Optimierte Verfahren zur Prognose vertikaler Netzlast unter Nutzung von maschinellem Lernen, Teilvorhaben: OptiVNL4Grid - Optimierter Einsatz verbesserter VNL-Prognosen im präventiven Engpassmanagement hochautomatisierter Verteilnetze

Description: Die Verteilung von Energie in elektrischen Netzen unterliegt der Herausforderung eines vorausschauenden Engpassmanagements, um einerseits Abregelungen von erneuerbaren Energien zu minimieren und andererseits Mehrkosten für eine systemstabilisierende Kraftwerkseinsatzplanung (Redispatch) gering zu halten. Prognosen für zukünftige Betriebszustände sind zur optimierten Betriebsführung unverzichtbar und Grundlage der Redispatchprozesse. Dabei kommt es nicht nur auf die Prognosegüte an, sondern auch auf das Wissen um die Unsicherheit der Prognose. Probleme in der Praxis entstehen, wenn Extremereignisse (v.a. hohe Einspeisung) unerwartet auftreten, Schalthandlungen die Netztopologie und damit die Zuordnung von Netzteilnehmern in den Netzabschnitten ändern oder Kurzfriständerungen nicht in die Zustandsschätzungen einbezogen werden. Eine Steigerung von Robustheit und Vertrauenswürdigkeit der Prognosen in Verbindung mit zusätzlicher Information über situative Unsicherheiten der Prognosen verbessern die Einschätzung zukünftiger Netzauslastungen und tragen zu einem sicheren und kostenoptimierten Netzbetrieb bei. Künstliche Intelligenz könnte helfen, um durch automatisierte Mustererkennung und -bewertung sowohl zu einer höheren Prognosegüte als auch einer besseren Einschätzung der Prognoseunsicherheit zu gelangen. Im Teilvorhaben der EWE NETZ sollen die Anforderungen an unsicherheitsbehaftete Engpassprognosen für den operativen Betrieb von Verteilnetzen geschärft werden. Während Konzepte erstellt werden, um Unsicherheiten von Engpassprognosen in die Prozesse der hochautomatisierten Netzführung gewinnbringend zu integrieren, sollen gleichzeitig die Ursachen und Zeitpunkte systemkritischer Prognosefehler gefunden und dokumentiert werden. Im Weiteren sollen optimierte Prognosemethoden an Anwendungsbeispielen bei EWE NETZ verprobt und analysiert werden. Zudem soll die Anwendbarkeit der Methoden auf eine präventive Engpasserkennung in der Niederspannung untersucht werden.

SupportProgram

Tags: Stromnetz ? Erneuerbare Energie ? Redispatch ? Künstliche Intelligenz ? Extremwetter ? Prognoseverfahren ?

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)
• EWE Netz (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)

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

Alternatives

• Language: Englisch/English
  Title: Subproject: OptiVNL4Grid - Optimized use of improved VNL forecasts in preventive congestion management of highly automated distribution grids
  Description: The distribution of energy in electrical grids is subject to the challenge of forward-looking congestion management in order to minimize curtailments of renewable energies on the one hand and to keep additional costs for system-stabilizing power plant deployment planning (redispatch) low on the other. Forecasts for future operating conditions are essential for optimized operational management and form the basis of redispatch processes. It is not only the quality of the forecast that is important, but also the knowledge of the uncertainty of the forecast. Problems arise in practice when extreme events (especially high feed-in) occur unexpectedly, switching operations change the grid topology and thus the allocation of grid participants in the grid sections or short-term changes are not included in the state estimates. An increase in the robustness and reliability of the forecasts in conjunction with additional information about situational uncertainties in the forecasts improves the assessment of future grid utilization and contributes to secure and cost-optimized grid operation. Artificial intelligence could help to achieve both a higher forecast quality and a better assessment of forecast uncertainty through automated pattern recognition and evaluation. In the EWE NETZ sub-project, the requirements for uncertain congestion forecasts for the operational operation of distribution grids are to be sharpened. While concepts are being developed to profitably integrate uncertainties in congestion forecasts into the processes of highly automated grid management, the causes and times of system-critical forecast errors are to be identified and documented at the same time. In addition, optimized forecasting methods are to be tested and analyzed using application examples at EWE NETZ. In addition, the applicability of the methods to preventive congestion detection in low voltage will be investigated. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1139538

Status

Aktiv

Quality score

• Overall: 0.50
• Findability: 0.69

  • Title: 1.00
  • Description: 0.11
  • 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 2 times.