Datum
2024Autor
Liu, ZhengSchlagwort
500 Naturwissenschaften EnergiemanagementNetzbetriebBlindleistungsregelungNeuronales NetzLastflussMetadata
Zur Langanzeige
Buch![](/themes/Mirage2/images/Open_Access_logo_PLoS_transparent.svg)
Link zu kassel university press
Modeling Static Grid Equivalent with Artificial Neural Networks Including Optimally Designed Local Reactive Power Control
Zusammenfassung
During the energy system transition, the rapid increase in distributed energy resources (DERs) can cause grid congestion problems in power grids, such as voltage problems and overloads. It has become increasingly important to intelligently control the provision of reactive power from DERs to power grids, which not only stabilizes voltage, reduces loading and grid losses, but also provides reactive power flexibility to different points in power grids. As power grids are interconnected and operated by different grid operators, using an equivalent grid model in place of a complete detailed model is the standard solution for data confidentiality and computational efficiency. The equivalent model should represent the behavior of the original grid as accurately as possible. However, current state-of-the-art equivalent grids are based on a static grid state, meaning that variable grid states, such as those caused by strong power fluctuations, controllers, and switching state changes, are often not represented by the equivalent model. This can lead to significant errors in power system analysis.
This thesis proposes a time series optimization-based method for calculating optimal characteristic curves for each DER, enabling intelligent local reactive power control. The open-source tools pandapower and PowerModels are functionally interconnected to optimize reactive power provisions of DERs, and linear decision tree regression is used to identify the optimal characteristic curve from the optimization results. To consider variable grid states resulting from the factors mentioned above, a static grid equivalent method based on artificial neural networks (ANNs) is developed. The use of ANNs with feedforward and recurrent architectures significantly improves the accuracy of the grid equivalent, compared to the state-of-the-art methods. Furthermore, to ensure data confidentiality, an unsupervised ANN - an Autoencoder - is implemented. It obfuscates the original grid data for exchange while preserving its features for training with sufficient accuracy.
The proposed methods are analysed and evaluated based on extensive simulations with different grids and representative scenarios. The individually optimized characteristic curves are found to be more effective than conventional settings in supporting voltage stability, reducing grid losses, and providing reactive power flexibility. They can serve as a backup for failures in central optimizations or as a bridging solution for grid operators without modern grid monitoring systems. By incorporating the characteristic curve parameters and the switching status as training data and using the recurrent architectures, the ANN-based equivalent accuracy is further improved on the existing improvements with the feedforward architecture. Compared to the state-of-the-art REI equivalent, the equivalent deviations are reduced by approximately 90%. The entire exchange and training process is based on the obfuscated grid data, ensuring data confidentiality.
This thesis proposes a time series optimization-based method for calculating optimal characteristic curves for each DER, enabling intelligent local reactive power control. The open-source tools pandapower and PowerModels are functionally interconnected to optimize reactive power provisions of DERs, and linear decision tree regression is used to identify the optimal characteristic curve from the optimization results. To consider variable grid states resulting from the factors mentioned above, a static grid equivalent method based on artificial neural networks (ANNs) is developed. The use of ANNs with feedforward and recurrent architectures significantly improves the accuracy of the grid equivalent, compared to the state-of-the-art methods. Furthermore, to ensure data confidentiality, an unsupervised ANN - an Autoencoder - is implemented. It obfuscates the original grid data for exchange while preserving its features for training with sufficient accuracy.
The proposed methods are analysed and evaluated based on extensive simulations with different grids and representative scenarios. The individually optimized characteristic curves are found to be more effective than conventional settings in supporting voltage stability, reducing grid losses, and providing reactive power flexibility. They can serve as a backup for failures in central optimizations or as a bridging solution for grid operators without modern grid monitoring systems. By incorporating the characteristic curve parameters and the switching status as training data and using the recurrent architectures, the ANN-based equivalent accuracy is further improved on the existing improvements with the feedforward architecture. Compared to the state-of-the-art REI equivalent, the equivalent deviations are reduced by approximately 90%. The entire exchange and training process is based on the obfuscated grid data, ensuring data confidentiality.
Im Zuge der Energiewende kann der schnelle Anstieg von Erzeugungsleistung aus dezentralen Erzeugungsanlagen (DEA) zu Netzenpässen führen, wie z.B.
