Abschätzung der Unsicherheiten von Belastungsszenarien einer Ortsnetzstation mittels maschinellen Lernens für ein dezentrales Verfügbarkeitsmanagement

Abstract

Der Ausbau an erneuerbaren Energien, der steigende Anteil an E-Mobilität oder die Sektorkopplung von Elektrizität und Wärmeversorgung sind Herausforderungen, welche die Stromnetze von morgen zu bewältigen haben. Die Netzteilnehmer bringen neue Unsicherheiten in Bezug auf die Auslastung der Netzkomponenten mit sich, wodurch traditionelle Planungs- und Betriebskonzepte der Stromnetze an ihre Grenzen stoßen. In dieser Arbeit wird eine Methode vorgestellt, in welcher mittels maschinellen Lernens die Unsicherheiten von Belastungsszenarien abgeschätzt werden können. Dabei werden zwei verschiedene Clusteralgorithmen untersucht und auf einen netzbeschreibenden Input-Datensatz angewendet. Die resultierenden Cluster werden anschließend für die Prognose und Abschätzung von Belastungsszenarien verwendet und die Unsicherheiten mittels Dichtefunktion dargestellt. Die Ergebnisse zeigen, dass die verwendeten Clusteralgorithmen den Input-Datensatz in mehrere Cluster unterteilen können. Die Unterscheidbarkeit zwischen den Clustern ist vor allem bei der Tageszeit zu erkennen. Die tageszeitabhängige Unterscheidbarkeit lässt sich auch in den restlichen Variablen des Input-Datensatzes erkennen und unterstreicht diese nur, als dass ein zusätzliches Unterscheidungsmerkmal gezeigt wird. Die darauf aufbauende Abschätzung der Unsicherheiten zeigt anhand unterschiedlicher Belastungsszenarien, dass die Unsicherheiten trotz Clusterings nur bedingt abzuschätzen sind. Die Unsicherheiten der Transformatorauslastung können im Vergleich zur Jahresauslastung verbessert abgeschätzt werden, jedoch nicht wesentlich im Vergleich mit erzeugten Test-Daten der Transformatorauslastung.

The expansion of renewable energies, the increasing share of e-mobility or the sector coupling of electricity and heat supply are challenges that the electricity grids of tomorrow will have to overcome. The grid participants bring new uncertainties with regard to the utilisation of the grid components, which means that traditional planning and operating concepts for electricity grids are reaching their limits.In this paper, a method is presented in which machine learning can be used to estimate the uncertainties of load scenarios. Two different cluster algorithms are investigated and applied to a grid-describing input data set. The resulting clusters are then used for forecasting and estimating load scenarios and the uncertainties are represented by means of a density function.The results show that the cluster algorithms used were able to divide the input dataset into several clusters. The discriminability between the clusters can be seen especially for the time of day. The time of day dependent distinctiveness can also be seen in the rest of the variables of the input data set and only underlines them as showing an additional distinguishing feature. The estimation of uncertainties based on this shows, using different load scenarios, that the uncertainties can only be estimated to a limited extent despite clustering. The uncertainties of the transformer load can be estimated better in comparison with the annual load, but not significantly in comparison with generated test data of the transformer load.