Forecasting grid states in distribution grids Vertical power flow and congestion prediction for efficient curtailment of renewable energy

Abstract

Der Anstieg der erneuerbaren Energien führt zu einer zunehmenden Überlastung des Stromnetzes und damit zu einer hohen Anzahl von Abregelungsmaßnahmen der erneuerbaren Energien. Durch die Vorhersage von Abregelungen kann der Netzbetreiber Gegenmaßnahmen ergreifen und Energieverluste reduzieren. Dafür werden neuartige ganzheitliche Kurzzeitprognosemodellkonzepte für elektrische Hochspannungsverteilnetze unter Berüucksichtigung der Ausfallsicherheit entwickelt, die eine knotenspezifische Bestimmung der Abregelung erneuerbaren Energien ermöglichen. In dieser Arbeit werden zwei Modelle vorgeschlagen, die aus zwei Komponenten bestehen: eine vertikale Leistungsvorhersage und eine Engpassvorhersage. Beide Modellkomponenten werden mit jeweils zwei Ansätzen implementiert: einmal mit einem parametrischen Ansatz und einmal mit einem maschinellen Lernansatz mittels Verwendung von künstlichen neuronalen Netzen (kNN). Im Falle des parametrischen Ansatzes für die Engpassvorhersage wird zudem eine Unsicherheitsquantifizierung und eine Bestimmung der knotenspezifischen Abregelung der erneuerbaren Energien durchgeführt. Alle Modellkonzepte werden anhand der gleichen Daten eines tatsachlichen 110 kV Netzgebiets in Norddeutschland validiert, das durch eine hohe installierte Leistung an erneuerbaren Energien, insbesondere Windenergie, gekennzeichnet ist. Die Analysen zeigen, dass der durchschnittliche mittlere absolute Fehler für die Vorhersage der vertikalen Leistung über die modellierten Transformatoren zwischen 1, 76 bis 7, 8 MW für den parametrischen Ansatz und zwischen 0, 41 bis 2, 4 MW für das kNN liegt. Die Genauigkeit der Engpassvorhersage wird über den F1-Wert gemessen, der für den parametrischen Ansatz einen Wert von 0, 84 und für das kNN einen Wert von 0, 92 erreicht. Das kNN hat also den Vorteil einer höheren Genauigkeit, während der parametrische Ansatz den Vorteil hat, mehr Transparenz und Nachvollziehbarkeit der Ergebnisse zu bieten.