Spannungsprobleme und Überlastungen. Es wird daher immer wichtiger, die Möglichkeiten der Blindleistungsbereitstellung durch DEA bspw. zum Zweck der
Spannungshaltung, Engpassmanagement, Netzverlustminimierung, und Flexibilitätsbereitstellung zu nutzen und die Anlagen intelligent zu steuern. Da
Stromnetze miteinander verbunden und von verschiedenen Netzbetreibern betrieben werden, ist die Verwendung eines äquivalenten Netzmodells anstelle eines detaillierten Modells die Standardlösung an den Netzbetreiber-Schnittstellen unter Bewahrung der Datenvertraulichkeit und Recheneffizienz. Ein äquivalentes Netzmodell sollte das Verhalten des originalen Netzes möglichst genau darstellen. Die vorhandenen Methoden zur Erstellung von Netzäquivalenten basieren in der Regel jedoch auf einem stationären Netzzustand, womit variable Netzzustände, hervorgerufen, z.B., durch starke
Leistungsfluktuationen, Blindleistungsregler und Schaltzustandsänderungen nicht repräsentiert werden können. Dies kann zu weiteren signifikanten Fehlern führen kann.
Diese Arbeit schlägt eine Methode zur Berechnung optimaler Kennlinien für jede DEA vor, um eine intelligente lokale Blindleistungsbereitstellung zu ermöglichen. Die opensource-tools pandapower und PowerModels sind für Blindleistungsoptimierungen funktional miteinander verbunden, und die lineare Entscheidungsbaumregression wird zum Identifizieren der optimalen Kennlinien verwendet. Zur Berücksichtigung der variablen Netzzustände, wird eine statische Netzäquivalenzmethode auf der Grundlage künstlicher neuronaler Netze (KNN) entwickelt. Die Anwendung von KNN mit feedforward- und rekurrent-Architekturen verbessert die Äquivalentgenauigkeit im Vergleich zu existierenden Methoden. Darüber hinaus wird ein unüberwachtes KNN - ein Autoencoder – zum Zweck der Datenvertraulichkeit implementiert. Es verschleiert die originalen Netzdaten für den Austausch zwischen den Netzbetreibern, behält jedoch
die ursprünglichen Eigenschaften für das Training mit ausreichender Genauigkeit bei.
Die vorgeschlagenen Methoden werden anhand umfangreicher Simulationen mit verschiedenen Netzen und repräsentativen Szenarien analysiert und bewertet. Die individuell optimierten Kennlinien zeigen eine bessere Wirkung als die typischen Kennlinien zur Spannungshaltung, Verlustreduktion und Flexibilitätsbereitstellung. Sie können als Backup für zentrale Optimierungen oder als eine Überbrückungslösung für die Netzbetreiber ohne moderne Netzüberwachungssysteme dienen. Durch die Einbeziehung der Kennlinienparameter und des Schaltzustands als Trainingsdaten und die Verwendung der rekurrenten Architekturen wird die Genauigkeit des KNN-basierten Äquivalents gegenüber den bestehenden Verbesserungen mit der feedforward-
Architektur weiter verbessert. Im Vergleich zum REI-Äquivalent nach dem Stand der Technik werden die Äquivalentabweichungen um etwa 90% reduziert. Der gesamte Austausch- und Trainingsprozess basiert auf den verschleierten Netzdaten, was die Vertraulichkeit gewährleistet. Die vorgeschlagenen Methoden wurden mit Fallstudien verifiziert und finden bereits Anwendungen in zahlreichen Projekten und Forschungsarbeiten.
Spannungsprobleme und Überlastungen. Es wird daher immer wichtiger, die Möglichkeiten der Blindleistungsbereitstellung durch DEA bspw. zum Zweck der
Spannungshaltung, Engpassmanagement, Netzverlustminimierung, und Flexibilitätsbereitstellung zu nutzen und die Anlagen intelligent zu steuern. Da
Stromnetze miteinander verbunden und von verschiedenen Netzbetreibern betrieben werden, ist die Verwendung eines äquivalenten Netzmodells anstelle eines detaillierten Modells die Standardlösung an den Netzbetreiber-Schnittstellen unter Bewahrung der Datenvertraulichkeit und Recheneffizienz. Ein äquivalentes Netzmodell sollte das Verhalten des originalen Netzes möglichst genau darstellen. Die vorhandenen Methoden zur Erstellung von Netzäquivalenten basieren in der Regel jedoch auf einem stationären Netzzustand, womit variable Netzzustände, hervorgerufen, z.B., durch starke
Leistungsfluktuationen, Blindleistungsregler und Schaltzustandsänderungen nicht repräsentiert werden können. Dies kann zu weiteren signifikanten Fehlern führen kann.
