Datum
2024Autor
Wang, ZhenqiSchlagwort
500 Naturwissenschaften EnergiewirtschaftNetzregelungNeuronales NetzBlindleistungBlindleistungsregelungMetadata
Zur Langanzeige
Buch
Improving the Security-Constrained Operative Planning of Flexibilities in Distribution Grids Using Artificial Intelligence and High-Performance Grid Calculation
Zusammenfassung
The penetration from renewable distributed energy resources (DERs) such as wind and solar massively increases the risk of grid congestions on transmission lines/transformers and voltage violations. To guarantee grid security, the operators must perform grid congestion management (GCM), e.g., with active power curtailment from DERs in the operative planning and real-time phases. Compared to the real-time GCM, for grid operative
planning, grid congestions must be identified through forecasting-based grid simulations. Distributed flexibility for GCM needs to be planned with, e.g., day-ahead load and DER forecasting. The core challenge of the process is the high computational overhead, which is addressed in this thesis.
This thesis focuses on developing computational tools to improve grid operative planning. Firstly, a high-performance grid simulator with GPU acceleration is developed for the efficient evaluation of many grid statuses. The grid simulator enables the evaluation of the impact of forecasting uncertainties with probabilistic grid simulation. Secondly, a deep reinforcement learning-based Artificial Intelligence (AI) optimization approach for the grid operation is developed. The approach can perform multiple optimizations to reduce the grid operational costs, such as minimization of active power curtailment for GCM. The novelty is that the training of the AI model can be performed self-supervised with the high-performance grid simulator as well as combined with the classical supervised training approach. After training, the method achieves high optimality with significant computational performance improvement over mathematical optimization. Specifically, for the flexibility planning for GCM, the AI optimization approach is extended for active/reactive power (PQ) flexibility area estimation at the transmission system - distribution system interface (extra high voltage - high voltage transformers) with the DER flexibility of the high voltage grid. The optimization considers the robustness against forecasting uncertainties and the realistic N-1 grid security criterion as extended grid-security constraints. High computational efficiency and the simultaneous identification of corresponding DER PQ setpoints in the identified available PQ area are the highlights of the method. The proposed tools are verified with case studies and find successful applications in multiple projects and research works.
planning, grid congestions must be identified through forecasting-based grid simulations. Distributed flexibility for GCM needs to be planned with, e.g., day-ahead load and DER forecasting. The core challenge of the process is the high computational overhead, which is addressed in this thesis.
This thesis focuses on developing computational tools to improve grid operative planning. Firstly, a high-performance grid simulator with GPU acceleration is developed for the efficient evaluation of many grid statuses. The grid simulator enables the evaluation of the impact of forecasting uncertainties with probabilistic grid simulation. Secondly, a deep reinforcement learning-based Artificial Intelligence (AI) optimization approach for the grid operation is developed. The approach can perform multiple optimizations to reduce the grid operational costs, such as minimization of active power curtailment for GCM. The novelty is that the training of the AI model can be performed self-supervised with the high-performance grid simulator as well as combined with the classical supervised training approach. After training, the method achieves high optimality with significant computational performance improvement over mathematical optimization. Specifically, for the flexibility planning for GCM, the AI optimization approach is extended for active/reactive power (PQ) flexibility area estimation at the transmission system - distribution system interface (extra high voltage - high voltage transformers) with the DER flexibility of the high voltage grid. The optimization considers the robustness against forecasting uncertainties and the realistic N-1 grid security criterion as extended grid-security constraints. High computational efficiency and the simultaneous identification of corresponding DER PQ setpoints in the identified available PQ area are the highlights of the method. The proposed tools are verified with case studies and find successful applications in multiple projects and research works.
