Аннотация результатов, полученных в 2019 году
В отчётном 2019 году российской группой ИСЭМ СО РАН были выполнены работы по двум этапам первого рабочего пакета (РП): − РП 1.2. «Идентификация подходящих методов для объединения гибкости» − РП 1.3. «Анализ и выбор подходящих многоуровневых тестовых систем электрических сетей» В начале работ по РП1.2 был проведён анализ существующей терминологической базы по теме гибкости энергосистем, ключевые аспекты которой были согласованы с зарубежным коллективом Института энергетических систем, энергоэффективности и энергетической экономики Технического университета Дортмунда (далее Института ie3) на совместном рабочем семинаре (г. Дортмунд, Германия, 11-12 апреля 2019). По результатам обсуждения, было принято решение, что основные исследования в проекте будут сфокусированы на задачах эксплуатационной гибкости, под которой понимается способность энергосистемы поглощать помехи для поддержания надёжного режима работы. Под помехами понимаются отключения оборудования, ошибки прогноза в выработке мощности и пр. В качестве основных программных сред разработки были выбраны Matlab и Python. В рамках выполнения РП1.2 также были обобщены основные средства и технологии регулирования гибкости на разных уровнях современных энергосистем: 1. Управление гибкостью на стороне генерации - ТЭЦ, газовые турбины, снижение выработки возобновляемыми источниками энергии (ВИЭ), и т.п. 2. Управление гибкостью на стороне нагрузки - системы управления спросом. 3. Применение технологий управления режимами - системных услуг. 4. Использование накопителей энергии как элементов гибкости. 5. Виртуальные системы средств регулирования - агрегирование нагрузок, накопители энергии, электромобилей и т.д. 6. Передовые технологии как средство регулирования гибкости - технология "электричество-тепло" для ВИЭ, преобразование электричества в газ и в водород, технология "транспортное средство - сеть". Отдельной задачей стала оценка характерных средств повышения гибкости для российских энергосистем, а также оценка сложностей, которые могут препятствовать данному процессу. Было установлено, что одними из перспективных средств повышения гибкости российских ЭЭС могут стать адаптивная оптимизация реактивной мощности и уровней напряжений в электрической сети и системы управления спросом. В связи с этим, в 2019 году совместно с Иркутским РДУ ОАО «Системный оператор ЕЭС» было проведено исследование анализа гибкости для Бодайбинского энергорайона Иркутской ЭЭС и разработана гибридная система регулирования напряжения на базе технологий искусственного интеллекта (ИИ). Была продемонстрирована возможность повышения гибкости за счёт совместного регулирования уставок автоматических регуляторов возбуждения генераторов и средств компенсации в узлах нагрузки. В исследовании, выполненным совместно с АО "Дальневосточная распределительная сетевая компания" была протестирована модель управления нагрузкой в реальном времени для электрической сети г. Благовещенска, имеющей распределённую генерацию в виде мини-теплоэлектроцентралей (ТЭЦ). Дополнительно был разработан алгоритм обнаружения ошибок измерений в ЭЭС с накопителями электроэнергии, необходимый для решения проблемы низкой избыточности измерений для отечественных ЭЭС. Основные усилия по РП1.2 были направлены на изучение современных математических подходов для анализа и регулирования гибкости ЭЭС, которые потенциально могут быть использованы в проекте для объединения процедур оптимизации средств гибкости со стохастическим поведением систем передачи и распределения электроэнергии. В результате были выделены два перспективных подхода к решению оптимизационной задачи: двухуровневая стохастическая оптимизация и обучение с подкреплением. Их эффективность и определённые преимущества (сокращение вычислительной сложности многоуровневой задачи, решение невыпуклых задач оптимизации) демонстрируются исследованиями последних лет при многоуровневом анализе гибкости ЭЭС, в частности, рядом публикаций в высокорейтинговых журналах Energy, IEEE Trans. on Smart Grid, IEEE Trans. on Power Systems за 2017-2019 гг. Двухуровневая оптимизация позволяет включить одну проблему в пределах другой, что даст возможность согласовать целевые функции разных уровней ЭЭС для поиска стратегий регулирования гибкости с целью