Einsatz von KI in der Betriebsführung von Verteilnetzen

Beschreibung

Der zunehmende Ausbau von Erneuerbaren Energien führt zu einem Rückgang der Trägheit des elektrischen Energienetzes, da diese meist über leistungsleketronsiche Umrichter angeschlossen sind. Damit bieten sie, im Gegensatz zu konventionellen Synchrongeneratoren, keine inhärente Trägheit bei Wirkleistungsänderungen. Weiterhin sind viele Erneuerbare auf Verteilnetzebene angeschlossen, was zu bidirektionalen Lastflüssen führt.

Um einen sicheren Netzbetrieb zu gewährleisten und die volle Nutzung der Erneuerbaren im Verteilnetz zur Stützung der Netzfrequenz zu ermöglichen, wurden im Rahmen dieses Projektes zwei Tools entwickelt. Hierbei hat sich der Einsatz von Physics-informed Machine Learning Ansätzen als hilfreich erwiesen, da diese den zunehmenden Strom an Daten aus Messgeräten nutzen. Das erste Tool schätzt die Trägheit des Netzes auf Übertragungsnetzebene in verteilter Weise. Hierbei ermöglicht es sichere Schätzungen bei stark umrichter-dominierten Netzen und indiziert zusätzlich die Vertrauenswürdigkeit der eigenen Schätzung. Das zweite Tool koordiniert die Bereitstellung von inertialer Frequenzstützung aus dem Verteilnetz mithilfe von Physics-informed Reinforcement Learning. Im Gegensatz zu den meisten Koordinierungsansätzen, benötigt das entwickelte Tool kein akkurates Modell des Verteilnetzes, wodurch es schnell auf Basis von Daten an ein neues System angepasst werden kann.

Tools

Die Tools werden in Python entwickelt, hierbei wird auf weit verbreitete Machine Learning Packages gesetzt.

Kontakt

Simon Stock

Laufzeit

01.07.2020 bis 31.07.2024