Die Durchdringung mit erneuerbaren dezentralen Einspeiseanlagen (DEA) von z.B. Wind und Solar erhöht massiv das Risiko von Netzengpässen wie Überlastungen von Leitungen/ Transformatoren und Spannungsschwankungen im Stromnetz. Um die Netzsicherheit zu gewährleisten, muss ein Netzsicherheitsmanagement (NSM) mit z.B. Abregelung von DEA-Einspeisung in der Betriebsplanung- und Echtzeitphase von dem Netzbetreiber durchgeführt werden. Im Vergleich zum NSM in Echtzeit müssen für die Betriebsplanung Netzengpässe mit Netzsimulation prognostiziert und verteilte Flexibilität für NSM mit z.B. Day-Ahead-Last und DEA-Prognose vorberechnet werden. Die zentrale Herausforderung bei diesem Prozess ist der hohe Rechenaufwand, der in dieser Doktorarbeit behandelt wird.
Die Arbeit konzentriert sich auf die Entwicklung von Rechenwerkzeugen, um die Netzbetriebsplanung zu verbessern. Zunächst wurde ein leistungsstarker Netzsimulator zur effizienten Bewertung vieler Netzzustände entwickelt. Die Auswirkungen von Prognoseunsicherheiten können dadurch mit probabilistischer Netzsimulation berücksichtigt werden. Zweitens wird ein auf Deep Reinforcement Learning basierender künstlicher Intelligenz (KI) Optimierungsansatz für den Netzbetrieb entwickelt. Dieser Ansatz kann mehrere Optimierungen durchführen, um die Netzbetriebskosten zu reduzieren, wie z.B. die Minimierung der abgeregelten Leistung während des NSMs. Die Neuheit der Methode ist, dass das Training des KI-Modells sowohl selbstüberwacht mit dem o.g. leistungsstarken Netzsimulator als auch kombiniert mit dem klassischen überwachten Trainingsansatz durchgeführt werden kann. Nach dem Training erreicht das Verfahren eine hohe Optimalität mit einer signifikanten Verbesserung der Rechenleistung gegenüber der mathematischen Optimierung. Insbesondere für die Flexibilitätsplanung für NSM wird der KI-Optimierungsansatz für die Wirk-/Blindleistung (PQ) Flexibilitätsbereichsschätzung an der Übertragungsnetz-Verteilnetz-Schnittstelle (Höchstspannung-
Hochspannung-Transformatoren) mit der DEA-Flexibilität des Hochspannungsnetzes erweitert. Die Optimierung berücksichtigt die Robustheit gegenüber Prognoseunsicherheiten und das realistische N-1-Netzsicherheitskriterium als erweiterte Netzsicherheitsnebenbedingungen. Die hohe Recheneffizienz und die gleichzeitige Identifizierung entsprechender PQ-Sollwerte für alle DEA im verfügbaren PQ-Flexibilitätsbereich sind die Highlights des Verfahrens.
Die Arbeit konzentriert sich auf die Entwicklung von Rechenwerkzeugen, um die Netzbetriebsplanung zu verbessern. Zunächst wurde ein leistungsstarker Netzsimulator zur effizienten Bewertung vieler Netzzustände entwickelt. Die Auswirkungen von Prognoseunsicherheiten können dadurch mit probabilistischer Netzsimulation berücksichtigt werden. Zweitens wird ein auf Deep Reinforcement Learning basierender künstlicher Intelligenz (KI) Optimierungsansatz für den Netzbetrieb entwickelt. Dieser Ansatz kann mehrere Optimierungen durchführen, um die Netzbetriebskosten zu reduzieren, wie z.B. die Minimierung der abgeregelten Leistung während des NSMs. Die Neuheit der Methode ist, dass das Training des KI-Modells sowohl selbstüberwacht mit dem o.g. leistungsstarken Netzsimulator als auch kombiniert mit dem klassischen überwachten Trainingsansatz durchgeführt werden kann. Nach dem Training erreicht das Verfahren eine hohe Optimalität mit einer signifikanten Verbesserung der Rechenleistung gegenüber der mathematischen Optimierung. Insbesondere für die Flexibilitätsplanung für NSM wird der KI-Optimierungsansatz für die Wirk-/Blindleistung (PQ) Flexibilitätsbereichsschätzung an der Übertragungsnetz-Verteilnetz-Schnittstelle (Höchstspannung-
Hochspannung-Transformatoren) mit der DEA-Flexibilität des Hochspannungsnetzes erweitert. Die Optimierung berücksichtigt die Robustheit gegenüber Prognoseunsicherheiten und das realistische N-1-Netzsicherheitskriterium als erweiterte Netzsicherheitsnebenbedingungen. Die hohe Recheneffizienz und die gleichzeitige Identifizierung entsprechender PQ-Sollwerte für alle DEA im verfügbaren PQ-Flexibilitätsbereich sind die Highlights des Verfahrens.
