Graice Suite – soluciones de software basadas en IA para redes de distribución eléctrica

El objetivo de este módulo es crear un modelo de red CIM (Common Information Model) consistente y capaz de flujo de carga. Se realizan varias comprobaciones y, cuando es posible, se hacen correcciones y adiciones. Esto incluye la comprobación de las relaciones lógicas de la topología de la red, la comprobación de los parámetros de los elementos de la red y la convergencia del cálculo de flujo de carga.

La gestión de datos de medición se trata de integrar datos de medición de varias fuentes de datos y preparar y evaluar los datos de medición para su posterior procesamiento en la planificación y operación de la red. Cuando es necesario y posible, los datos de medición se corrigen y complementan. Al evaluar los datos de medición, se tienen en cuenta los errores de medición de la cadena de medición. El análisis de los datos de medición incluye evaluar mensajes de estado de los dispositivos de medición, verificar voltajes con respecto a las bandas de voltaje definidas, verificar el cumplimiento de los límites de corriente y potencia nominal, y mucho más.

Para el monitoreo del estado de la red con tecnología de medición mínima, la colocación óptima de la tecnología de medición en la red es un paso importante. gridhound combina enfoques de ingeniería con algoritmos de IA para generar la colocación óptima de la tecnología de medición considerando la tecnología existente y cualquier limitación.

El monitoreo de red es una solución para determinar todos los parámetros operativos eléctricos (voltaje, corriente, potencia) de los equipos de red eléctrica (líneas, barras colectoras, transformadores, consumidores, generadores) en un área de red (parcial) de una red de distribución en niveles de media y baja tensión. La solución de gridhound utiliza algoritmos de IA que reducen la necesidad de tecnología de medición al mínimo mientras entregan resultados al menos comparables a los métodos clásicos (estimación de estado WLS).

gridhound ha desarrollado métodos de IA que pueden predecir la potencia de salida para sistemas de energía renovable individuales (FV, eólica) así como para estaciones de red locales completas. El método de predicción se entrena con datos maestros históricos, mediciones de potencia y datos meteorológicos, y luego puede predecir valores de potencia usando datos maestros y meteorológicos actuales. Esto funciona incluso en diferentes áreas de red. Los pronósticos pueden generarse tanto a corto como a largo plazo y están significativamente influenciados por la calidad del pronóstico meteorológico.

Basándose en el monitoreo de red en tiempo real y el pronóstico de potencia para sistemas de energía renovable y estaciones de red locales, gridhound ha desarrollado métodos de IA que pueden predecir la carga para áreas de red completas. Estos facilitan las medidas de redispatch y la planificación de conexión a la red, por ejemplo, para sistemas de energía renovable, estaciones de carga y bombas de calor.

Con el sistema de gestión energética desarrollado por gridhound, los generadores y consumidores flexibles pueden controlarse tanto para servicios de red como optimizados para autoconsumo. La base es el monitoreo de red y los pronósticos de red y potencia de gridhound. Los casos de uso de servicios de red incluyen, por ejemplo, evitar y resolver cuellos de botella y desviaciones de voltaje en la red de distribución. La optimización del autoconsumo incluye casos de uso como reducción de picos, desplazamiento de carga/generación, optimización del autoconsumo, etc.

gridhound ha desarrollado una plataforma de simulación que combina todos los demás módulos de Graice y permite simular varios escenarios. Esto permite generar datos necesarios para la planificación e implementar medidas requeridas para la transición energética.