Decentralizovaná energetika, cesta ke svobodě nebo k závislosti?

ÚVOD

Vizionáři mnohokrát deklarovaná změna zdrojového mixu zřejmě neznamená jen postupné dožívání velkých a systémových zdrojů s omezenou vidinou jejich obnovy nebo náhrady, ale i nárůst počtu a výkonu decentrálních zdrojů, investovaných a provozovaných i samotnými odběrateli.

Díky rostoucím nárokům odběratelů na komfort roste i vybavenost domácností, mění se skladba spotřebičů, požadavky alespoň částečné soběstačnosti přináší nástroje aktivního managementu energií, a to v pořízení vlastního zdroje energie, případně i úložiště.

V oblasti akumulace se dosavadní dominantní technologii, přečerpávacím elektrárnám, stává konkurentem elektrochemická akumulace energie, a to jak statická v podobě bateriových úložišť, tak i „pohybující se“ v podobě elektromobility. Elektromobilita samotná však přitahuje pozornost spíše kvůli nárazovému špičkovému odběru. Doposud byli energetici zvyklí, že dispečerské řízení výroby se přizpůsobuje koncové spotřebě, resp. zatížení sítě. Spotřeba se však stává méně čitelná a je stále obtížnější přesně predikovat její očekávaný průběh. Díky decentralizaci a intermitentním zdrojům přestává být čitelná a dispečerem řiditelná i část výroby.

Fyzikální principy přenosu a distribuce energie se snad nezmění, díky výše uvedeným trendům jak na straně spotřeby, tak i na straně výroby, však dramaticky klesá efektivita stávajících způsobů predikce spotřeby (zátěže) a tedy i řízení výroby. Z matematického pohledu můžeme konstatovat, že narůstá nejistota či entropie při řízení ES ČR. Konvenčním řešením by mohlo být posílení výkonu a flexibility zdrojů pro poskytování systémových služeb. Pomineme-li složitost povolovacích procesů, taková investice by se jistě citelně promítla do ceny energií. Navíc by prostá investice do zdroje nevedla ke snížení vlastní nejistoty, pouze by byla kvantitativním posílením prostředků, pomocí kterých se té nejistotě dispečer pokouší čelit.

Alternativou může být předvídání budoucích stavů energetické soustavy, hodnocení rizik souvisejících s (ne)schopností dosahovat vyvážené bilance a parametrizace požadavků na nápravná opatření. Těmi samozřejmě mohou být i nové zdroje. Díky simulacím a modelování bychom uměli přesně definovat jejich parametry, a to nejen co se týče výkonu, ale zejména ve schopnosti dodávaný výkon dynamicky přizpůsobovat výkyvům v síti. Simulace a modely mohou také ukázat, že předpokládaná nerovnováha by mohla být řešitelná i akumulací, přeshraniční výpomocí či nějakou formou ovlivnění až regulace spotřebního chování odběratelů.

Metody a nástroje pro modelování budoucích stavů v síti nejsou v energetice neznámé. Jejich aplikace pro komplexní bilanční úlohy se však teprve rozvíjí zatím spíše u provozovatelů přenosových soustav. Postupně budovaný analytický aparát, doprovázený systematickým sběrem a zpracováním dat, růst komplexity řešených úloh a jejich přiblížení ke zpracování v reálném čase, to vše povede k zintenzivnění spolupráce mezi PPS a PDS, včetně koordinované práce s technickými daty o stavu sítí, aktuální spotřebě a výrobě, čímž budou zpřístupněny nové nástroje pro udržení stability energetické soustavy (ES ČR) za zhoršujících se podmínek.