Diese Arbeit schlägt eine Methode zur Berechnung optimaler Kennlinien für jede DEA vor, um eine intelligente lokale Blindleistungsbereitstellung zu ermöglichen. Die opensource-tools pandapower und PowerModels sind für Blindleistungsoptimierungen funktional miteinander verbunden, und die lineare Entscheidungsbaumregression wird zum Identifizieren der optimalen Kennlinien verwendet. Zur Berücksichtigung der variablen Netzzustände, wird eine statische Netzäquivalenzmethode auf der Grundlage künstlicher neuronaler Netze (KNN) entwickelt. Die Anwendung von KNN mit feedforward- und rekurrent-Architekturen verbessert die Äquivalentgenauigkeit im Vergleich zu existierenden Methoden. Darüber hinaus wird ein unüberwachtes KNN - ein Autoencoder – zum Zweck der Datenvertraulichkeit implementiert. Es verschleiert die originalen Netzdaten für den Austausch zwischen den Netzbetreibern, behält jedoch
die ursprünglichen Eigenschaften für das Training mit ausreichender Genauigkeit bei.
Die vorgeschlagenen Methoden werden anhand umfangreicher Simulationen mit verschiedenen Netzen und repräsentativen Szenarien analysiert und bewertet. Die individuell optimierten Kennlinien zeigen eine bessere Wirkung als die typischen Kennlinien zur Spannungshaltung, Verlustreduktion und Flexibilitätsbereitstellung. Sie können als Backup für zentrale Optimierungen oder als eine Überbrückungslösung für die Netzbetreiber ohne moderne Netzüberwachungssysteme dienen. Durch die Einbeziehung der Kennlinienparameter und des Schaltzustands als Trainingsdaten und die Verwendung der rekurrenten Architekturen wird die Genauigkeit des KNN-basierten Äquivalents gegenüber den bestehenden Verbesserungen mit der feedforward-
Architektur weiter verbessert. Im Vergleich zum REI-Äquivalent nach dem Stand der Technik werden die Äquivalentabweichungen um etwa 90% reduziert. Der gesamte Austausch- und Trainingsprozess basiert auf den verschleierten Netzdaten, was die Vertraulichkeit gewährleistet. Die vorgeschlagenen Methoden wurden mit Fallstudien verifiziert und finden bereits Anwendungen in zahlreichen Projekten und Forschungsarbeiten.
Zusätzliche Informationen
Zugleich: Dissertation, Universität Kassel, 2023Druckausgabe
Zitieren
@book{doi:10.17170/kobra-202401269444,
author={Liu, Zheng},
title={Modeling Static Grid Equivalent with Artificial Neural Networks Including Optimally Designed Local Reactive Power Control},
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/123456789/15548 3000 Liu, Zheng 4000 Modeling Static Grid Equivalent with Artificial Neural Networks Including Optimally Designed Local Reactive Power Control / Liu, Zheng 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/15548=x R 4204 \$dBuch 4170 Energy Management and Power System Operation 5550 {{Energiemanagement}} 5550 {{Netzbetrieb}} 5550 {{Blindleistungsregelung}} 5550 {{Neuronales Netz}} 5550 {{Lastfluss}} 7136 ##0##http://hdl.handle.net/123456789/15548
2024-03-12T13:44:28Z 2024-03-12T13:44:28Z 2024 doi:10.17170/kobra-202401269444 http://hdl.handle.net/123456789/15548 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/ Blindleistungsbereitstellung Netzäquivalent Künstliches neuronales Netz Netzoptimierung Betriebsführung 500 Modeling Static Grid Equivalent with Artificial Neural Networks Including Optimally Designed Local Reactive Power Control Buch During the energy system transition, the rapid increase in distributed energy resources (DERs) can cause grid congestion problems in power grids, such as voltage problems and overloads. It has become increasingly important to intelligently control the provision of reactive power from DERs to power grids, which not only stabilizes voltage, reduces loading and grid losses, but also provides reactive power flexibility to different points in power grids. As power grids are interconnected and operated by different grid operators, using an equivalent grid model in place of a complete detailed model is the standard solution for data confidentiality and computational efficiency. The equivalent model should represent the behavior of the original grid as accurately as possible. However, current state-of-the-art equivalent grids are based on a static grid state, meaning that variable grid states, such as those caused by strong power fluctuations, controllers, and switching state changes, are often not represented by the equivalent model. This can lead to significant errors in power system analysis. This thesis proposes a time series optimization-based method for calculating optimal characteristic curves for each DER, enabling intelligent local reactive power control. The open-source tools pandapower and PowerModels are functionally interconnected to optimize reactive power provisions of DERs, and linear decision tree regression is used to identify the optimal characteristic curve from the optimization results. To consider variable grid states resulting from the factors mentioned above, a static grid equivalent method based on artificial neural networks (ANNs) is developed. The