достижения общего оптимума. Например, максимизации прибыли энергокомпаний и минимизации затрат потребителей. Обучение с подкреплением - перспективный способ машинного обучения, в ходе которого испытуемый агент обучается, взаимодействуя с некоторой средой, например, энергосистемой. Такой подход существенно сократит вычислительные затраты, особенно при высокой размерности ЭЭС и многоуровневой постановке задачи. Обученные агенты со знанием большей части оптимальных решений могут быть использованы для управления средствами гибкости ЭЭС в режиме реального времени. Предполагается, что применение подхода двухуровневой стохастической оптимизации на базе моделей агентного обучения с подкреплением позволит решить основную задачу проекта - разработка многоуровневого подхода к моделированию распределенных средств обеспечения гибкости ЭЭС. Для проведения экспериментов на базе выделенных перспективных подходов, группой ИСЭМ СО РАН, совместно с немецкими коллегами из Института ie3, были разработаны программные инструменты GridDQN, E-VehicleMDP и VoltageMDP реализующие модели стохастической оптимизации на базе обучения с подкреплением. Разработанное программное обеспечение (ПО) использовалось для детального анализа и регулирования различных элементов гибкости на уровне распределительной электрической сети (методы «снизу-вверх»). Инструмент GridDQN использует модель глубокой Q-сети для оптимального управления средствами гибкости в симуляторе автономной электрической микросети (аккумуляторная батарея, водородный накопитель, дизель-генератор). Тестовые испытания для реальных микросетей Бельгии и России показали, что агент GridDQN успешно находит оптимальные стратегии управления различными накопителями электроэнергии, в том числе, совместно с дизель-генератором. В свою очередь, инструмент E-VehicleMDP реализует различные алгоритмы обучения с подкреплением (Монте-Карло для поиска в дереве, Q-обучение) для умного управления зарядкой электромобилей в симуляторе распределительной электрической сети с ВИЭ. Инструмент VoltageMDP включает включает автономную систему регулирования напряжения в распределительной электрической сети на основе нескольких алгоритмов обучения с подкреплением (Q-обучение, SARSA, Монте-Карло для поиска в дереве), а также динамического программирования. В рамках выполнения РП 1.3 российский коллектив проанализировал доступные программные средства для многоуровневого моделирования тестовых схем ЭЭС. В частности, было рассмотрено ПО с открытым кодом TDNetGen (разработка Power Systems ETH Zurich, https://github.com/apetros/TDNetGen), позволяющее одновременно моделировать системы передачи и системы распределения электроэнергии. Для ускорения расчетов при оптимизации, было принято решение разработать собственный программный инструмент в среде Matlab для моделирования двухуровневой (передача+распределение) схемы ЭЭС. В итоге, был создан инструмент EPSTwoLevel, эффективность которого была протестирована на двухуровневой схеме, включающей передающую сеть 110 кВ и распределительную сеть 12 кВ. Элементы гибкости в EPSTwoLevel предполагается задавать в виде инъекций мощности в узлах. Для динамического обновления величины инъекций мощности был разработан инструмент FlexLoadGen, который позволяет добавлять в базовую нагрузку профили мощности тепловых насосов, электромобилей, солнечной генерации и накопителей энергии. В конце 2019 года были достигнуты следующие научные результаты: 1. Определены перспективные средства и технологии повышения гибкости европейских и российских энергосистем, а также разработаны решения отдельных проблем, которые могут препятствовать этому процессу. Выделены задачи оптимизации реактивной мощности на базе доступных регуляторов, а также применение систем управления спросом как одни из перспективных вариантов повышения гибкости для отечественных энергосистем. 2. Разработаны модели и системы повышения гибкости на примере отечественных ЭЭС: система адаптивного регулирования напряжения и реактивной мощности на базе ИИ, модель управления нагрузкой в реальном времени, алгоритм обнаружения ошибочных измерений в ЭЭС с накопителями электроэнергии. Исследования проведены совместно с российскими энергокомпаниями: Иркутский РДУ ОАО «Системный оператор ЕЭС» и АО "Дальневосточная распределительная сетевая компания" для реальных объектов. 