TY - CHAP U1 - Konferenzveröffentlichung A1 - Linke, Manuela A1 - Messmer, Tobias A1 - Micard, Gabriel A1 - Wenzel, Adrian A1 - Schubert, Gunnar A1 - Kindl, Matthias A1 - Minde, Adrian T1 - Netzoptimierungstool auf Basis künstlicher neuronaler Netze für den intelligenten Echtzeitbetrieb des Stromnetzes auf Verteilnetzebene T2 - 26. Symposium Nutzung Regenerativer Energiequellen und Wasserstofftechnik, 6.-8. November 2019, Hochschule Stralsund, N2 - Das hier vorgestellte Netzoptimierungstool kann dem Verteilnetzbetreiber bei einem Störfall im Netz in Echtzeit eine Lösung zur Steuerung seiner Betriebsmittel vorschlagen. Dadurch kann das bestehende Netz optimal genutzt werden und ein kostenintensiver Netzausbau im Mittel- und Niederspannungsnetz verringert oder sogar verhindert werden. Als Grundlage für den Netzoptimierer dient ein künstliches neuronales Netz (KNN). Zum Training des KNN wurden Störfälle generiert, die auf reellen Erzeugungs- und Lastprofilen aus dem CoSSMic-Projekt basieren [1]. Für jeden Störfall wurde aus allen möglichen und sinnvollen Netzkonfigurationen eine optimierte Netztopologie anhand von Lastflussberechnungen ermittelt. Durch die Variation der Stufenschalter der Transformatoren und der Stellungen aller installierten Schalter im Netz wurde berechnet, wie der Stromfluss gelenkt werden muss, damit keines der Betriebsmittel die zulässigen Belastungsgrenzen mehr überschreitet. Für ein virtuelles Testnetz konnte mit einem trainierten KNN zu 90 Prozent die optimale Lösung des jeweiligen Störfalls erkannt werden. Durch die Anwendung der N-Best Methode konnte die Vorhersagewahrscheinlichkeit auf annähernd 99 Prozent erhöht werden. KW - Stromnetzoptimierung KW - Künstliche neuronale Netze KW - Netzintegration KW - Smart Grid Y1 - 2019 SN - 978-3-9817740-4-7 SB - 978-3-9817740-4-7 SP - 141 EP - 149 ER -