Refine
Year of publication
- 2019 (2)
Document Type
Has Fulltext
- no (2)
Keywords
- Smart Grid (2) (remove)
Institute
We present an innovative decision support system (DSS) for distribution system operators (DSO) based on an artificial neural network (ANN). A trained ANN has the ability to recognize problem patterns and to propose solutions that can be implemented directly in real time grid management. The principle functionality of this ANN based optimizer has been demonstrated by means of a simple virtual electrical grid. For this grid, the trained ANN predicted the solution minimizing the total line power dissipation in 98 percent of the cases considered. In 99 percent of the cases, a valid solution in compliance with the specified operating conditions was found. First ANN tests on a more realistic grid, calibrated with household load measurements, revealed a prediction rate between 88 and 90 percent depending on the optimization criteria. This approach promises a faster, more cost-efficient and potentially secure method to support distribution system operators in grid management.
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.