Data-Driven Approaches for Monitoring of Distribution Grids

Aachen / E.ON Energy Research Center, RWTH Aachen University (2017) [Buch, Doktorarbeit, Bericht]

Seite(n): xii, 108 Seiten : Illustrationen, DiagrammeReport-Nummer: D-82

Kurzfassung

Elektrische Verteilnetze unterliegen einem großen Wandel aufgrund der steigenden Energieerzeugung in den Nieder- und Mittelspannungsnetzen und der großflächigen Netzintegration von Elektrofahrzeugen. Diese Änderungen haben dazu geführt, dass die Verteilnetze nicht mehr so betrieben werden können wie es bei ihrem Entwurf vorgesehen war. Da in den heutigen Verteilnetzen nur wenige Überwachungsgeräte eingebettet sind, benötigen die Verteilnetzbetreiber kostengünstige Überwachungsmethoden, um den sicheren und effizienten Betrieb ihrer Netze zu gewährleisten.In dieser Dissertation wird ein datengetriebener Ansatz für die Überwachung von Verteilnetzen vorgestellt, der es Verteilnetzbetreibern ermöglicht ihre Systeme mit minimalen Investitionen, jedoch mit begrenzter Genauigkeit zu überwachen. Falls notwendig, können die Verteilnetzbetreiber die Überwachungsgenauigkeit zu einem späteren Zeitpunkt inkrementell durch weitere Messungen verbessern. Der vorgeschlagene Ansatz teilt das Verteilnetz in kleinere Abschnitte auf und führt einen lokalen Schätzer ein, der basierend auf künstlichen neuronalen Netzen die für die Überwachung jedes Abschnitts benötigten Knotenspannungswerte abschätzt.Darüber hinaus werden Verfahren zur Ermittlung der optimalen Auswahlreihenfolge der Eingangskandidaten für das Überwachungssystem vorgelegt, um die höchste Überwachungsgenauigkeit zu gewährleisten. Die Verfahren erweitern die Konzepte der partiellen Korrelation und der Minimal Redundancy Maximum Relevance (mRMR), um Fälle mit mehreren Zielausgaben zu unterstützen. Die vorgeschlagenen Konzepte werden durch Anwendung auf Testverteilnetze validiert.

Autorinnen und Autoren

Autorinnen und Autoren

Ferdowsi, Mohsen

Gutachterinnen und Gutachter

Monti, Antonello
Moser, Albert

Identifikationsnummern

  • ISBN: 978-3-942789-46-2
  • REPORT NUMBER: RWTH-2017-07677