@inproceedings{LinkeMessmerMicardetal., author = {Linke, Manuela and Messmer, Tobias and Micard, Gabriel and Wenzel, Adrian and Schubert, Gunnar and Kindl, Matthias and Minde, Adrian}, title = {Netzoptimierungstool auf Basis k{\"u}nstlicher neuronaler Netze f{\"u}r den intelligenten Echtzeitbetrieb des Stromnetzes auf Verteilnetzebene}, series = {26. Symposium Nutzung Regenerativer Energiequellen und Wasserstofftechnik, 6.-8. November 2019, Hochschule Stralsund,}, isbn = {978-3-9817740-4-7}, pages = {141 -- 149}, abstract = {Das hier vorgestellte Netzoptimierungstool kann dem Verteilnetzbetreiber bei einem St{\"o}rfall im Netz in Echtzeit eine L{\"o}sung 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 f{\"u}r den Netzoptimierer dient ein k{\"u}nstliches neuronales Netz (KNN). Zum Training des KNN wurden St{\"o}rf{\"a}lle generiert, die auf reellen Erzeugungs- und Lastprofilen aus dem CoSSMic-Projekt basieren [1]. F{\"u}r jeden St{\"o}rfall wurde aus allen m{\"o}glichen 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 zul{\"a}ssigen Belastungsgrenzen mehr {\"u}berschreitet. F{\"u}r ein virtuelles Testnetz konnte mit einem trainierten KNN zu 90 Prozent die optimale L{\"o}sung des jeweiligen St{\"o}rfalls erkannt werden. Durch die Anwendung der N-Best Methode konnte die Vorhersagewahrscheinlichkeit auf ann{\"a}hernd 99 Prozent erh{\"o}ht werden.}, language = {de} }