ENTROPIE, NEJISTOTA, RIZIKO

Pojem (termodynamické) entropie zavedl Rudolf Clausius v kontextu klasické termodynamiky s cílem vysvětlit, proč některé procesy jsou spontánní a jiné nejsou. Z pohledu fyziky  je entropie klíčová veličina pro formulaci druhého zákona termodynamiky, který klade principiální předpoklady získávání užitečné práce z termodynamické soustavy. Ale nejen ve fyzice, entropie je jedním ze základních pojmů i v teorii pravděpodobnosti, teorii informace v celé matematice. Setkáváme se s ní všude tam, kde hovoříme o pravděpodobnosti možných stavů daného systému či soustavy. Entropie bývá interpretována jako "míra neuspořádanosti" zkoumaného systému. V teorii informace se však lépe hodí její výklad jako „míra neurčitosti“, tedy nejistoty konkrétní hodnoty zkoumaného parametru.

Jak entropie, resp. neurčitost vstupů, okrajových podmínek či stavů řízeného systému ovlivňuje rozhodování provozních dispečerů nebo výběr strategie v očích manažerů? Rozdělme si základní scénáře z pohledu míry nejistoty budoucích stavů:

• rozhodování za JISTOTY: známe jednotlivé varianty (možné budoucí stavy), ze kterých si můžeme rozhodnutím vybírat, i důsledky jednotlivých rozhodnutí. V tomto scénáři je volba varianty v našich rukách, a to s plným vědomím dopadů. Jako příklad můžeme uvést příběhy z černé kroniky - dotykem s živou částí elektrického zařízení si neopatrný člověk přivodí úraz.
• rozhodování se znalostí PRAVDĚPODOBNOSTI: známe budoucí stavy, známe i jejich důsledky, avšak známe pouze pravděpodobnost realizace jednotlivých stavů. Tento scénář si lze snadno představit u hazardních her - např. pro každý jednotlivý hod „čistou“ hrací kostkou je pravděpodobnost, se kterou padne kterákoliv z hodnot (kombinací ok) na kostce, stejná, a to přesně 1/6.
• rozhodování za NEJISTOTY: známe budoucí stavy, nejsou nám však známy pravděpodobnosti budoucích stavů. Při řešení těchto úloh se pro zjednodušení někdy používá tzv. rovnoměrné rozdělení pravděpodobnosti - všechny možné budoucí stavy mají stejnou pravděpodobnost realizace.

Příklad: Za otázkou „jaké bude počasí?“ se skrývá množina různých možných stavů: slunečno, větrno, zamračeno, déšť, různé teploty atd. Při rozhodování „kdy jet na koupaliště nebo na dovolenou?“, zřejmě budeme, z pohledu matematiky, zvažovat pravděpodobnosti realizace jednotlivých stavů. A s nadsázkou tedy můžeme říci, že takovéto rozhodování se pro vzdálené časové horizonty je „sázka na nejistotu“. Podobné otázky si však klade i energetika. Jaký bude stav energetické sítě 3. května 2030 v 15:20? Množina stavů, které by tou dobou mohly reálně nastat, je jistě konečná a spočetná, avšak sepsat všechny možnosti je nad lidské síly. Proto se při řešení podobných úloh hledají parametry s dostatečně vypovídající schopností. Při řešení této otázky nástroji Generation adequacy, jak budou popsány dále v textu, může být odpovědí např.: soustava bude s pravděpodobností 10% deficitní o 200 MW. Můžeme v této souvislosti ilustračně zmínit i laický pocit zdánlivé jistoty, že po sepnutí vypínače se automaticky rozsvítí žárovka. Avšak jak z předchozích teoretických odstavců i příkladů vyplývá, z pravděpodobnostního pohledu rozsvícení žárovky 3. května 2030 v 15:20 s úplnou jistotou předpokládat nemůžeme. Ale takovému stavu zřejmě chceme předejít.

JAKÉ NÁSTROJE PRO ŘEŠENÍ ÚLOH S NEJISTOTOU SE V OBECNÉ ROVINĚ NABÍZÍ

K řešení matematicky popsatelného problému (tedy popsatelného soustavou rovnic, vztahů, či podmínek) lze v první řadě přistoupit vyřešením daného problému analyticky (řešení bývá též nazývané symbolické), kdy analytickým řešením matematické formulace problému dospějeme k matematickému popisu závislosti výstupní proměnné na dílčích vstupech. Při analytickém řešení úloh s nejistotou odvodíme závislost pravděpodobnostního rozdělení výstupní veličiny (např. nedodávka elektřiny) na předpokládaných pravděpodobnostních rozděleních vstupních veličin - počasí, výpadky zdrojů apod. - (analytická metoda pracuje přímo s matematickou formulací daných rozdělení pravděpodobnosti, pro normální (gaussovo) rozdělení např. ).