3. Определен эффективный математический подход к оптимизации: двухуровневая стохастическая оптимизация с использованием обучения с подкреплением, который позволит в 2020 году разработать многоуровневый подход к анализу и моделированию распределенных средств обеспечения гибкости ЭЭС. 4. Разработаны программные инструменты GridDQN, E-VehicleMDP и VoltageMDP, реализующие модели стохастической оптимизации на базе обучения с подкреплением для расстановки и управления средствами обеспечения гибкости в распределительной электрической сети (методы «снизу-вверх»). Программные реализации выполнены соответственно на языках Python (библиотека TensorFlow) и Julia (библиотека POMDPs); 5. Разработан программный инструмент EPSTwoLevel (среда Matlab) и FlexLoadGen (язык Python) для моделирования двухуровневой сети ЭЭС c элементами гибкости (тепловые насосы, электромобили, солнечная генерация, накопители энергии). Эффективность ПО была протестирована на двухуровневой схеме, включающей передающую сеть 110 кВ и распределительную сеть 12 кВ. Дополнительно разработана модифицированная тестовая 6-ти узловая схема передающей интегрированной сети, включающая комбинированную генерацию - ТЭЦ, тепловой насос, ветростанцию и традиционную электрическую генерацию. Полученные результаты были представлены на 5 международных конференциях и семинарах, и опубликованы в 10 научных статьях, индексируемых в Scopus и Web of Science (в том числе, одна из них в журнале «IET Generation, Transmission & Distribution», входящим в квартиль Q1). Российским и зарубежным научными коллективами было проведено 2 совместных рабочих семинара в г. Дортмунд (10-12 апреля 2019 года) и в г. Иркутск (27-31 августа 2019 года) для обсуждения исследований первого года проекта. Последнее мероприятие в г. Иркутск было организовано в формате Международного научного семинара (http://frepsworkshop.com/) на тему исследований гибкости энергосистем с участием представителей не только академических институтов, но и представителей российских и немецких энергокомпаний. Также в 2019 году были подготовлены: − главы "Introduction to Energy Management in Smart Grids" и "Resilient Future Energy Systems: Smart Grids, Vehicle-to-Grid, and Microgrids" для монографии "Solving Urban Infrastructure Problems Using Smart City Technologies" (изд-во Elsevier). Монография будет опубликована в 2020 году. − 3 статьи для представления на 21-ом Мировом конгрессе International Federation of Automatic Control (IFAC) (Берлин, Германия, 12-17 июля 2020 года).

Аннотация результатов, полученных в 2020 году
Основным теоретическим результатом выполнения проекта в 2020 году явилась разработка многоуровневого подхода к моделированию средств обеспечения гибкости сложных электроэнергетических систем (ЭЭС) на базе метода агентного двухуровневого кооперативного обучения (модифицированная версия метода «Актёр-Критик»), выполненная совместно с зарубежным научным коллективом Технического универсистета Дортмунда. В предложенном подходе математическая постановка двухуровневой оптимизации на основе обучения с подкреплением, подразумевает её объединение с так называемой игрой Маркова. Агенты, играющие роли лидера и последователя (последователей) в каждом состоянии выполняют действия одновременно, следуя своей стратегии. При этом каждый агент обладает своим набором средств гибкости, состав и характер которых может быть изменён. Пространство состояний агента включает любые доступные ему действия (например, импорт/экспорт мощности, включение/отключение генераторов, накопителей и т.п.), которые приводят к максимизации функции вознаграждения, например, минимизации эксплуатационных, инвестиционных затрат. Предложенную постановку можно рассматривать как версию игры Штакельберга с несколькими состояниями, что расширяет стандартную задачу двухуровневой оптимизации. Такой подход даёт возможность решить ключевые проблемы координированной оценки и моделирования гибкости систем передачи и распределения ЭЭС, связанных с большой вычислительной сложностью и невыпуклостью задачи, усложнивших поиск искомого равновесия Штакельберга. При таком подходе мультиагентная среда позволяет в процессе офлайн-обучения агентов найти оптимальные оперативные стратегии управления доступными на разных уровнях ЭЭС средствами гибкости, и использовать такие стратегии в режиме онлайн для моделирования и повышения гибкости на разных уровнях ЭЭС. Мы полагаем, что предложенная постановка позволит значительно более детально количественно оценить гибкость в любых энергосистемах. Результаты опубликованы в главе монографии «Иерархическое моделирование при обосновании средств обеспечения гибкости электроэнергетических систем» [4], а также в журнале «Электроэнергия. Передача и распределение» [19], заявлен доклад на 2021 International Conference on Smart Energy Systems and Technologies. В ходе выполнения проекта получен ряд других важных теоретических результатов. 