Prognose von Leistungsflüssen im elektrischen Netz mit Graph Neural Network:

Die Prognose von Leistungsflüssen im elektrischen Netz ermöglicht es Netzbetreibern, vorausschauende Netzberechnungen durchzuführen und dadurch Engpässe rechtzeitig zu erkennen sowie Gegenmaßnahmen zu ergreifen. Machine-Learning Ansätze mit lokalen Prognosemodellen sind dabei nicht in der Lage Abhängigkeiten zwischen einzelnen Systemkomponenten (bspw. Transformatoren) im Netz zu berücksichtigen. Explizites Wissen der Netzbetreiber über Systemänderungen im elektrischen Netz gehen daher bei der Prognoseerstellung verloren. Mithilfe von Graph Neural Networks (GNN) sollen die Beziehungen ausgewählter Systemkomponenten untereinander erlernt und für die Prognose der einzelnen Leistungszeitreihen genutzt werden.

Das Projekt ist interessant für:

Netzbetreiber

• Prognose von vertikalen Leistungsflüssen an Netzknoten mit GNN und Untersuchung des Mehrwerts gegenüber lokalen Modellen
  
• Datenbasiertes Erlernen der Wechselwirkungen und Abhängigkeiten zwischen einzelnen Netzknoten
• Veröffentlichung eines Papers

GNN können auf Graphen trainiert werden, sodass eine Zielgröße (hier: der vertikale Leistungsfluss) an den Knoten des Graphen prognostiziert werden kann. Abhängigkeiten zwischen einzelnen Knoten werden durch Kanten und deren Kantengewichte berücksichtigt. Es sollen verschiedene Ansätze untersucht werden, um eine geeignete Wahl von Kanten (-gewichten) zu treffen. Insbesondere soll ein datenbasiertes Vorgehen untersucht werden, in dem die Beziehungen zwischen den Knoten in Form von Kantengewichten erlernt werden. Damit die individuellen Zeitreihen-Charakteristika jedes Netzknotens im Modell abgebildet werden können, soll das GNN außerdem durch einen Multi-Task Learning Ansatz erweitert werden.  

Als globales Modell können Graph Neural Networks in verschiedenen Prognoseanwendungen einen Mehrwert liefern. Dabei sind je nach Use-Case unterschiedliche Arten von Knotenbeziehungen relevant. Bei der Prognose von vertikalen Leistungsflüssen an Transformatoren liegt die Idee nahe, durch einen Graphen eine abstrahierte Darstellung des elektrischen Netzes zu erzeugen. Transformatoren werden durch Knoten repräsentiert, während die Kanten zwischen den Knoten anzeigen, ob zwei Transformatoren über elektrische Leiter miteinander verbunden sind. Dies erlaubt die Berücksichtigung von Wechselwirkungen zwischen Transformatoren im Modell. So kann z.B. die Wartung eines Transformators dazu führen, dass ein oder mehrere „benachbarte“ Transformatoren dessen Aufgabe übernehmen und dadurch einen veränderten Leistungsfluss zeigen.

Während der Fokus des Projekts zunächst auf der Prognose von Leistungsflüssen an Transformatoren liegt, kann der Graph perspektivisch um andere Netzelemente wie erzeugende Anlagen oder Verbraucher erweitert werden. Durch das Erlernen der Kantengewichte wäre es dann möglich, Rückschlüsse auf die Anteile von verschiedenen Energieträgern im vertikalen Leistungsfluss zu treffen, oder die Zugehörigkeit bestimmter Anlagen zu einem Transformator zu erkennen. Der große Vorteil gegenüber physikalischen Ansätzen besteht darin, dass hierbei keine vollständige Abbildung des realen elektrischen Netzes notwendig ist, sondern auch eine Teilmenge von Anlagen oder deren Aggregationen als Knoten hinzugefügt werden können.

Aber auch in Anwendungen, in denen direkte Wechselwirkungen zwischen Knoten eine geringere Rolle spielen, kann der Informationsfluss zwischen den Knoten in GNN einen Vorteil bringen. Bei der Prognose von beispielsweise Wind- oder Photovoltaikleistungserzeugung können so nicht nur lokale Wetterinformationen genutzt werden, sondern auch die der benachbarten Anlagen. Phänomene wie Sturmfronten oder Wolkenbewegungen werden so für das Modell erkennbar.

• Aufbereitung echter und synthetischer Datensätze
• Integration eines Multi-Task Moduls in ein GNN
• Evaluation der Methoden mit fest gewählten Kanten und Kantengewichten im Graph
• Erweiterung der Methoden um erlernbare Kanten und Kantengewichte
• Finale Evaluation der Methoden

• TenneT TSO GmbH: Der Übertragungsnetzbetreiber TenneT unterstützt das Projekt durch die Bereitstellung von Messdaten vertikaler Leistungsflüsse.
  Kontakt: Dr. Matthias Gebhardt, https://www.tennet.eu

• Universität Kassel (GAIN): Die KI-Nachwuchsgruppe „Graphs in Artificial Intelligence and Neural Networks“ (GAIN) an der Universität Kassel hat eine besondere Expertise im Bereich der Graph Neural Networks. Im Rahmen dieses Projekts findet ein Austausch sowie Beratung zu methodischen Fragestellungen statt.
  Kontakt: Dr. rer. nat. Josephine Thomas, https://gain-group.de
  

Projektlaufzeit

01.12.2021 – 31.05.2022

Dominik Beinert, M.Sc.