Protikladem analytického řešení je simulace, při které se zkoumají vlastnosti nějakého systému pomocí experimentů s jeho virtuálním klonem, obvykle matematickým modelem.

Parafrázujíce Pabla Picassa bychom mohli říci, že „model je polopravda, která nám pomáhá pochopit složitou realitu“. V mnoha aplikacích nemusí model realitu reprodukovat co nejvěrněji, ale naopak ji přiměřeně zjednodušuje a tím nám pomáhá pochopit alespoň část komplikované skutečnosti.

Hlavní praktickou výhodou modelování je možnost pomocí pokusů (včetně omylů) vyřešit úlohy, které nemají analytické řešení, případně kdy je analytické řešení extrémně složité či výpočetně náročné. Modely lze ověřit vlastnosti nákladných řešení před jejich fyzickou realizací (např. složité integrované obvody, letadla, dopravní systémy). Pod pojmem „experiment“ si můžeme představit i analýzu reakcí systému na rozličné sady okrajových podmínek, zejména pokud analyzujeme chování systému pro dalekou budoucnost, kdy je značně obtížné přesně určit, jakých hodnot tyto okrajové podmínky nabudou. Experimentováním s modelem lze také hodnotit dopady scénářů, které nejsou v reálných podmínkách proveditelné (např. z důvodů bezpečnosti nebo rizika poškození nákladného skutečného systému).

S postupným nárůstem výpočetního výkonu v posledních desetiletích proniklo počítačové modelování do většiny technických věd a stalo se důležitou metodou i v biologii, meteorologii, geologii a dokonce v ekonomii a ve vědách sociálních.

Výhody modelů a simulací v energetice, kde se pracuje se složitými a komplexními systémy, a zároveň pravděpodobnostním charakterem vstupů a okrajových podmínek, jsou zřejmé. Jak se pak pracuje se vstupními daty? Při znalosti (tedy jistotě) vstupních hodnot tyto do rovnice či modelu dosadíme a vypočteme žádanou hodnotu. Zpracovatel výpočtu může použít mírně odlišné vstupní hodnoty a zpracovat variantní výpočty, tedy tzv. what-if analýzy. Těmto přístupům můžeme říkat deterministické.

V případě, že hodnoty vstupních veličin jsou známy pouze přibližně, nastupují metody stochastické. V ideálním případě jsou vstupní hodnoty definovány pravděpodobnostním rozdělením. Zdůrazněme, že rozdělení je vícerozměrné, protože vstupních veličin je mnoho a mohou být na sobě závislé. Při použití metody Monte Carlo je pak výpočet proveden řádově 100-10.000krát a pro každý běh výpočtu se konkrétní hodnoty jednotlivých vstupů generují v souladu s jejich pravděpodobnostními rozděleními.

Po proběhnutí dostatečného množství běhů dílčích výpočtů se výsledky zpracovávají klasickými statistickými metodami a pro výstupní hodnotu jsou spočteny vhodné statistické parametry, které charakterizují nejistotu výsledné veličiny. Můžeme konstruovat pravděpodobnostní rozložení nebo počítat obvyklé parametry jako jsou průměr (střední hodnota), směrodatná odchylka, kvantily atd. Pro vyhodnocení kvantitativních veličin ekonomického charakteru (zisk, tržby, náklady, spolehlivost dodávky elektřiny apod.) se standardně využívá metodika Value at Risk (VaR), která odpovídá na otázku, jak veliká hodnota cílové veličiny je „v riziku“ (např. firma generující zisk v podmínkách nejistoty může řešit otázku: pod jakou hodnotu neklesne s pravděpodobností 95% zisk v případě zvoleného scénáře).