Zusätzliche Informationen
Zugleich: Dissertation, Universität Kassel, 2023Druckausgabe
Link zu kassel university pressZitieren
@book{doi:10.17170/kobra-202401259431,
author={Wang, Zhenqi},
title={Improving the Security-Constrained Operative Planning of Flexibilities in Distribution Grids Using Artificial Intelligence and High-Performance Grid Calculation},
publisher={kassel university press},
year={2024}
}
0500 Oax 0501 Text $btxt$2rdacontent 0502 Computermedien $bc$2rdacarrier 1100 2024$n2024 1500 1/eng 2050 ##0##http://hdl.handle.net/123456789/15547 3000 Wang, Zhenqi 4000 Improving the Security-Constrained Operative Planning of Flexibilities in Distribution Grids Using Artificial Intelligence and High-Performance Grid Calculation / Wang, Zhenqi 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/15547=x R 4204 \$dBuch 4170 Energy Management and Power System Operation 5550 {{Energiewirtschaft}} 5550 {{Netzregelung}} 5550 {{Neuronales Netz}} 5550 {{Blindleistung}} 5550 {{Blindleistungsregelung}} 7136 ##0##http://hdl.handle.net/123456789/15547
2024-03-12T13:22:07Z 2024-03-12T13:22:07Z 2024 doi:10.17170/kobra-202401259431 http://hdl.handle.net/123456789/15547 Zugleich: Dissertation, Universität Kassel, 2023 eng kassel university press Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International http://creativecommons.org/licenses/by-sa/4.0/ Verteilnetz Netzbetrieb Dezentrale Elektrizitätserzeugung Blindleistungsregelung Lastfluss Neuronales Netz Netzengpassmanagement 500 Improving the Security-Constrained Operative Planning of Flexibilities in Distribution Grids Using Artificial Intelligence and High-Performance Grid Calculation Buch The penetration from renewable distributed energy resources (DERs) such as wind and solar massively increases the risk of grid congestions on transmission lines/transformers and voltage violations. To guarantee grid security, the operators must perform grid congestion management (GCM), e.g., with active power curtailment from DERs in the operative planning and real-time phases. Compared to the real-time GCM, for grid operative planning, grid congestions must be identified through forecasting-based grid simulations. Distributed flexibility for GCM needs to be planned with, e.g., day-ahead load and DER forecasting. The core challenge of the process is the high computational overhead, which is addressed in this thesis. This thesis focuses on developing computational tools to improve grid operative planning. Firstly, a high-performance grid simulator with GPU acceleration is developed for the efficient evaluation of many grid statuses. The grid simulator enables the evaluation of the impact of forecasting uncertainties with probabilistic grid simulation. Secondly, a deep reinforcement learning-based Artificial Intelligence (AI) optimization approach for the grid operation is developed. The approach can perform multiple optimizations to reduce the grid operational costs, such as minimization of active power curtailment for GCM. The novelty is that the training of the AI model can be performed self-supervised with the high-performance grid simulator as well as combined with the classical supervised training approach. After training, the method achieves high optimality with significant computational performance improvement over mathematical optimization. Specifically, for the flexibility planning for GCM, the AI optimization approach is extended for active/reactive power (PQ) flexibility area estimation at the transmission system - distribution system interface (extra