Session

Maschinelles Lernen in digitalisierten elektrischen Energienetzen

Termin:
Freitag 16.09.2022, 11:30 bis 13:30 Uhr
Diese Session findet nur virtuell statt.
Dauer:
120 Minuten
Sessionchair:
Prof. Christian Becker
Institut für Elektrische Energietechnik (TUHH)

Dr. Davood Babazadeh
Institut für Elektrische Energietechnik (TUHH)

Kurzbeschreibung

Durch die Energiewende entwickelt sich die Betriebsführung von elektrischen Netzen zu einer immer komplexeren Aufgabe, woraus sich neue Anforderungen an die Systeme zur Netzüberwachung und Netzregelung für einen sicheren stabilen Betrieb ergeben. Im Rahmen dieses Beitrags werden verschiedene Anwendungsfälle aus diesem Bereich betrachtet, für die der Einsatz von KI möglich ist. Hierbei werden sowohl die einzelnen Anwendungen in den Grundzügen erläutert, als auch die erwarteten Vorteile durch den Einsatz der verschiedenen KI-Verfahren. Zu den behandelten Themen gehören unter anderem die Modellierung und Vorhersage von stabilisierenden Trägheiten im Netz, die Netzzustandsschätzung sowie die Modellierung elektrischer Lasten.

Vorträge

  • Echtzeitschätzung der Momentanreserve in Verteilnetzen mit Physics-informed Neuronalen Netzen
    Simon Stock (Technische Universität Hamburg)

    Zur Sicherstellung der Frequenzstabilität in zukünftigen elektrischen Energienetzen muss zu jedem Zeitpunkt die verfügbare Momentanreserve bekannt sein. Diese nimmt durch den Wegfall von immer mehr großen Kraftwerken tendenziell ab und ändert sich zudem ständig mit der Zu- oder Abschaltung von erneuerbaren Energieanlagen. Diese sind über Leistungselektronik an das Netz gekoppelt und leisten jeweils eigene Beiträge zur Momentanreserve. Der vorgestellte Ansatz ermöglicht es Netzbetreibern, mittels physics-informed Neuronalen Netzen die verfügbare Momentanreserve in Echtzeit zu schätzen. Dadurch können Probleme hinsichtlich der Frequenzstabilität antizipiert und schließlich vermieden werden.

  • Koordinierte Bereitstellung von virtueller Trägheit aus Verteilnetzen mithilfe von Reinforcement Learning
    Simon Stock (Technische Universität Hamburg)

    Aufgrund der steigenden Einspeisung durch erneuerbare Energieanlagen (EE) und den Rückgang der Synchrongeneratoren im Netz, müssen sich die EE auch an der Bereitstellung von Momentanreserve beteiligen, um die Frequenzstabilität des Netzes zu gewährleisten. Da EE aber hauptsächlich im Verteilnetz platziert werden, ergibt sich hier eine Umkehr des Leistungsflusses von tieferen zu höheren Spannungsebenen. Um hier eine optimale Bereitstellung der Momentanreserve zu ermöglichen und Überlastungen von Betriebsmitteln zu vermeiden, ist eine Koordinierung der Bereitstellung durch den Verteilnetzbetreiber notwendig. Hierzu wird ein Reinforcement Learning Ansatz verwendet, der es dem Verteilnetzbetreiber ermöglicht die Bereitstellung der Momentanreserve durch EE aus seinem Netz nach eigenen Maßstäben optimal zu koordinieren.

  • Data-driven Physic-based Modelling of Hydrogen Power Plant Dynamics
    Dr. Davood Babazadeh (Technische Universität Hamburg)

    Hydrogen power plants are one of the emerging technologies to reach clean and reliable provision of energy in future. Optimal operation and integration of such a technology can benefit from accurate dynamic models. Those models are often not provided by manufacturers in sufficient detail. In addition, since the dynamics of fuel cells are non-linear and depend on a high number of hard-to-measure parameters, the white-box models are often hard or impossible to implement. The goal of this work is to show the applicability and performance of data-driven physics-based approaches to identify and estimate the model of hydrogen fuel cells. To this end, a mechanistic gray-box model, a pre-trained feed forward neural network and long short-term memory neural network have been implemented, tested and compared using several metrics.

  • Model Identification and Parameter Tuning of Dynamic Loads in Power Distribution Grid: Digital Twin Approach
    Dr. Davood Babazadeh (Technische Universität Hamburg)

    With the ongoing changes in power systems, not only on the generation side but also on the load side, new approaches are necessary to monitor and control power systems. Therefore, this presentation investigates the Digital Twin technology for power system loads with a novel parameter identification method based on Bayesian Inference. A framework for load model Digital Twins is proposed based on an existing model, and a novel approach to load model identification is investigated and compared to existing methods. The results promise to use Bayesian Inference as the primary identification method for a Digital Twin as proposed in this paper. This Digital Twin framework can be utilized to overcome new challenges arising for power system control and monitoring.