Inselnetze im Verbundnetz sind eine echte Herausforderung. Denn das gesamte Verbundnetz funktioniert grundsätzlich als Einheit. In Folge von Netzfehlern können sich jedoch einzelne Abschnitte abtrennen. Wenn darüber hinaus ein lokales Leistungsgleichgewicht vorliegt, kann es zur Bildung von ungewollten Inselnetzen kommen. Zur Vorbeugung von Personen- und Anlagenschäden müssen die ungewollten Inselnetze lokal detektiert und anschließend gezielt destabilisiert werden.

Ungewollte Inselnetze im Verbundnetz können mit einer steigenden Anzahl von Erzeugungsanlagen und Stromrichtern vermehrt auftreten. Hier kann KI einen Beitrag leisten. Das Projekt Alsland untersucht, wie Stromrichter solche Fehlerfälle mit Hilfe von KI sicher erkennen können.

Das Projekt ist interessant für:

Netzbetreiber, Stadtwerke, Stromrichterhersteller

Ziele

  • Erstellung eines Simulationsmodells (Matlab/Simulink) von einem beispielhaften Niederspannungsnetz, welches mit einem vereinfachten Mittelspannungsnetzmodell gekoppelt wird. Das Niederspannungsnetzmodell zeichnet sich besonders durch eine relativ hohe Stromrichterdurchdringung aus.
  • Datensatzgenerierung in Matlab/Simulink für den Trainings- und Validierungsprozess der Machine Learning-Verfahren zur Inselnetzerkennung. Der Datensatz enthält Fälle von dynamischen Inselnetzbildungen („true cases“) sowie weiteren dynamischen Netzereignissen („false cases“) im netzgebundenen Betrieb.
  • Auswahl geeigneter Machine Learning-Verfahren zur Inselnetzdetektion
  • Trainings- und Validierungsprozess der Machine Learning-Verfahren

Tobias Gühna

Projektleiter

Fraunhofer IEE

+49 (0) 561 7294-141

Methoden

  • Das Machine Learning-Verfahren nutzt die ohnehin aufgezeichneten Messwerte der Netzgrößen wie Strom, Spannung und Frequenz innerhalb des Stromrichters, um daraufhin das Ereignis von dynamischen Inselnetzbildungen vorhersagen zu können
  • Zur Vermeidung von fehlerhaften Vorhersagen wurde das Inselnetzerkennungsverfahren nicht allein auf die Erkennung von Inselnetzfällen antrainiert, sondern auch für Dynamiken sensibilisiert, welche aus typischen Netzereignissen hervorgehen
  • Zur Erstellung der Machine Learning-Inselnetzerkennungsverfahren wurden LSTM’s (Long short-term memory) und XGBoost-Verfahren miteinander verglichen

Projektinformationen

Projektmitglieder, Fraunhofer IEE

Nils Witznick, Peter Unruh, Tobias Erckrath

Projektlaufzeit

Oktober 2020 – April 2021

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

Temporal Fusion Transformers
Verbesserte Windprognose