Optimierte Verfahren zur Prognose vertikaler Netzlast unter Nutzung von maschinellem Lernen, Teilvorhaben: Opti-VNL-UQ+ Unsicherheitsquantifizierung für die optimierte Prognose der vertikalen Netzlast

Description: Für effektive Planungsprozesse in elektrischen Netzen ist eine zuverlässige Vorausschau auf die Netzsituation von großer Bedeutung. Ein zentrales Element ist dabei die Vorhersage der vertikalen Netzlast (VNL), die Lastflüsse an den Transformatoren der Umspannung zwischen den Netzebenen als Planungsgröße ermittelt. Diese Prognose bildet eine Eingangsgröße für die Netzzustandsanalyse. Sollte ein Engpass identifiziert werden, kommt es zu Maßnahmen zur Behebung des Netzengpasses wie z.B. Redispatch. Diese lösen in der Folge weitere energiewirtschaftliche Prozesse aus. Zu betonen ist, dass eine frühzeitige Erkennung von Engpasssituationen dem Netzbetreiber hilft, die erforderlichen Maßnahmen zeitlich, örtlich und mengenmäßig präzise zu bestimmen und eine Über-Abregelung insbesondere der erneuerbaren Energien zu vermeiden. In diesem Projekt soll eine neue Methode zur Vorhersage der vertikalen Netzlast an Umspanntransformatoren entwickelt, erprobt und in Anwendungen implementiert werden. Durch hinreichende Kenntnis über die vertikale Netzlast lassen sich Transferbedarfe in der Übertragungsebene besser vorhersagen und auch die Netzebeneninterne Leistungsbilanz präziser abschätzen. Eine Optimierung dieses Prozesses kann die Folgekosten des Redispatchs mindern. Die Ergebnisse z. B. in Form des erweiterten Methodenwissens sind auch auf weitere Bereiche der Netzführung, wie z.B. einer belastungsabhängigen Betriebsmittelverwaltung übertragbar. In der konkreten Umsetzung im Projekt werden neue Methoden an einer Referenzumgebung, die zu Beginn des Vorhabens als ein digitales Modell einer typischen Verteilnetzumgebung definiert wird, entwickelt und getestet. Die Univ. Oldenburg arbeitet insbesondere mit an der Entwicklung einer Referenz- und Testumgebung für unterschiedliche physikalisch-basierte sowie Machine-Learning-Modellansätze und entwickelt zur Verlässlichkeitssteigerung der VNL-Vorhersage neuartige Methoden zur Unsicherheitsquantifizierung.

SupportProgram

Tags: Oldenburg ? Stromnetz ? Erneuerbare Energie ? Redispatch ? Folgekosten ? Künstliche Intelligenz ?

Region: Lower Saxony

Bounding boxes: 9.16667° .. 9.16667° x 52.83333° .. 52.83333°

License: Creative Commons Namensnennung-keine Bearbeitung-Nichtkommerziell 4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Finanzielle Förderung)
• Carl von Ossietzky Universität Oldenburg (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)

Time ranges: 2025-04-01 - 2028-03-31

Alternatives

• Language: Englisch/English
  Title: Subproject: Opti-VNL-UQ+ Uncertainty quantification for the optimized forecast of vertical grid load
  Description: A reliable forecast of the grid situation is of great importance for effective planning processes in electrical grids. A central element here is the forecast of the vertical grid load (VNL), which determines the load flows at the transformers of the transformer between the grid levels as a planning variable. This forecast forms an input variable for the grid status analysis. If a bottleneck is identified, measures are taken to eliminate the grid bottleneck, such as redispatch. These then trigger further energy management processes. It should be emphasized that early detection of congestion situations helps the grid operator to precisely determine the necessary measures in terms of time, location and quantity and to avoid over-regulation, especially of renewable energies. In this project, a new method for predicting the vertical grid load on transformer transformers is to be developed, tested and implemented in applications. With sufficient knowledge of the vertical grid load, transfer requirements at the transmission level can be better predicted and the power balance within the grid level can be estimated more precisely. Optimizing this process can reduce the subsequent costs of redispatching. The results, e.g. in the form of expanded methodological knowledge, can also be transferred to other areas of grid management, such as load-dependent resource management. In the concrete implementation of the project, new methods are developed and tested on a reference environment, which is defined at the beginning of the project as a digital model of a typical distribution grid environment. The University of Oldenburg is working in particular on the development of a reference and test environment for different physically-based and machine learning model approaches and is developing new methods for uncertainty quantification to increase the reliability of the VNL prediction. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1139511

Status

Aktiv

Quality score

• Overall: 0.51
• Findability: 0.70

  • Title: 1.00
  • Description: 0.22
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.