Vom Akteur zum System: Um eine Vielzahl von Stromerzeugern und flexiblen Nachfragern unter einen Hut zu bringen, brauchen Netzbetreiber komplexe Rechenmodelle. Derzeit verwendete mathematische Modelle für Netzoptimierung, die ein stabiles und kosten-effizientes Stromnetz gewährleisten, stoßen immer mehr an ihre Grenzen.

Das Projekt KI OPF untersucht, ob die KI-Methode Deep Reinforcement Learning (DRL) für die Optimierung basierend auf Prognose von Netzengpässen und Flexibilitätsabrufen geeignet ist. Ziel ist es, eine DRL-Methode für den Unsicherheit-behafteten optimalen Stromfluss (OPF) zu entwickeln, die durch ein High Performance Computing Netzsimulator selbst trainiert werden kann. Die Anwendung passt gut zu neuen Vorschriften für die untere Spanungsebene. Verteilnetzbetreiber können damit ihre Systemsteuerung nach den Vorgaben des Redispatch 2.0 unterstützen.

Zhenqi Wang

Projektleiter

Fraunhofer IEE

+49 (0) 561 7294-613

Teilen Sie dieses Spotlight in Ihrem Netzwerk.

InvEx – Expertentool zur StromrichterentwicklungInvEx – Expertentool zur Entwicklung von Stromrichtern
cognition2hydrogenforceCognition2H2Force - Effiziente Wasserstoffproduktion