Optimal Energy Management for interconnected Local Energy Community Using Advanced Machine Learning Models

Abstract

Der neue Trend zur Implementierung von Energiegemeinschaften bringt neue Herausforderungen für die Zuverlässigkeit der Energieversorgung mit sich. EGs nutzen hauptsächlich erneuerbare Energiequellen, wie beispielsweise Photovoltaikmodule, deren Leistung von den Umgebungsbedingungen abhängt. Während sonniger Stunden können PV-Anlagen überschüssige Energie erzeugen. Dies kann zu Überlastungen in Übertragungsleitungen und Überspannungen in Hochspannungsanlagen, Transformatoren und Generatoren führen.Das Ziel dieser Masterarbeit ist die Entwicklung und Implementierung eines fortschrittlichen Energiemanagementsystems für lokale EGs und der Einsatz fortschrittlicher Optimierungstechniken zur Verbesserung der Netzstabilität, insbesondere zur Minimierung von Leitungsüberlastungen, zur Reduzierung von Busspannungsverletzungen und zur Optimierung der Stromverteilung. Vier verschiedene Algorithmen wurden in der Python-Umgebung implementiert. Im ersten Schritt wird eine Monte-Carlo-Simulation angewendet, um die Systemzuverlässigkeit zu bewerten und Schwachstellen zu identifizieren. Im zweiten Schritt werden zwei fortschrittliche metaheuristische Optimierungsalgorithmen – Partikelschwarmoptimierung und Genetischer Algorithmus – eingesetzt. Diese Algorithmen führen eine Lastumverteilung durch, um optimale Lasten zu finden, unter denen das System stabil arbeitet. Im letzten Schritt wird ein Künstliches Neuronales Netz implementiert. Das KNN wird anhand eines Datensatzes aus PSO - oder GA-Ergebnissen trainiert.Tritt im System ein Leistungsungleichgewicht oder eine Instabilität auf, kann der trainierte Algorithmus sofort neue Generatorleistungen vorhersagen, die mit der aktuellen Last im Gleichgewicht sind. Dies ermöglicht eine sofortige Wiederherstellung der Systemstabilität, ohne dass komplexe Optimierungsalgorithmen erneut ausgeführt werden müssen. Die Ergebnisse zeigen, dass der kombinierte Ansatz die Betriebseffizienz steigert und die Systemstabilität auch bei variablen Last- und Erzeugungsbedingungen aufrechterhält. Diese Methodik bietet einen skalierbaren Rahmen für die zukünftige Entwicklung intelligenter Energiegemeinschaften. Diese Arbeit trägt zur Entwicklung intelligenter EMS-Frameworks für zukünftige dezentrale und auf erneuerbaren Energien basierende Energiesysteme bei.

The new trend of implementing Energy Communities (ECs) brings new challenges related to the reliability of energy supply. ECs use mainly renewable energy sources (RES), such as photovoltaic panels (PV), whose output depends on environmental conditions. During sunny hours, PVs can generate excess power. It can lead to overloads in transmission lines and overvoltages in high-voltage equipment, transformers (TR), and generators.This thesis aims to design and implement an advanced Energy Management System (EMS) for local ECs. The main objective is to use advanced optimization techniques to improve grid stability, namely minimizing line overloads, reducing bus voltage violations, and optimizing power distribution.Four different algorithms were implemented in Python and Power Factory environments. The first stage applies a Monte Carlo simulation to assess system reliability and identify vulnerable areas. In the second stage, two advanced metaheuristic optimization algorithms, Particle Swarm Optimization (PSO) and Genetic Algorithm (GA), are used. These algorithms perform a load redispatching to find optimal loads under which the system operates stably. An Artificial Neural Network (ANN) is implemented in the final stage. The ANN is trained on a dataset obtained from PSO or GA results.When a power imbalance between supply and demand or instability occurs, the trained algorithm can instantly predict a new set of generator outputs balanced with the current load. This allows in a short time for the restoration of system stability in a short time without rerunning complex optimization algorithms.The results show that the combined approach enhances operational efficiency and main- tains system stability, even under variable load and generation conditions. This methodology provides a scalable framework for the future development of intelligent energy communities.This work contributes to the development of intelligent EMS frameworks for future decentralized and renewable energy systems.