Entwicklung eines adaptiven und selbstlernenden Blindleistungsmanagements zur netzstabilisierenden Regelung von Wechselrichtersystemen

Abstract

Der vermehrte Einsatz von dezentralen Energieerzeugungsanlagen führt aufgrund deren fluktuierender Einspeisung zu schnellen Änderungen der Wirkleistungsflüsse im Stromversorgungssystem, was das Spannungsverhalten im Netzverbund entscheidend beeinflusst. Mithilfe von systemstützender Blindleistung können extreme Spannungsausschläge gedämpft und so ein Abschalten von Netzakteuren verhindert werden.

Ziel dieser Forschung ist die Entwicklung eines Blindleistungsmanagements für dezentrale Erzeugungsanlagen auf Basis der Künstlichen Intelligenz, welches den Blindleistungsbedarf an verschiedenen Netzanschlusspunkten eigenständig ermittelt und bereitstellt. Dazu wurde die Forschungsfrage gestellt, inwiefern der Einsatz von Machine-Learning in der Wechselrichterregelung die Individualisierung der Blindleistungsbereitstellung an verschiedenen Netzanschlusspunkten einer Verteilnetzstruktur unterstützen kann.

Um diese Frage zu beantworten, wurde eine virtuelle Testnetzumgebung geschaffen und der optimale Blindleistungsbedarf zur Spannungshaltung auf die Nennspannung an allen Netzanschlusspunkten ermittelt. Aufgrund der Regelungsproblematik wurde ein Reinforcement Learning Ansatz als Machine-Learning Methode gewählt. Die Entwicklung besteht aus zwei Schritten: der Implementierung einer Lernumgebung und der Optimierung des Reinforcement Learning Agenten. Als Agent wurde der Deep Deterministic Policy Gradient verwendet, dessen Optimierung in einem einfachen Testnetz durchgeführt wurde. Anschließend wurde das stationäre und dynamische Netzverhalten in Referenznetzen untersucht. Das Potential dieser neuartigen Methodik wurde gegenüber bekannten Methoden der Blindleistungsregelung und der optimalen Blindleistungseinspeisung abgeschätzt. Der Vergleich hat besonders in stationären Situationen ein hohes Potential gezeigt. Unter Einsatz des entwickelten Blindleistungsmanagements konnte die Spannungsdifferenz entlang einer Leitung um 50 % gesenkt werden und die Sollspannung am Netzanschlusspunkt in einem Toleranzbereich von 0.2 % gehalten werden.

Im Rahmen dieser Arbeit konnten Methodiken der Künstlichen Intelligenz erfolgreich in der Berechnung der individuellen Blindleistungsbereitstellung eingesetzt werden. Auf Grundlage der gewonnen Forschungsergebnisse können künftig die entwickelten Algorithmen in der Regelungstechnik realer Wechselrichtersysteme Anwendung finden, was einen vielversprechenden Beitrag zur Spannungsstabilisierung in dezentralen Netzstrukturen liefern kann.