1. Подготовлен обзор основных современных тенденций моделирования гибкости с использованием инновационных технологий, проведён анализ причин снижения гибкости ЭЭС при использовании существующих методов моделирования и оптимизации. Показано, что задача обеспечения гибкости ЭЭС, во многом является развитием традиционных задач обеспечения системной надежности, что позволяет применять известные оптимизационные модели из этой области. По результатам этих исследований опубликованы статья в журнале «Energies» (SJR Q2) [2], две статьи в сборнике трудов 92-го Международного семинара «Методические вопросы исследования надёжности больших систем энергетики» [11,14] 2. Предложен комплексный подход к решению задачи оценивания состояния для анализа и обеспечения гибкости электрических сетей, базирующийся на идее двухуровневой декомпозиции. На его основе разработана иерархическая структура системы сетецентрического управления агрегатором спроса: верхний уровень подчиняется Системному Оператору (высоковольтная сеть), нижний уровень – активные потребители любых классов напряжения. Результаты исследования опубликованы в журнале «Промышленная энергетика» [9] и сборнике трудов 92-го Международного семинара «Методические вопросы исследования надёжности больших систем энергетики» [10]. 3. Выполнено объединение задач декомпозиции и кибербезопасности в общую задачу, когда размещение устройств синхронизированных векторных измерений в узлах-агрегаторах и узлах-потребителях, обеспечит надёжный сбор измерений векторов узловых напряжений. Результаты работы представлены на IFAC World Congress 2020 [7] и будут опубликованы в журнале «IFAC-PapersOnLine» (SJR Q2). При выполнении проекта получены следующие основные прикладные результаты: 1. Разработаны модели средств распределённой гибкости: накопители, газогенераторы, управляемые солнечные и ветровые генераторы, электромобили, мини-ТЭЦ, устройства FACTS, системы управления спросом, в том числе реализована возможность оценивать степень их влияния на рынок электроэнергии и мощности. Проведено тестирование этих моделей в рамках подходов «снизу-вверх» и «сверху-вниз» для различных реальных схем ЭЭС России и Германии: - разработанная система оптимизации зарядки электромобилей на базе моделей машинного обучения тестировалась по данным электрических сетей г. Дортмунда (доклад на IFAC World Congress 2020 [18] с последующей публикацией в журнале «IFAC-PapersOnLine» (SJR Q2)). - созданная технология использования управления нагрузкой в реальном времени использовалась в противоаварийном управлении для повышения гибкости и устойчивости электрических сетей г. Благовещенск, включающих распределённую генерацию (мини-ТЭЦ),что позволило снизить объем отключаемых потребителей и обеспечить надежное электроснабжение ответственных потребителей (статья в журнале "Вестник ИрГТУ" [3]) - предложенная модель активного управления сетью (АУС), рассматриваемая как ядро цифрового двойника электрической сети, тестировались для сети 6-0.4 кВ г. Иркутска в задаче регулирования напряжения. Модель реализует краткосрочные стратегии принятия решений при управлении гибкими устройствами генерации и потребления (публикация в трудах Международной конференции «Energy-21: Sustainable Development & Smart Management» [16]). - исследованы варианты повышения гибкости на базе моделей линейного программирования в задаче оптимальной расстановки и выбора мощности накопителей электроэнергии (водородные, аккумуляторные батареи) в передающих и распределительных сетях Германии (статья в журнале «Электроэнергия. Передача и распределение» [19]). - в докладе на Международной конференции “Energy-21” [6] были рассмотрены возможности применения устройств FACTS второго поколения для регулирования гибкости сети 500 кВ, являющейся фрагментом реальной ЭЭС. Эксперименты показали, что такие устройства позволяют существенно повысить управляемость сетей высокого напряжения, обеспечив требуемый уровень гибкости. 