Artificial Neural Network Based Power Management in Microgrid

Abstract

Klimaforandringer, og det resulterende fokuset på fornybar energi forandrer stadig strukturen og karakteristikken til kraftsystem rundt om i verden. Implementeringen av mikronett fasiliterer for fornybar energi ved å tilrettelegge for lokal energiproduksjon og lagring med blant annet solceller og batterier. Disse mikronettene krever intelligente kontrollsystemer for å kunne regulere kraftflyt, frekvens, spenning og strøm i systemet. Kunstige nevrale nett er foreslått som en mulighet for mikronett kontroll ved bruk av maskin læring.

Målet med denne oppgaven er å utvikle og teste en simuleringsmodell av et hybrid mikronett med et kunstig nevralt nett-basert sentralisert kontrollsystem, og sammenlikne den med en mer tradisjonell kraftflyt-basert algoritme. Dette blir gjort med det overværende målet å vurdere og analysere systemet for å identifisere både fordeler og utfordringer rundt bruken av nevrale nett for mikronett kontroll.

Prosjektet startet med utviklingen av en Simulink-modell av et mikronett bestående av solceller, et batteri og en elektrisk bil i tillegg til variabel og konstant last. En kraftflytsalgoritme ble laget, og mokronettet ble simulert med et basistilfelle som bestod av normale sol- og lastforhold. Parallelt ble det utviklet et nevralt nett der resultatene fra simuleringen av basistilfelle ble brukt til opplæringen. De to kontrollsystemene ble simulert for tre tilfeller hver: et basistilfelle, et tilfelle med uregelmessig innstråling og et tilfelle med uregelmessig belastning.

Resultatene indikerte at når gitt den samme tidligere usynlige input dataen, klarte det nevrale nett-baserte kontrollsystemet å justere utgangsverdiene mot en mer optimal løsning sammenlignet med kraftflytsalgoritmen. Den komplekse strukturen til det nevrale nettet skaper og identifiserer sine egne mønstre som er i stand til å gi forventede utgangsverdier selv om situasjonen er forskjellig fra treningsdataene. Siden dette prosjektet bare testet noen få tilfeller, kan den endelige brukbarheten av nevrale nett som et sentralisert kontrollsystem ikke konkluderes. Resultatet tyder likevel på at dette kan være et brukbart alternativ for et sikrere og mer effektivt kontrollsystem for kraftstyring i fremtiden.

Climate change, and the resulting focus on the green transition is rapidly changing the structure and characteristics of the power systems around the world. The implementation of microgrids are facilitating renewable power production in the power system, by allowing for smaller components of local production and storage such as solar panels and batteries. These microgrids need intelligent control schemes in order to regulate the power, frequency, voltage and currents within the system. Artificial neural networks (ANNs) are proposed as one option for microgrid control with the use of machine learning.

The objective of this thesis is to develop and test a simulation model of a hybrid microgrid with an artificial neural network based centralised controller, and compare the performance to a more traditional power management based power flow algorithm. This was to be done with the overarching goal being the assessment and identification of future possibilities as well as challenges around the use of ANNs in microgrid controls.

The research started with the development of a Simulink model of a microgrid system consisting of solar panels, a battery, an electric vehicle, constant and variable loads. The power flow algorithm was produced, and the microgrid was simulated with a base case consisting of standardised solar and load curves. In parallel, an ANN was developed with the results from the simulation of the base case being used for the training. The two control systems were simulated for three cases each: a base case, a case with irregular irradiance and a case with irregular load.

The results indicated that when provided the same previously unseen input, the ANN based control system managed to adjust the output values towards a more optimal solution compared to the power flow algorithm. The complex structure of the ANN creates and identifies its own patterns that is able to provide expected output values even if the situation is different from the training data. However, as this project only tested a few cases, the ultimate usability of ANN as a centralised controller cannot be concluded. Nevertheless, the result indicate that this may be a viable option for a more secure and effective control system for power management in the future.