Dále se tedy budeme zabývat otázkou, jak tyto ověřené a aplikovatelné matematické postupy využít při řešení nejistot v energetice.

UDRŽOVÁNÍ ROVNOVÁHY V ES ČR

Dle § 24, odstavce (1), písmena a) Energetického zákona zajišťuje bezpečný, spolehlivý a efektivní provoz, obnovu a rozvoj přenosové soustavy společnost ČEPS jako provozovatel přenosové soustavy, resp. držitel licence na přenos elektrické energie. S těmito cíli a za tím účelem a) zabezpečuje podpůrné služby a dlouhodobou schopnost přenosové soustavy uspokojovat přiměřenou poptávku po přenosu elektřiny, b) poskytuje službu přenosové soustavy a c) řídí toky elektřiny v přenosové soustavě. Zároveň dle odstavce (2) téhož paragrafu EnZ nesmí být držitelem jiné licence než na přenos elektřiny.

Mimo povinnosti dané EnZ a související legislativou musí ČR, potažmo PPS naplňovat požadavky Nařízení 714/2009, která souvisí s hodnocením výkonové přiměřenosti v horizontu cca 10 let. Přenosovou soustavu, kterou provozuje ČEPS, si lze představit jako plochu mezikruží, která je na svém vnějším obvodu propojena s okolními přenosovými soustavami, uvnitř ní pak jsou vnořeny distribuční soustavy. Většina velkých systémových zdrojů je připojena přímo do přenosové soustavy, některé jsou zaústěny do páteřních vedení distribučních soustav. Drtivá většina spotřeby, obnovitelných a decentrálních zdrojů pak je připojena (umístěna) k distribuční soustavě.

V praxi tedy má ČEPS povinnost zajistit vyrovnanou bilanci elektřiny v ES ČR. A to jak okamžitou při provozu v reálném čase, tak i hodnotit schopnost soustavy (systému = sítě i zdrojů) dosahovat vyrovnané bilance v čase budoucím. Pro plnění svých povinností má k dispozici přenosovou soustavu ve svém vlastnictví, včetně příslušných technických prostředků pro sběr provozních dat a výkon řídících/regulačních zásahů. Při řízení rovnováhy v soustavě se principiálně podřizuje výroba spotřebě. Vlastní zdroje, které poskytují potřebnou flexibilitu pro regulaci výkonu v soustavě, však ČEPS nevlastní, neprovozuje a nemá ani možnost je vybudovat. PPS je tedy dnes při výkonu svých zákonných povinností odkázán na třetí strany – vlastníky a provozovatele zdrojů. O některých zdrojích a většině spotřeb nemá ani přímo dostupná data pro regulaci a musí se spoléhat na data či predikce třetích stran. Rostoucí decentralizace, nárůst OZE a změny spotřebního chování vnáší do systému rostoucí nejistotu, která ČEPSu výrazně znesnadňuje výkon svých povinností. Podívejme se v detailu na zdroje těchto nejistot i na možnosti jejího snížení.

ZDROJE NEJISTOTY NA STRANĚ VÝROBY

Zdroje centrální

U centrálních (velkých) zdrojů je jejich chování ovlivňováno strategií vlastníka, efektivností zdroje, dostupností paliv, legislativními omezeními a zejména stářím (dožíváním) zdroje. Při modelování výkonové přiměřenosti jsou zohledňovány i reálné spolehlivostní charakteristiky zdrojů, při modelování síťové a systémové přiměřenosti pak i charakteristiky vedení a dalších komponent systému.

Standardní časový interval při modelování je jedna hodina. S ohledem na rostoucí rozkolísanost spotřeby i vlivy intermitentní výroby se mimo modelování statické bilance však začíná uplatňovat i simulace dynamiky zdroje, tedy schopnost modulovat výkon mezi jednotlivými hodinovými řezy.

Drtivá většina těchto zdrojů je připojena k přenosové soustavě, část zdrojů je připojena k distribučním soustavám. Dispečerské řízení zajišťuje společnost ČEPS. Při zjišťování výhledu provozního režimu je s vlastníky těchto zdrojů jednáno individuálně.

Zdroje decentrální

Definice decentrálního zdroje je vnímána různě. Z pohledu dispečerského řízení ES ČR sem patří zdroje nepřipojené k ASDŘ ČEPS. PPS k těmto zdrojům přistupuje zjednodušeně, jejich budoucí výrobu projektuje na základě agregovaných charakteristik a s využitím statistických metod. Některé tyto zdroje však mohou být připojeny k ASDŘ PDS, případně osazeny průběhovým měřením PDS. Nabízí se tedy součinnost PPS a PDS při hodnocení rozvoje portfolia decentrálních zdrojů i predikci jejich výroby. 

Podíl těchto zdrojů na celkovém instalovaném výkonu, potažmo na vyrobené energii je dnes minoritní. S ohledem na formální strategické dokumenty lze však předpokládat postupný útlum zdrojů centrálních a zároveň nárůst zdrojů decentrálních, které v diagramu vytlačují „velké“ zdroje. Adopce racionálních nástrojů pro zpracování potřebných dat je tedy logická.

ZDROJE NEJISTOTY NA STRANĚ SPOTŘEBY

Spotřeba individuální

Tzv. „velcí“ spotřebitelé většinou o charakteru svého odběru vyjednávají jak s provozovatelem sítě, ke které jsou připojení, tak i s obchodníkem, který jim komoditu dodává. Zároveň jsou (dle velikosti) osazeni většinou průběhovým měřením typu A nebo B. Lze tedy předpokládat alespoň základní znalost chování jednotlivých odběratelů a možnost získání profilových dat o jejich spotřebě. 

Nejistotou je zejména běžná odchylka v rámci definovaných limitů, což je sice nástroj obchodní, ovšem vyvažování odchylek je realizováno technickými opatřeními.

Spotřeba masová

Zbylých 99% odběratelů je připojeno k napěťové hladině NN, reprezentují téměř 50% koncové spotřeby elektrické energie. S ohledem na jejich počet není individuální interakce možná, jejich chování je hodnoceno pomocí statistických metod. Typové diagramy dodávky jsou představitelem jedné z nich. Mimo klimatické vlivy však zásadně roste diverzita režimových vzorů chování a klesá jejich korelace s vnějšími podmínkami, což snižuje spolehlivost dosavadních statistických nástrojů (např. zmiňovaných TDD).

Závislost chování této masy odběratelů na vnějších vlivech je značně komplexní, přesná predikce chování je obtížná, což je základním zdrojem nejistoty. Chování segmentu obyvatelstva začínají znatelněji ovlivňovat moderní technologie a rostoucí nároky na komfort bydlení.

NOVÉ FENOMÉNY A JEJICH VLIV NA MÍRU NEJISTOTY

Základním postulátem až do dnešní doby bylo přizpůsobování výroby spotřebě. Tento model narušuje růst tzv. „neřiditelné výroby“. V budoucnu lze očekávat i její „zanoření“ do odběrného místa a tím stále složitější odlišení výrobního a spotřebního chování v rámci individuálního OM.

Předpokládáme i rozvoj nových fenoménů, jako jsou akumulace energie, a to jak statická, tak i „migrující“ ve formě elektromobility. Zařazení na výrobní či spotřební stranu spektra je proměnné, což si vyžádá změnu přístupu k predikcím a sesouladění nástrojů projekce chování na straně výroby i spotřeby. Nástroje typu HDO, DSR či DSM ještě více znepřehlední orientaci v chování jednotlivých odběrných míst, místo direktivního řízení zřejmě dojde k adopci multiagentních systémů.

DALŠÍ TECHNICKÉ VLIVY

Mimo lokální výrobu a spotřebu má na rovnováhu v ES ČR zásadní vliv také export a import (přeshraniční tranzit). Fluktuace je dána konfigurací a chováním Evropské sítě a relevantních přispěvatelů. Z pohledu ČR jsou zásadní vlivy výroby z obnovitelných zdrojů související bilanční rovnováha v odlehlých částech kontinentu.