high voltage - high voltage transformers) with the DER flexibility of the high voltage grid. The optimization considers the robustness against forecasting uncertainties and the realistic N-1 grid security criterion as extended grid-security constraints. High computational efficiency and the simultaneous identification of corresponding DER PQ setpoints in the identified available PQ area are the highlights of the method. The proposed tools are verified with case studies and find successful applications in multiple projects and research works. Die Durchdringung mit erneuerbaren dezentralen Einspeiseanlagen (DEA) von z.B. Wind und Solar erhöht massiv das Risiko von Netzengpässen wie Überlastungen von Leitungen/ Transformatoren und Spannungsschwankungen im Stromnetz. Um die Netzsicherheit zu gewährleisten, muss ein Netzsicherheitsmanagement (NSM) mit z.B. Abregelung von DEA-Einspeisung in der Betriebsplanung- und Echtzeitphase von dem Netzbetreiber durchgeführt werden. Im Vergleich zum NSM in Echtzeit müssen für die Betriebsplanung Netzengpässe mit Netzsimulation prognostiziert und verteilte Flexibilität für NSM mit z.B. Day-Ahead-Last und DEA-Prognose vorberechnet werden. Die zentrale Herausforderung bei diesem Prozess ist der hohe Rechenaufwand, der in dieser Doktorarbeit behandelt wird. Die Arbeit konzentriert sich auf die Entwicklung von Rechenwerkzeugen, um die Netzbetriebsplanung zu verbessern. Zunächst wurde ein leistungsstarker Netzsimulator zur effizienten Bewertung vieler Netzzustände entwickelt. Die Auswirkungen von Prognoseunsicherheiten können dadurch mit probabilistischer Netzsimulation berücksichtigt werden. Zweitens wird ein auf Deep Reinforcement Learning basierender künstlicher Intelligenz (KI) Optimierungsansatz für den Netzbetrieb entwickelt. Dieser Ansatz kann mehrere Optimierungen durchführen, um die Netzbetriebskosten zu reduzieren, wie z.B. die Minimierung der abgeregelten Leistung während des NSMs. Die Neuheit der Methode ist, dass das Training des KI-Modells sowohl selbstüberwacht mit dem o.g. leistungsstarken Netzsimulator als auch kombiniert mit dem klassischen überwachten Trainingsansatz durchgeführt werden kann. Nach dem Training erreicht das Verfahren eine hohe Optimalität mit einer signifikanten Verbesserung der Rechenleistung gegenüber der mathematischen Optimierung. Insbesondere für die Flexibilitätsplanung für NSM wird der KI-Optimierungsansatz für die Wirk-/Blindleistung (PQ) Flexibilitätsbereichsschätzung an der Übertragungsnetz-Verteilnetz-Schnittstelle (Höchstspannung- Hochspannung-Transformatoren) mit der DEA-Flexibilität des Hochspannungsnetzes erweitert. Die Optimierung berücksichtigt die Robustheit gegenüber Prognoseunsicherheiten und das realistische N-1-Netzsicherheitskriterium als erweiterte Netzsicherheitsnebenbedingungen. Die hohe Recheneffizienz und die gleichzeitige Identifizierung entsprechender PQ-Sollwerte für alle DEA im verfügbaren PQ-Flexibilitätsbereich sind die Highlights des Verfahrens. open access Wang, Zhenqi 2023-11-30 xvi, 142 Seiten Energy Management and Power System Operation Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik Braun, Martin (Prof. Dr.) Rehtanz, Christian (Prof. Dr.) Kassel Energiewirtschaft Netzregelung Neuronales Netz Blindleistung Blindleistungsregelung publishedVersion Band 18 true 39,00 Energy Management and Power System Operation Naturwissenschaft, Technik, Informatik, Medizin Dissertation FB 16 Elektrotechnik / Informatik Softcover DIN A5 true
Die folgenden Lizenzbestimmungen sind mit dieser Ressource verbunden: