, skala, dan kecepatan yang diperlukan. Pendekatan yang lebih baik yang pada gilirannya membutuhkan lebih banyak daya komputasi diperlukan.

Masuk ke ExaGO, platform pemodelan dan pengoptimalan untuk memecahkan masalah pengoptimalan jaringan listrik nonlinier skala besar. Kependekan dari toolkit pengoptimalan jaringan exascale, ExaGO adalah perangkat lunak sumber terbuka yang dapat memanfaatkan komputasi berkinerja tinggi dan platform komputasi heterogen yang muncul untuk memodelkan dan memperkirakan dampak peristiwa ekstrem dan kompleksitas operasional pada keandalan jaringan listrik.

“Proyek Komputasi Exascale di DOE sedang mencari aplikasi spesifik yang akan cocok untuk pendekatan komputasi ini,” kata Shri Abhyankar, ilmuwan pengoptimalan senior di Divisi Infrastruktur dan Bangunan Listrik di Pacific Northwest National Laboratory (PNNL). “Pemodelan grid Exascale adalah aplikasi kandidat yang ideal, sponsor kami setuju, dan kami memulai proyek ExaGO.”

ExaGO sedang dikembangkan oleh PNNL di bawah proyek ExaSGD, yang melibatkan lima laboratorium nasional dan Universitas Stanford dan didanai oleh Proyek Perhitungan Exascale Kantor Departemen Energi AS. ExaSGD berfokus pada pengembangan algoritme dan teknik untuk mengatasi tantangan baru ini dan mengoptimalkan respons jaringan terhadap banyak potensi peristiwa yang mengganggu di bawah skenario cuaca yang berbeda.

Software sekarang tersedia

Setelah hanya 18 bulan penelitian dan pengembangan, tim PNNL baru-baru ini merilis versi stabil pertama dari perangkat lunak ExaGO. ExaGO dapat berjalan pada perangkat keras mulai dari laptop hingga superkomputer exascale, memungkinkan model grid dengan ketelitian tinggi untuk diterapkan pada arsitektur komputasi berbasis akselerator yang baru dan sedang berkembang.

“ExaGO adalah lompatan ke depan yang signifikan dalam pemodelan jaringan listrik,” kata Slaven Peles, kepala ilmuwan untuk kelompok Pengoptimalan dan Pengendalian di PNNL dan peneliti utama untuk proyek ExaSGD. “Kemampuan untuk membuat model skenario yang sangat kompleks dengan cepat dan menilai potensi dampaknya pada keandalan jaringan listrik sangat penting untuk menerapkan tindakan korektif pada waktu yang tepat.”

Arsitektur heterogen

Arsitektur heterogen mengacu pada perangkat keras yang, selain unit pemrosesan tradisional, juga memiliki akselerator perangkat keras seperti unit pemrosesan grafis (GPU). Arsitektur ini memberikan daya komputasi ekstra untuk tugas komputasi intensif pemodelan dinamika grid “stokastik”, yang memiliki distribusi probabilitas acak atau pola yang perlu dianalisis secara statistik. ExaGO terdiri dari aplikasi yang dirancang untuk menyelesaikan pengoptimalan stokastik skala besar (masalah nonlinier), pengoptimalan yang dibatasi keamanan (penjadwalan sumber daya), dan masalah pengoptimalan multi-periode (saling ketergantungan infrastruktur jaringan).

Pemodelan dampak sumber daya energi pembangkit variabel pada keandalan jaringan akan menjadi contoh dinamika jaringan stokastik. Arsitektur GPU ini memiliki keunggulan karena dapat memproses banyak bagian data secara bersamaan, secara signifikan meningkatkan kinerja komputasi untuk memodelkan perilaku sistem yang kompleks. Platform ini telah menunjukkan tingkat kinerja dan skalabilitas yang belum pernah terjadi sebelumnya.

Dalam pengujian, ExaGO secara bersamaan memecahkan lebih dari 3.000 instans aliran daya optimal arus alternatif (ACOPF) —kalkulasi manajemen kisi tingkat sistem yang penting untuk menyeimbangkan daya nyata dan reaktif — untuk simulasi kisi Texas 2.000 bus dalam waktu kurang dari 10 menit. Kinerja ini secara signifikan melebihi alat perencanaan pembangkit saat ini dan memungkinkan operator jaringan untuk mengidentifikasi respons yang optimal untuk beberapa kegagalan komponen jaringan listrik secara bersamaan (dikenal sebagai kontinjensi Nk), seperti yang terjadi selama kondisi cuaca ekstrem.

Menerapkan teknologi untuk bekerja

Jadi, apa yang dapat dilakukan operator jaringan dengan platform pemodelan seperti ExaGO? Lebih dari yang bisa mereka lakukan dengan alat generasi saat ini, kata Abhyankar.

ExaGO dapat digunakan untuk membantu mengelola ketidakpastian operasional dari sumber energi terdistribusi yang terputus-putus. Perangkat lunak ini juga dapat digunakan untuk menilai secara akurat banyak kondisi operasi jaringan untuk menjaga keamanan dan keandalan atau untuk mengurangi penyimpangan frekuensi selama pemadaman dan peristiwa mengganggu lainnya. ExaGO juga dapat diterapkan untuk mengoptimalkan operasi pasar listrik sehari-hari dan waktu nyata.

Karena ExaGO menyediakan solusi pemodelan jaringan transmisi yang lengkap dan portabel, operator sistem transmisi dapat mengoptimalkan perencanaan mereka menggunakan perkiraan siklus hidup yang lebih akurat untuk aset jaringan, yang mewakili investasi tahunan miliaran dolar. Operator jaringan juga dapat lebih mempersiapkan diri untuk peristiwa cuaca ekstrim, bencana alam, dan potensi serangan dunia maya dengan memperkirakan dampak peristiwa tersebut secara lebih akurat pada keandalan jaringan terlebih dahulu. Langkah-langkah ini juga termasuk merumuskan opsi tanggap darurat yang paling efektif dan mengidentifikasi aset terbaik untuk kontrol frekuensi guna menghindari kegagalan sistem tenaga listrik yang lebih luas dan berjenjang.

“Dengan platform dengan kemampuan komputasi dan fitur pemodelan ini, aplikasi potensial dan kasus penggunaan baru sangat luas,” kata Abhyankar. “Yang terpenting, dengan kemampuan untuk mengeksekusi pemodelan jaringan listrik dan analisis aliran daya dengan ketelitian tinggi — dengan cepat dan dalam skala besar — ​​operator jaringan lebih mampu untuk tetap menyalakan lampu saat keandalan jaringan listrik terancam.”


Peta jalan teknis memandu arah penelitian untuk inverter pembentuk jaringan


Informasi lebih lanjut:
ExaGO tersedia untuk penggunaan umum melalui lisensi sumber terbuka di GitLab. Untuk informasi lebih lanjut tentang ExaGO, hubungi Shri Abhyankar di PNNL di [email protected]

Disediakan oleh Laboratorium Nasional Pacific Northwest

Kutipan: Meningkatkan keandalan jaringan dalam menghadapi peristiwa ekstrem (2021, 7 Mei) diambil pada 7 Mei 2021 dari https://techxplore.com/news/2021-05-grid-reliability-extreme-events.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Togel HK