ČAS JAKO SAMOSTATNÝ ZDROJ NEJISTOTY

Nejistota odhadu budoucího stavu sítě je tím větší, čím vzdálenější je časový horizont, pro který jsou stavy odhadovány. Bezprostřední budoucnost nebo krátkodobé výhledy lze modelovat pomocí deterministických metod. Středně a dlouhodobé horizonty jsou predikovány stochastickými nástroji, jejichž základem ovšem je týž deterministický výpočet.

NÁSTROJE A DATA PRO SNIŽOVÁNÍ NEJISTOTY ODHADU BUDOUCÍCH STAVŮ

PREDIKCE BUDOUCÍCH STAVŮ

Potřeba snížení nejistoty odhadu budoucích stavů na akceptovatelnou míru vede k budování modelů respektujících známá technická omezení a závislosti a racionální nasazování spotřeb i zdrojů - např. formou unit commitmentu. Do hry proto vstupuje nejen realistický model a racionální uplatnění akceptovatelných zjednodušení, ale i systematický sběr, hodnocení a zpracování vstupních podkladů a jejich transformace do podoby odpovídající nejen potřebám konkrétního modelu, ale i respektující okrajové podmínky jednotlivých scénářů. Uplatnění přístupu risk managementu při rozvoji a provozu sítě vede k využívání whatif analýz, včetně tvorby a zpracování široké palety scénářů s různými předpoklady a okrajovými podmínkami, což však klade vysoké nároky nejen na vlastní model, ale i na systematický preprocesing a postprocesing souvisejících dat.

Předpokladem komfortní práce v oblasti adequacy analýz je především racionální algoritmizace úlohy a její efektivní rozdělení do dílčích úloh, při snaze omaximální přiblížení modelu realitě. Simulační a predikční úlohy provozovateli sítí pomocí modelů a simulací lze zařadit do následujících kategorií:

• převážně bilanční, kam řadíme všechny adequacy výpočty a data. Jejich cílem je hodnotit budoucí zdrojovou přiměřenost vůči očekávané spotřebě, a v případě indikace zdrojové nedostatečnosti pak iniciovat orgány státní správy k zajištění korekčního opatření,
• síťové, kam řadíme plány rozvoje ES ČR (s tím, že tyto nástroje bilanční predikci přebírají ze zdrojových dat pro adequacy analýzy). Jejich cílem je hodnotit síťovou, případně systémovou přiměřenost/připravenost na očekávané zatížení ES (PS nebo DS), v případě indikace síťové/systémové nedostatečnosti zajišťuje provozovatel potřebnou investici sám,
• Risk preparedness a příprava provozu, kam řadíme nejen všechny přípravy provozu, které pro plánování provozu sítě musí zohlednit očekávané bilanční toky (přípravy provozu tedy obsahují bilanční část a síťovou část), ale i specifické detailní analýzy při indikaci rizika ve střednědobém či krátkodobém horizontu, a to včetně simulace efektu různých variant nápravných opatření. Jejich cílem je za-jistit dostatečnou operativní připravenost systému pro kritické situace v reálném provozu. Sem lze přiřadit i rozličné citlivostní analýzy a do budoucna nasazení expertních systému.

ZDROJOVÁ DATA PRO MODELY A SIMULACE

U výrobních zdrojů, ke kterým jsou data zajišťována dotazníky, je uplatňován individuální přístup. Predikce jejich budoucí výroby, resp. disponibility vychází ze specifických dat o každém jednotlivém zdroji, v mnoha případech doplněných i diskusí s provozovatelem zdroje.

