2025/06/10 Smart Grid

Smart Grids and Renewable Energy: Utilizing Advanced Algorithms for Load Forecasting and Peak Demand Reduction

Smart Gid : Phase Lock Loop

เพื่อให้ Grid Tie Inverter Sync กับ Grid ของการไฟฟ้าได้ดีมากขึ้น การ Sync เร็ว ในสภาวะแสงแดดที่เปลี่ยนแปลง หรือ MPP เปลี่ยน จะเป็นข้อได้เปรียบว่าเราจ่ายพลังงานให้กับระบบได้เร็ว (คืนเงินลงทุนได้เร็ว) ถ้า Sync ช้า หรือ Sync ไม่ได้ เงินเราก็คืนช้า (อาจจะมีสาเหตุมาจาก noise หรือ THD ในระบบ ก็ต้องกำจัดด้วยเทคนิคต่างๆ ก่อน)

ด้วยเทคนิค Synchronous Reference Frame PLL (dq-PLL)

หลักการ:

- เปลี่ยนสัญญาณ abc (หรือ v) เป็นกรอบ dq (rotating frame)

- เมื่อ PLL lock แล้ว ค่า v_q → 0 (เนื่องจากแกน d ชี้ไปทิศ phase ของ grid)

- ใช้ PI controller ปรับความเร็ว ω (frequency) ให้ v_q → 0

คำอธิบาย:

กราฟบน: สัญญาณแรงดันจาก grid

กราฟกลาง: ค่าของ v_q เมื่อเข้าใกล้ 0 แสดงว่า “lock”

กราฟล่าง: แสดงสถานะ Lock (1 = Lock, 0 = ยังไม่ Lock) และเส้นแนวตั้งแสดงเวลาที่ lock สำเร็จ

สามารถปรับ omega_pll เริ่มต้นให้แตกต่างจาก grid หรือเพิ่ม noise เพื่อดูการ lock ได้

รูปกราฟที่เพิ่ม noise สัญญาณรบกวนในระบบเข้าไป

matlab และ python ทำงานได้ดีคนละแบบ เดิมผมใช้ matlab หา I/V curve ของแผงโซล่าเซล ลองปรับมาใช้งาน python ก็ใช้งานได้ แต่จะ RUN ช้ากว่า เนื่องจาก colab ที่ทดลองใช้มีทรัพยากรจำกัด และการคำนวนแบบ Newton-Raphson loop สำหรับทุกๆ จุดแรงดัน (for j in range(len(V))) ช้า เนื่องจากแต่ละจุดคำนวณทีละจุดในลูป Python ธรรมดา ไม่เวคเตอร์ไรซ์ และยังคำนวณ exponential ซ้ำๆ ในลูปย่อยอีก

ยังสามารถหา I/V curve ในแต่ละค่า irr 200 400 600 800 และ 1000w/m2 ได้

และแต่ละจุดทำงานอุณหภูมิที่เปลี่ยนไปของ NOCT

Smart grid : Load Forecast, Grid Impact Analysis

“เขตเมือง A มีการติดตั้ง Solar Rooftop รวม 15 MW, EV Charging Station 200 จุด, เพิ่ม Smart Meter ทั่วเขต ต้องวางแผนอัปเกรด Grid อย่างไร ให้รองรับโหลดและ RE ได้โดยไม่เกิดปัญหาคุณภาพไฟฟ้าและมีต้นทุนคุ้มค่า?”

Smart Grid

Microgrid & Prosumer

หลักการคำนวณต้นทุนและการจ่ายไฟใน Microgrid

1. โครงสร้างต้นทุนของแหล่งผลิตไฟฟ้าแต่ละประเภท

1.1 ต้นทุนคงที่ (Fixed Cost)

- ค่าก่อสร้างหรือเงินลงทุนเริ่มต้น (CAPEX)

- ค่าเสื่อมราคา (Depreciation)

- ค่าบำรุงรักษา (Maintenance/Service)

1.2 ต้นทุนผันแปร (Variable Cost)

-ค่าวัตถุดิบ เช่น เชื้อเพลิง (Fuel) สำหรับ Biomass, Diesel, CHP

-ค่าบำรุงรักษาเชิงปฏิบัติการ (O&M per kWh)

-ค่าการจัดการสิ่งแวดล้อม หรือการกำจัดกากของเสีย

1.3 ต้นทุนโอกาส/ราคาตลาด (Opportunity/Market Cost)

- ราคาซื้อขายไฟฟ้าจากระบบใหญ่ (Grid)

- ราคาขายไฟฟ้าส่วนเกิน

- ผลตอบแทนหรือแรงจูงใจจากพลังงานสะอาด

หากต้องคำนวนต้นทุนของ แหล่งผลิตไฟฟ้า: Solar PV, Wind Turbine, Micro Hydro, Biomass, CHP (Combined Heat & Power), Diesel Generator ฯลฯ และ ศูนย์กลางควบคุมแบบเรียลไทม์ (Real-time Control) รับข้อมูลจากเซนเซอร์และมิเตอร์ ควบคุมการจ่ายไฟ, การจัดลำดับโหลด, การเชื่อม/แยก โดยคำนึงถึง Grid Load/ภาระผู้ใช้ไฟฟ้า โดยมีค่าไฟฟ้า ค่าต้นทุนทางไฟฟ้า

เอาทุกอย่างมาทำเป็น Microgrid คำนึงต้นทุนแต่ละโรงไฟฟ้า สอดคล้องกับภาระโหลดที่ใช้งาน และยังคำนวนค่า CO2 ที่จะเกิดขึ้นหากทำ Economics dispatch เพิ่ม battery เข้าไป

Smart Grid ระบบพยากรณ์ไฟฟ้าพลังงานหมุนเวียน (Renewable Forecast)

ตัวอย่างโจทย์

**จงสมมติข้อมูล Solar Power Output (kW) กับ GHI (W/m²) รายชั่วโมง 1 วัน (24 ชั่วโมง) จากนั้นสร้างแบบจำลอง Linear Regression เพื่อนำ GHI มาใช้พยากรณ์ Power Output

- เปรียบเทียบค่า Power จริงกับค่าพยากรณ์ในแต่ละชั่วโมง

- คำนวณค่า MAE และ RMSE

- วาดกราฟเปรียบเทียบ

- วิเคราะห์ข้อจำกัดของแบบจำลองนี้**

ใช้ Python ใน Colab เพื่อจำลองได้เลย