2. Завершена разработка оригинального программного обеспечения (общий расчётный модуль) в средах Matlab и Python для моделирования средств гибкости разных уровней ЭЭС в рамках двухуровневого программирования. Реализована возможность использовать внутренние и внешние открытые библиотеки методов оптимизации (напр. Yalmip, Pyomo, Gurobi), моделировать и совместно рассчитывать режимы передающей и распределительной сети ЭЭС с заданными средствами гибкости, моделировать режимы работы сообщества гибридных микросетей постоянного/переменного тока. Это позволяет проводить исследования по анализу оперативной гибкости, планированию ресурсов гибкости для многоуровневых ЭЭС, оптимизации режимов работы сообщества микросетей и формированию локального рынка электроэнергии. Совместно с зарубежным научным коллективом проведена серия экспериментов с использованием разработанного расчётного модуля и аппарата двухуровневой оптимизации для ряда схем ЭЭС: - первая группа экспериментов сводилась к задаче оптимального обмена мощностями между системами передачи и распределения электроэнергии при различных вариантах гибкости. В качестве объектов исследования были рассмотрены двухуровневые тестовая IEEE и реальная ЭЭС о. Борнхольм (Дания). Проведенные расчёты показали, что двухуровневая оптимизация позволяет более справедливо и выгодно для всех уровней ЭЭС определять эксплуатационные расходы, обеспечивая большее проникновение ВИЭ и более эффективное использование ресурса управления спросом. Была начата работа по сравнению эффективности разработанного многоуровневого подхода (двухуровневая оптимизация) с результатами моделирования средств гибкости в программном комплексе SIMONA (разработка Технического университета Дортмунда). Результаты экспериментов опубликованы в главе монографии «Иерархическое моделирование при обосновании средств обеспечения гибкости электроэнергетических систем» [4] и журнале «Электроэнергия. Передача и распределение» [19], а также в сборнике трудов 92-го Международного семинара «Методические вопросы исследования надёжности больших систем энергетики» [17]. - вторая группа экспериментов была связана с исследованием и разработкой системы управления режимами и услугами гибкости сообщества микросетей на примере посёлков Байкальского региона на базе двухуровневого программирования и машинного обучения . Было рассмотрено несколько постановок целевой функции верхнего уровня: 1) перераспределение доходов и расходов между участниками сообщества согласно эффективности по Парето; 2) перераспределение активной мощности между микросетями за счет минимизации сетевых потерь. Микросети включали различные ВИЭ (ветер, солнце, газогенераторы на биомассе), дизель-генераторы и накопители. Расчёты показали, что создание сообщества и эффективное использование средств гибкости позволяет от 20 до 70% сократить показатель LCOE (т.е. фактически тариф на электроэнергию) при одновременном повышении качества электроснабжения анализируемых посёлков. Постановка задачи и результаты этих экспериментальных исследований в журнале «Energies» (SJR Q2) [15]. С целью распространения результатов исследований по гранту на ресурсе GitHub был создан репозиторий проекта https://github.com/frostyduck/Power-Flexibility-Project, где выложены некоторые разработанные коды программ. 3. Разработана мультиагентная модель обучения с подкреплением, реализованная в виде программного симулятора на языке Python. Модель представляет структуру взаимодействия агентов передающей и распределительной системы ЭЭС с соответствующей средой обучения. Разработанная среда – симуляция модели двухуровневой ЭЭС с различными средствами гибкости и ВИЭ, включающая пространства наблюдений (уравнения потокораспределения, режимные ограничения) и действий агента (импорт/экспорт мощности, включение/отключение генераторов, накопителей и т.