Opis projektu
Nowatorskie narzędzie wspomagające optymalne zarządzanie systemami dystrybucyjnymi wykorzystującymi wiele źródeł energii
Przed światem stoi niełatwe zadanie zapewnienia niezawodnych dostaw energii potrzebnej do ogrzewania domów i budynków oraz do zasilania sieci energetycznej i następnej generacji pojazdów elektrycznych. Wykorzystujące różne źródła energii systemy, które optymalnie współpracą ze sobą, by zapewnić lepszą jakość usług i większą efektywność energetyczną, odegrają kluczową rolę w redukcji emisji w przyszłości. W ramach finansowanego ze środków UE projektu MNRG powstają algorytmy i technologie na potrzeby takich systemów. Mają one umożliwić cyfrowe, rozproszone i prowadzone w czasie rzeczywistym monitorowanie ogrzewania, mobilności i elektryczności. Nowe rozwiązania pomogą operatorom systemów dystrybucyjnych ustalać najlepsze topologie sieci, a także prognozować obciążenia i na bieżąco rozwiązywać problemy.
Cel
To achieve deep emission reductions in the European energy sector and in the heating sector in particular, stronger cross-sectoral linkages among the different energy carriers are needed. The main objective of proposed MNRG is improving operational flexibility by presenting a comprehensive digitalized, distributed and real-time monitoring of heat, mobility and electricity energy sectors which is required to deal with the uncertainty and variability of growing renewable resources and mobility. The main novelties of this project are: 1) MNRG provides an easy deployment and paired with unprecedented modularity for interconnected multi-energy systems by using GridEye's edge computing capabilities. 2) MNRG introduces a more practical way to manage and respond to the complex needs of the multi-energy systems in the presence of numerous energy components and devices. 3) The impact of DERs and EVs on the quality of energy sectors will be monitored in real-time and the flexibility in the operation of CHPs, use of reactive power controlling devices such as SVR and storage capacity of heat network will be considered as alternatives for technical challenges. 4) Real-time preventive and corrective actions based on dynamic feeder reconfiguration against over-voltage and congestion in the grid will be addressed. To determine network topologies optimally, methods based on machine learning or mathematical techniques will be implemented. 5) By MNRG, the behavior of feeders and transformers that are utilized by DERs and EVs will be predicted for DSO’s usage. In this regard, MNRG feeding by updated forecasts based on mathematical methods, like, ARIMA and deep learning methods, such as DRL and LSTM, will provide corrective and preventive actions. 6) MNRG can provide robust strategies for DSOs by using uncertainty modelling techniques such as robust optimization to tackle the volatility of uncertain parameters.
Dziedzina nauki
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectrical engineeringpower engineeringelectric power distribution
- natural sciencesmathematicsapplied mathematicsdynamical systems
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencesmathematicsapplied mathematicsstatistics and probability
- natural sciencesmathematicsapplied mathematicsmathematical model
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
1070 Puidoux
Szwajcaria
Organizacja określiła się jako MŚP (firma z sektora małych i średnich przedsiębiorstw) w czasie podpisania umowy o grant.