为了将通常挥发的可再生能源集成到能源供应中，必须增加电网的容量。通过根据天气条件更好地利用现有线路，可以减少对新线路的需求。为此，卡尔斯鲁厄理工学院(KIT)的研究人员致力于自学传感器网络，根据“PrognoNetz”项目中的实际数据模拟天气的冷却效应。在条件有利的情况下，可以通过这种方式增强线路的功率传输。
可再生能源的快速扩展 - 北方的风能，南方的光伏发电 - 以及日益增长的国际电力贸易导致对输电网的需求不断增加。为了将电力从生产者运输到消费者，以防止从再生源发电的设备暂时关闭，特别是在高风力强度下，并且为了确保一般的高供应安全性，似乎需要相当大的现有电网基础设施的扩展。这与耗时的许可流程和高成本相关。
然而，通过更好地利用现有架空线，可以显着减少对新传输线的需求。“通过这种方式，可以根据天气条件(例如环境温度，太阳辐射，风速和风向)大幅提高电力传输，”KIT信息处理技术研究所微系统技术组负责人Wilhelm Stork教授说。 (ITIV)。“这种增加可以在不超过允许的最大导体温度且没有导体离地面或物体下降到允许的最小值以下的情况下实现。”在这方面，具有受当地地形和植被影响的降温效果的风尤其重要。
高分辨率和实时传输线监测是ITIV协调项目“PrognoNetz - 用于天气相关传输线操作的自学习传感器网络”的目标。项目合作伙伴包括UBIMET GmbH气象服务卡尔斯鲁厄，巴登 - 符腾堡州输电网运营商TransnetBW GmbH，斯图加特，IT公司unilab AG Paderborn，GWU-Umwelttechnik GmbH Erftstadt和Wilmers Messtechnik GmbH Hamburg。由联邦经济事务和能源部(BMWi)资助的项目始于2019年初，计划为期三年。
在PrognoNetz内，研究和行业合作伙伴将开发具有智能传感器的宽传感器网络 - 与传统气象站相反 - 它们彼此靠近并靠近架空线，以便精确测量天气状况。传感器网络可抵抗恶劣的环境条件，并以无线可靠的方式向控制中心提供关键数据。随着新算法的开发，传感器将具有自学习功能。根据测量的分布式天气数据，它们将自动生成精确的电力负荷预测数小时甚至数天。利用历史天气数据和地形属性，将为电网的任何输电线路开发智能模型。在PrognoNetz内，ITIV科学家致力于基于人工智能和基于激光的风传感器的预测模型，其测量精度高于刚性安装的传感器。此外，计划使用无人驾驶无人机在电线杆上安装和维护气象传感器。
在PrognoNetz内开发的自学气象网络最初将应用于合作伙伴TransnetBW的现有高压线路和设备。“这种基于人工智能的网络将通过根据天气条件调整操作，随时确保现有电网的最佳利用。瓶颈可以克服，”Wilhelm Stork说。“通过这种方式，在有利的条件下，即外部温度较低或强风，电力输送可以增加15%至30%。”
标签：人工智能
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。