NetzEntwicklungsOffensive Strom – Intelligente Systeme zur Integration Erneuerbarer Energien
gefördert durch:
Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und Energie (StMWi)
Projektverantwortlich: Prof. Dr. Oliver Brückl
Kooperationspartner: Bayernwerk AG, Maschinenfabrik Reinhausen GmbH
Laufzeit: 2023-2024
-
Intelligente Steuerung von Stromnetzen
Durch den Umbau der Energieversorgung stellen sich in Netzplanung und Netzführung neue Herausforderungen, die neue Ansätze nötig machen. Gleichzeitig soll durch intelligente Steuerung und Regelung sowie innovative Betriebsmittel eine möglichst effiziente Nutzung des Netzes sichergestellt werden.
Vor diesem Hintergrund wurden von der OTH Regensburg im Rahmen des Forschungsprojektes neos umfangreiche Forschungsarbeiten durchgeführt. Auf diesen Vorarbeiten aufbauend wird im Rahmen des Projektes isi-neos die Forschungsarbeit fortgeführt. Dabei werden die erarbeiteten Verfahren weiterentwickelt und in realer Umgebung auf ihre Funktionalität sowie ihren Mehrwert für den Netzbetrieb getestet.
Netzverhaltensprognose mit Künstlicher Intelligenz
Mit zunehmender Digitalisierung der elektrischen Energieversorgung gewinnt die Verwendung digitaler Simulationsmodelle für die Arbeit der Netzbetreiber an Bedeutung. Durch den Einsatz von Stufenstellern an Transformatoren kommt es im Verteilnetz zu sprunghaften Änderungen der Spannung, welche wiederum eine veränderte Leistungsaufnahme der Verbraucher bewirken. Um vorhersagen zu können, welcher Betriebszustand sich im Falle eines Schaltvorgangs des Stufenstellers einstellen wird, ist ein Modell zur Prognose der Spannungshaltung des Netzes nötig.
Im Projekt isi-neos wird eine Methodik zur Prognose der Spannungsabhängigkeit von elektrischen Lasten unter Einsatz von Künstlicher Intelligenz weiterentwickelt und unter realen Einsatzbedingungen getestet. Hierzu wird zunächst ein Clustering von Messdaten in Bezug auf die Parameter Uhrzeit, Spannung und Netzzustand durchgeführt. Anschließend wird das Netzverhalten (Wirk- und Blindleistung) bei sprunghaften Spannungsänderungen (Zeitbereich: Millisekunden) prognostiziert. Für die wissenschaftlichen Methoden werden Clustering-Algorithmen (Unsupervised Learning), neuronale Netze (Supervised Learning) sowie Regressionsanalysen verwendet.