U zdrojů, které dnes nejsou součástí dotazníkového šetření, se pro odhad budoucího chování uplatňují zjednodušené postupy, díky kterým lze předpokládat větší nejistotu tohoto odhadu. Tato nejistota dnes není významná z pohledu celkového podílu takto zpracovávaných zdrojů. S předpokládanou postupnou změnou zdrojového mixu je však očekáván významný nárůst podílu DECE a OZE zdrojů v celkovém mixu, adekvátně tedy naroste i podíl chyby odhadu chování těchto zdrojů na celkové chybě simulace. Podobně lze charakterizovat i jevy na straně spotřeby. Z pohledu sběru a zpracování dat lze vnímat následující vlivy na zvyšování nejistoty:

• prvním zdrojem nejistoty je zařazení zdroje či odběratele do správné množiny zdrojů/spotřeb, jež se z pohledu závislosti chování na vnějších vlivech jeví homogenně.
• počet zdrojů/odběratelů a jejich mezní charakteristiky (Instalované a dosažitelné výkony, rezervovaná kapacita či příkon) jsou popisnými charakteristikami, od kterých se povětšinou odvíjí modelování disponibilního výkonu/příkonu. V této části lze analytiku rozdělit následovně:
  • získání a zpracování historických dat - jako vodítko pro určování dalšího vývoje počtu/výkonu v dané kategorii, zejména u kategorií, kde není očekáván dramatický rozvoj, lze zpracovat analýzu historických časových řad.
  • odhad budoucích hodnot je kritickou fází modelace budoucí výroby, zejména u kategorií zdrojů a spotřeb, kde lze předpokládat dramatický nárůst a odlišné náhledy různých zájmových skupin na tempo růstu. Nezbytné je ověřování výsledků modelu citlivostní analýzou při zásadní změně okrajových podmínek.
  • plausibilitu podílu kategorie v rámci celkového zdrojového mixu je třeba ověřovat vůči okrajovým podmínkám scénáře, pro který jsou výše uvedeným způsobem data generována.
• identifikace a přiřazení vzoru chování je následnou úlohou pro jednotlivé homogenní segmenty. Cílem je formulovat matematickou závislost hodinové řady výroby či spotřeby dané kategorie v závislosti na čase, počtu, Instalované a dosažitelné výkony, rezervovaná kapacita či příkon a dalších okrajových podmínkách (nazýváme je parametry).
• U jevů závislých na přírodních jevech (voda, slunce, vítr) lze úlohu rozdělit na dvě části:
  • určení závislosti na klimatických podmínkách - závislost výroby FVE na osvitu, závislost spotřeby na svícení na osvitu, závislost výroby VTE na síle větru, závislost výroby VE na průtoku vody, závislost spotřeby na vytápění na venkovní teplotě a další. Závislosti lze definovat obecným modelem, v případě požadavku na vyšší přesnost pak korelovat skutečně naměřené chování se skutečným průběhem klimatických podmínek a díky tomu predikci empiricky zpřesňovat, včetně korekce v jednotlivých regionech
  • predikce klimatických podmínek vhodným meteomodelem (teplota, osvit, proudění vzduchu, hydrologický model
• U jevů nezávislých výhradně na klimatických jevech (např. spalovací zdroje kategorie PE nebo PSE, režimové chování domácností apod.) je pro nalezení vzoru chování nutné provést hlubší analýzu. Předpokládáme, že chování může být determinováno např. některou z následujících závislostí/omezení:
• technická omezení daná charakterem vzniku paliva, např. bioplynové stanice, zdroje spalující kalový, skládkový plyn apod.
  • technická omezení daná vybavením odběrného místa
  • režimová daná např. provozem zdroje do teplárenské sítě, závislostí odběru na pohybu a přítomnosti obyvatel apod.
  • obchodní daná provozem zdroje dle určité obchodní strategie - špičkovací zdroj, poskytovatel flexibility v rámci VPP, cenová citlivost odběratele a pod.
  • Pro zpracovávání těchto analýz je předpokládán komplexní analytický aparát a sběr pří-slušných dat.
  • Ve všech případech je třeba také identifikovat zdroje dat pro parametrizaci vzoru chování a obchodně i technicky zajistit sběr těchto dat. Mimo zdrojů obecně dostupných předpokládáme i využití placených zdrojů dat. Nutné bude vybudovat příslušné analytické zázemí a dílčí modely pro zpracování zdrojových dat, vytváření závislostí a parametrů.

Předpokládáme růst spolupráce PPS a PDS, neboť se domníváme, že PDS disponují, resp. budou disponovat přesnějšími a podrobnějšími daty o segmentu spotřeb a výrob připojených k DS, například díky systematickému zpracovávání dat výhledově poskytovaných infrastrukturou AMM/SG.

ZÁVĚR

Na provozovatele sítí, jak přenosové, tak i distribučních, jsou kladeny rostoucí nároky na předvídání budou-cích stavů a hodnocení souvisejících rizik. Simulace a modelování jsou vhodné nástroje pro řešení těchto úloh pravděpodobnostního charakteru. Základem je robustní analytický aparát, doprovázený systematickým sběrem a zpracováním dat. S postupným růstem komplexity řešených úloh se spolupráce mezi PPS a PDS stane nezbytnou, včetně koordinované práce s technickými daty o sítích, spotřebě a výrobě.

Schopnost sledovat a následně predikovat výkonovou bilanci jednotlivých částí ES ČR, od elektráren, předacích míst se zahraničními PS, přes předací místa mezi PS a DS (uzly), rozvodny 110kV, DTS až na úroveň jednotlivých OM bude postupně nabývat rostoucího významu a povede ke sbližování predikčních systémů provozovatelů, a to jak existujících, tak i budoucích, budovaných při zavádění AMM a SG do DS a tím budování nových nástrojů pro udržení stability energetické soustavy (ES ČR) za zhoršujících se podmínek.

Ing. Ondřej Mamula, MBA
Ondřej Mamula pracuje v energetice od roku 1998. V letech 1998 až 2004 pracoval pro poradenskou společnost Andersen Consulting, později Accenture v oblasti utilit, se zaměřením na strategii, změny podnikatelských modelů a procesní reengineering. V letech 2004 až 2014 pracoval pro Skupinu ČEZ, převážně v oblasti energetické regulace a legislativy, optimalizace a procesně-organizačních změn:

• V letech 2004 až 2007 byl členem, později vedoucím Integrační kanceláře ČEZ, jejíž úlohou byla post akviziční integrace a transformace pěti REAS v nové procesně orientované společnosti.
• V letech 2010 až 2013 vedl pilotní projekt WPP AMM jako business leader.
• V letech 2012 až 2014 připravoval strategii smart grids Skupiny ČEZ.

Od roku 2015 poskytuje expertní poradenství v oblasti smart meteringu a smart grids jako OSVČ. Pro společnost Atos se podílel na projektu RI-SK v oblasti chytrého měření, aktuálně pracuje na projektech zvyšování energetické efektivity, zpracovává koncepty chytrých měst a regionů. Ondřej Mamula vystudoval ČVUT v Praze, fakultu strojního inženýrství. V roce 2007 dokončil postgraduální studium na Joseph M. Katz University of Pittsburg a získal titul MBA. V roce 2017 zahájil postgraduální studium na ČVUT v oboru kybernetiky.

Ing. David Hrycej, CSc.
David Hrycej pracuje v oboru kybernetiky od roku 1987, nejprve na Institutu počítačových věd Akademie věd, později jako poradce pro zahraniční společnosti, zejména v oblastech klasifikace objektů při zpracování obrazu v reálném čase a neuronových sítí. Pro české i zahraniční klienty v oboru energetiky pracuje od roku 1998 převážně na projektech optimalizace portfolia elektráren, budování matematických obchodních modelů, budování nástrojů risk managementu či modelování stavů energetických systémů. David Hrycej vystudoval ČVUT v Praze, fakultu elektrotechnickou, obor technické kybernetiky a teorie řízení. V roce 1986 dokončil postgraduální studium na AV ČR a získal titul CSc.

Autoři

• Ing. Hrycej David CSc.
• Ing. Mamula Ondřej MBA