п.). В основу мультиагентной модели заложена математическая постановка стохастического двухуровневого программирования, предложенная группой в 2020 году, которая объединена с игрой Маркова для реализации обучения с подкреплением. Полученный симулятор позволяет тестировать передовые методы обучения агентов: глубокие Q-сети (DQN), модификации актёр-критических методов (A2C, ACKTR, ACER), проксимальная оптимизация политики (PPO), оптимизации стратегии по доверительной области (TRPO) и др. По результатам исследования заявлен доклад на 2021 International Conference on Smart Energy Systems and Technologies (расширенная аннотация). За отчётный период 2020 г. результаты проведённых исследований по гранту были представлены докладами и обсуждены на всероссийских и международных конференциях, в том числе индексируемых в системах SCOPUS и Web of Science: 1) IFAC World Congress 2020 (Германия, Берлин, 11-17 июль, 2020 г.); 2) “Energy-21: Sustainable Development & Smart Management” (Иркутск, Россия, 7-11 сентября, 2020 г.); 3) 92-й Международный научный семинар «Методические вопросы исследования надёжности больших систем энергетики» (Россия, Казань, 21-26 сентября 2020 г.). По результатам выполнения проекта в 2020 году опубликовано семь докладов в сборниках научных трудов E3S Web of Conferences, а также две статьи в журнале “Energies” (SCR Q2), а также по одной статье в журналах «Промышленная энергетика» и «Вестник Казанского государственно энергетического университета». Находятся в печати две статьи в журнале «IFAC-PapersOnLine» (SJR Q2) и одна статья в журнал "Электроэнергия. Передача и распределение". Помимо этого, опубликована одна глава в монографии «Иерархическое моделирование систем энергетики» (Академическое изд-во «Гео») и две главы в монографии «Solving Urban Infrastructure Problems Using Smart City Technologies» (изд-во Elsevier), официальный выход который состоится в 2021 году. Ход выполнения работ второго года исследований и полученные результаты также обсуждались в 2020 году научными группами Технического университета Дортмунда и ИСЭМ СО РАН на нескольких совместных рабочих zoom-совещаниях.

Аннотация результатов, полученных в 2021 году
Основным теоретическим результатом выполнения проекта в 2021 году явилась разработка инновационного подхода к проектированию и оптимальному управлению локальными интеллектуальными энергосистемами (ЛИЭС), функционирующими как энергетические сообщества с локальным рынком электроэнергии и гибкости, учитывающего социальные, экологические и экономические преимущества конкретного расположения такого сообщества. Предложенный подход соединяет этапы планирования и функционирования ЛИЭС в единое целое и позволяет проектировать модели полностью автономных сообществ микрогридов для реализации реалистичных сценариев улучшения энергоснабжения неэлектрифицированных районов с учётом экологических ограничений и требований. Выполненные российско-германские исследования указывают на то, что в ближайшем будущем энергетические сообщества станут перспективными источниками распределённой гибкости для электрических сетей России и Германии, способными принести положительные локальные и системные эффекты как на уровне распределительных сетевых компаний, так и Системного оператора. Разработанное совместно с немецкими коллегами программное обеспечение (ПО), реализующее модель автоматики управления режимами ЛИЭС («оператор энергосообщества») позволяет максимизировать такие эффекты, реализуя доступные ресурсы гибкости на уровне энергетического сообщества. Объёмы обмена мощностью (с внешней сетью, и внутри ЛИЭС), а также рыночные цены при оперативном управлении определяются путем применения подхода максимизации общественного благосостояния на базе теории игр, двухуровневой оптимизации и машинного обучения. В частности, математическая и техническая постановка взаимодействия локальных систем управления режимами отдельных микрогридов с «оператором энергосообщества» реализована при совместном использовании метода обучения с подкреплением (Монте-Карло для поиска в дереве) и двухуровневой оптимизации. Результаты опубликованы в высокорейтинговом журнале первого квартиля (Q1) «Renewable Energy» (импакт-фактор 8.001) [12] (здесь и далее см. нумерацию литературы в подразделе 1.7). В ходе выполнения проекта в 2021 году получен ряд других важных теоретических результатов. 1. Исследованы потенциалы повышения гибкости интегрированных энергетических сетей России и Германии, объединяющих электрические и тепловые сети. Показано, что такими потенциалами обладают системы централизованного электроснабжения с высокой долей ТЭЦ и тепловых насосов, а также распределённые мультиэнергетические системы (МЭС), включающие коммунальные ЛИЭС с HVAC-зданиями. Эти результаты представлены совместно с немецкими коллегами на международной конференции IEEE ICOECS 2021 [8]. 2. Разработана интеллектуальная система децентрализованного управления спросом в распределённых МЭС, реализованная на основе технологий Интернета энергии и машинного обучения, а также сетецентрического подхода к механизму функционирования структуры агрегатора спроса. Результаты представлены на Международной конференции «Smart Energy Systems 2021» [10], идёт процесс подготовки статьи в журнал “Energies” (Q2, импакт-фактор 3.004). 3. Предложена процедура анализа предельной мощности ВИЭ и гибкости по напряжению для активных электрических сетей с учётом вторичного регулирования напряжения. Для повышения этих показателей разработан подход децентрализованного статического управления напряжением через инверторы на основе мультиагентного обучения с подкреплением. Результаты, полученные совместно с немецкими коллегами, опубликованы в высокорейтинговом журнале “Energies” (Q2, импакт-фактор 3.004) [9]. 4. Разработаны методы количественной оценки гибкости ЭЭС (упрощённый, точный и интеллектуальный), позволяющие в режиме онлайн отслеживать уровни эксплуатационной гибкости энергосистем с ВИЭ при оперативном управлении режимами, в том числе в задачах взаимодействия технологических операторов (TSO – DSO). Результаты представлены на Международной конференции AUPEC 2021 [1], а также опубликованы в журнале «Электроэнергия. Передача и распределение» [3]. 5. Предложена методика анализа вариантов распределенного размещения ветроэнергетических станций (ВЭС) для обеспечения желаемого уровня колебаний генерации, что позволяет снизить величину рабочего резерва мощности на традиционных электростанциях, а также может привести к увеличению гибкости ЭЭС с большим проникновением ветровой энергии. Результаты представлены на Международной конференции ELMA 2021 [11] При выполнении проекта получены следующие основные прикладные результаты: 1. Разработано ПО, реализующее предложенные модели интеллектуальных систем управления режимом коммунальных ЛИЭС, а также распределённых МЭС, функционирующих как энергетические сообщества. ПО выполнено в среде Python c привлечением открытых библиотек машинного обучения (tensorflow, gym, stable-baselines), моделирования электрических/тепловых сетей (pandapower, pandapipes, pypower), а также коммерческих оптимизационных решателей (Gurobi, CPLEX и др.). 2. Проведены тестовые испытания разработанного ПО для возможности повышения гибкости электрических сетей России и Германии: - тестирование системы децентрализованного агентного управления спросом, реализованной на базе технологии Интернета энергии, выполнено на примере реального интеллектуального полигона - энергорайон Академгородка (г. Иркутск, Россия), включающего объекты коммунальных многоквартирных зданий и научных институтов, участвующих в проектах по цифровизации и интеллектуализации. Результаты испытаний показали, что обученные агенты (HVAC-здания) успешно находят и реализуют оптимальную кооперативную стратегию накопления тепловой энергии в зданиях, что приводит к снижению/сглаживанию электропотребления всего энергорайона. Результаты экспериментов представлены на конференции «Smart Energy Systems 2021» [10], в процессе подготовки статья в журнал “Energies” (SJR Q2, импакт-фактор 3.004). - тестирование предложенного подхода к проектированию и оптимальному управлению ЛИЭС и автоматики "`оператора энергсообщества"' выполнено на примере создания сообщества микрогридов на примере трёх посёлков у Чивыркуйского залива восточного побережья Байкала (республика Бурятия, Россия). Экспериментальные расчёты показали эффективность подхода; затраты снизились до 40% за счёт уменьшения показателя нормированной стоимости электроэнергии (LCOE) при одновременном повышении надёжности электроснабжения посёлков. Результаты экспериментов опубликованы в журнале первого квартиля (Q1) «Renewable Energy» (импакт-фактор 8.001) [12] - испытания мультиагентной системы децентрализованного статического управления напряжением проведены на основе тестовых схем