use of ANNs with feedforward and recurrent architectures significantly improves the accuracy of the grid equivalent, compared to the state-of-the-art methods. Furthermore, to ensure data confidentiality, an unsupervised ANN - an Autoencoder - is implemented. It obfuscates the original grid data for exchange while preserving its features for training with sufficient accuracy. The proposed methods are analysed and evaluated based on extensive simulations with different grids and representative scenarios. The individually optimized characteristic curves are found to be more effective than conventional settings in supporting voltage stability, reducing grid losses, and providing reactive power flexibility. They can serve as a backup for failures in central optimizations or as a bridging solution for grid operators without modern grid monitoring systems. By incorporating the characteristic curve parameters and the switching status as training data and using the recurrent architectures, the ANN-based equivalent accuracy is further improved on the existing improvements with the feedforward architecture. Compared to the state-of-the-art REI equivalent, the equivalent deviations are reduced by approximately 90%. The entire exchange and training process is based on the obfuscated grid data, ensuring data confidentiality. Im Zuge der Energiewende kann der schnelle Anstieg von Erzeugungsleistung aus dezentralen Erzeugungsanlagen (DEA) zu Netzenpässen führen, wie z.B. Spannungsprobleme und Überlastungen. Es wird daher immer wichtiger, die Möglichkeiten der Blindleistungsbereitstellung durch DEA bspw. zum Zweck der Spannungshaltung, Engpassmanagement, Netzverlustminimierung, und Flexibilitätsbereitstellung zu nutzen und die Anlagen intelligent zu steuern. Da Stromnetze miteinander verbunden und von verschiedenen Netzbetreibern betrieben werden, ist die Verwendung eines äquivalenten Netzmodells anstelle eines detaillierten Modells die Standardlösung an den Netzbetreiber-Schnittstellen unter Bewahrung der Datenvertraulichkeit und Recheneffizienz. Ein äquivalentes Netzmodell sollte das Verhalten des originalen Netzes möglichst genau darstellen. Die vorhandenen Methoden zur Erstellung von Netzäquivalenten basieren in der Regel jedoch auf einem stationären Netzzustand, womit variable Netzzustände, hervorgerufen, z.B., durch starke Leistungsfluktuationen, Blindleistungsregler und Schaltzustandsänderungen nicht repräsentiert werden können. Dies kann zu weiteren signifikanten Fehlern führen kann. Diese Arbeit schlägt eine Methode zur Berechnung optimaler Kennlinien für jede DEA vor, um eine intelligente lokale Blindleistungsbereitstellung zu ermöglichen. Die opensource-tools pandapower und PowerModels sind für Blindleistungsoptimierungen funktional miteinander verbunden, und die lineare Entscheidungsbaumregression wird zum Identifizieren der optimalen Kennlinien verwendet. Zur Berücksichtigung der variablen Netzzustände, wird eine statische Netzäquivalenzmethode auf der Grundlage künstlicher neuronaler Netze (KNN) entwickelt. Die Anwendung von KNN mit feedforward- und rekurrent-Architekturen verbessert die Äquivalentgenauigkeit im Vergleich zu existierenden Methoden. Darüber hinaus wird ein unüberwachtes KNN - ein Autoencoder – zum Zweck der Datenvertraulichkeit implementiert. Es verschleiert die originalen Netzdaten für den Austausch zwischen den Netzbetreibern, behält jedoch die ursprünglichen Eigenschaften für das Training mit ausreichender Genauigkeit bei. Die vorgeschlagenen Methoden werden anhand umfangreicher Simulationen mit verschiedenen Netzen und repräsentativen Szenarien analysiert und bewertet. Die individuell optimierten Kennlinien zeigen eine bessere Wirkung als die typischen Kennlinien zur Spannungshaltung, Verlustreduktion und Flexibilitätsbereitstellung. Sie können als Backup für zentrale Optimierungen oder als eine Überbrückungslösung für die Netzbetreiber ohne moderne Netzüberwachungssysteme dienen. Durch die Einbeziehung der Kennlinienparameter und des Schaltzustands als Trainingsdaten und die Verwendung der rekurrenten Architekturen wird die Genauigkeit des KNN-basierten Äquivalents gegenüber den bestehenden Verbesserungen mit der feedforward- Architektur weiter verbessert. Im Vergleich zum REI-Äquivalent nach dem Stand der Technik werden die Äquivalentabweichungen um etwa 90% reduziert. Der gesamte Austausch- und Trainingsprozess basiert auf den verschleierten Netzdaten, was die Vertraulichkeit gewährleistet. Die vorgeschlagenen Methoden wurden mit Fallstudien verifiziert und finden bereits Anwendungen in zahlreichen Projekten und Forschungsarbeiten. open access Liu, Zheng 2023-12-01 xviii, 141 Seiten Energy Management and Power System Operation Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik Braun, Martin (Prof. Dr.) Westermann, Dirk /Prof. Dr.) Kassel 978-3-7376-1164-0 Energiemanagement Netzbetrieb Blindleistungsregelung Neuronales Netz Lastfluss publishedVersion Band 19 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: