Steuerung des Stromnetzes mithilfe von Graph Neural Networks und Reinforcement Learning

Die Steuerung des Stromnetzes ist hochkomplex, jedoch gleichzeitig von essenzieller Bedeutung für nahezu alle Lebensbereiche. Aufgrund der großen Menge regulatorischer Handlungsmöglichkeiten, die dem Stromnetzbetreiber dabei zur Verfügung stehen, ist eine Simulation aller möglichen Operationen in angemessenem Zeitrahmen nicht umsetzbar. Daher bieten sich hierfür KI-basierte Methoden an. Da das Stromnetz von Natur aus eine Graphstruktur besitzt, weisen GNNs in diesem Zusammenhang ein hohes Potenzial auf. Sie können die Topologie des Stromnetzes direkt nutzen und ermöglichen den Informationsfluss zwischen benachbarten Komponenten, was einen Vorteil gegenüber herkömmlichen Neural Networks darstellt.

Das Projekt ist interessant für: Netzbetreiber

Clara Holzhüter, M.Sc.

Fraunhofer IEE

+4956172941530

Ziele

  • Vorhersage der optimalen Netzoperation mithilfe eines GNNs
  • Erlernen der Steuerung eines virtuellen Stromnetzes durch eines GNN-Basierten Reinforcement Learning Agenten
  • Publikation der Ergebnisse in Form eines Journalpapers

Methoden

Graph Neural Network (GNN), Deep Reinforcement Learning (DRL)

GNNs wurden für die Verarbeitung von Graphstrukturen bestehend aus Knoten und Kanten (wie z.B. das Stromnetz) entwickelt. Die Schicht eines GNNs berechnet eine Einbettung für jeden Knoten, indem dessen eigene Repräsentation und die benachbarter Knoten mithilfe von gelernten Gewichten aggregiert werden. Dadurch werden Informationen im Graph über dessen Kanten propagiert. Die gelernten Einbettungen ermöglichen eine komplexe Repräsentation der Knoten zur Vorhersage von Zielewerten (z.B. die optimale Netztopologie). Ein entsprechendes Netz soll in einen DRL Agenten integriert werden, der Aktionen in einem virtuellen Stromnetz ausführt, auswertet und basierend darauf sein Verhalten zu verbessert.

Detaillierte Beschreibung des Projektes

Der Einsatz von GNNs im Stromnetz ist sehr vielversprechend, da man das Stromnetz als Graphen bestehend aus Knoten (z.B. erzeugende Anlagen) und Kanten (z.B. Leitungen, die die Anlagen verbinden) betrachten kann. Im Gegensatz zu herkömmlichen Neural Networks besitzen GNNs die Fähigkeit Beziehungen zwischen Knoten zu erlernen. Dies ist in Bezug auf das Stromnetz von besonderer Relevanz, da sich die Knotenelemente im Stromnetz gegenseitig beeinflussen und entsprechend nicht unabhängig sind. Zur Vorhersage der optimalen Netzoperation kann ein GNN genutzt werden, indem es die günstigste Netztopologie vorhersagt. Daraus kann eine Netzoperation abgeleitet werden, die auf das Stromnetz angewandt wird. Dabei ist besonders das Potenzial topologischer Operationen bisher nicht ausgeschöpft, obwohl diese häufig eine kostengünstige Option darstellen. In diesem Zusammenhang wurden bereits mehrere Learning to run a Power Network (L2RPN) Challenges auf der NeurIPS veranstaltet, um die Anwendung von DRL auf topologische Netzoperationen zu untersuchen. Ziel der Challenges ist es, mithilfe von DRL die aus Sicht des Netzbetreibers beste Netzoperation aus den zur Verfügung stehenden auszuwählen. Bei der Auswertung der Challenge zeigte sich jedoch, dass viele der möglichen Lösungen nur teilweise DRL genutzt und häufig auf Greedy-Ansätze zurückgegriffen haben. Gleichzeitig wurde bei den Agenten für die Vorhersage überwiegend ein herkömmliches Deep Neural Network eingesetzt. Im Rahmen des Spotlights GNN4PG soll nun an dieser Stelle angesetzt und die DRL-Agenten mit Hilfe von GNNs verbessert werden.

Beschreibung des Projektablaufs

  • Implementation der Transformation des virtuellen Stromnetzes in einen durch ein GNN zu verarbeitenden Graphen
  • Implementierung der GNNs
  • Integration in einen RL-Agenten
  • Experimente und Auswertung der Methode
  • Publikation der Ergebnisse

Projektpartner

Fraunhofer IEE: Projektmitarbeitende: Malte Lehna M.Sc., Dr. Christoph Scholz, Dr. Alexander Scheidler

Universität Kassel (GAIN): Josephine Thomas, die Gruppenleiterin der Forschungsgruppe GAIN (Graphs in Artificial Intelligence and Neural Networks) ist. Sie berät und unterstützt bei der Modellentwicklung der GNNs.  https://gain-group.de

TenneT TSO GmbH: Der Netzbetreiber TenneT beteiligt sich aktiv am Projekt und der Publikation. Ansprechpartner: Jan Viebahn

Réseau de Transport d’Electricité, S.A. (RTE): Der französische Netzbetreiber RTE hat die Entwicklung der Netzplattform Grid2Op maßgeblich vorangetrieben. Im Projekt GNN4PG unterstützt RTE entsprechend unterstützen. Ansprechpartner: Antoine Marot

Laufzeit des Projektes

1.5.2022-31.10.2022

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

NeuRaSatNeuRaSat - Sonne oder Wolken: Einstrahlprognosen mit Satellitendaten
Deep Energy Trade – Automatisierter Stromhandel für alle