распределительных сетей IEEE, а также реальной сети 20 кВ Верхнего Рейна (Германия), включающих источники инверторной распределённой генерации. Эксперименты показали, что разработанный мультиагентный подход позволяет повысить гибкость по напряжению и увеличить предельную мощность ВИЭ в распределительных сетях, в том числе в рамках задачи обмена мощностью при взаимодействии технологических операторов (TSO – DSO). Результаты представлены в совместной с немецкими коллегами статье в журнале “Energies” Q2, импакт-фактор 3.004) [9] - проверка эффективности методики анализа вариантов распределенного размещения ВЭС проведена на примере перспективного района в Алтайском крае (Россия) с общей вводимой ветромощностью 90 МВт. Представленный численный пример показал, что распределенное размещение ВЭС снижает коэффициент вариации генерируемой мощности до 13,1%, что, в свою очередь, позволяет сократить погрешность прогноза выработки мощности ВЭС. Результаты экспериментов представлены на Международной конференции ELMA 2021 [11] 3. Разработан Python/Matlab-фреймворк иерархического моделирования и оптимизации для обеспечения и повышения эксплуатационной гибкости многоуровневой ЭЭС при взаимодействия технологических операторов (TSO – DSO). Он объединяет иерархические методы анализа ресурсов гибкости со средствами моделирования режимов многоуровневой модели ЭЭС и отдельных элементов силовой электроники. Предложенное иерархическое управление ЭЭС в рамках методов агентного двухуровневого кооперативного обучения и сетецентрического управления, реализует информационную связь на уровне оператора магистральных сетей (TSO), основанная на агрегированных значениях распределённой гибкости и режимах распределительные сети. Результаты представлены на Международной конференции ISEPC 2021 [2], а также будут опубликованы в одной из глав предстоящей монографии «Hierarchical modeling of energy systems» (изд-во Springer, 2022). 4. C целью распространения результатов проекта в 2021 году была завершена разработка специального репозитория на ресурсе GitHub (https://github.com/frostyduck/Power-Flexibility-Project), который будет содержать обобщения основного ПО, разработанного в проекте. 5. Сформулированы основные предложения относительно будущего практического внедрения, полученных результатов на основе разработанных моделей анализа и повышения гибкости ЭЭС как для российских (СО ЕЭС России, ПАО «Россети», АО «НТЦ ЕЭС Управление энергоснабжением», ЕВРАЗ, НТИ «Энерджинет»), так и для международных компаний (Hyundai, Южная Корея). За отчётный период 2021 г. результаты проведённых исследований по гранту были представлены докладами и обсуждены на всероссийских и международных конференциях, в том числе индексируемых в системах SCOPUS и Web of Science: 1) Smart Energy Systems 2021 (Россия, Казань, 21-24 сентября, 2021 г.); 2) ISEPC 2021 (Россия, Санкт-Петербург, 17-19 мая, 2021 г.); 3) 17th Conference on Electrical Machines, Drives and Power Systems (Болгария, София, 31 июля -1 августа, 2021 г.); 4) IEEE ICOECS 2021 (Россия, Уфа, 16-19 ноября 2020 г.); 5) 93-й Международный научный семинар «Методические вопросы исследования надёжности больших систем энергетики» (Россия, Волжский, 21-26 сентября 2021 г.); 6) 2021 31st Australasian Universities Power Engineering Conference (Австралия, Перт, 21-26 сентября 2021 г.). По результатам выполнения проекта в 2021 году опубликовано (или находятся в печати) пять докладов в сборниках трудов научных конференций, по одной статье в журналах “Renewable Energy” (SCR Q1) и “Energies” (SCR Q2), три статьи в журнале «Электроэнергия. Передача и распределение» и одна статья в журнале «Релейная защита и автоматизация». Помимо этого, в печати находится одна глава в англоязычной монографии «Hierarchical modeling of energy systems» (изд-во Springer), официальный выход которой состоится в 2022 году. Подготовлен проект монографии по итогам проекта под редакцией Член-корр.Н.Н. Воропая и проф. К. Ретанца с рабочим названием ««Инновационные технологии для повышения гибкости современных энергосистем», публикация которой планируется в 2022 году. Ход выполнения работ второго года исследований и полученные результаты также обсуждались в 2021 году научными группами Института ie3 и ИСЭМ СО РАН на нескольких совместных рабочих zoom-совещаниях.