Adaptive Modellierung und echtzeitfähige Identifikation von transkontinentalen Energiesystemen
Electrical Energy Systems, Power Management, Power Electronics, Electrical Machines and Drives
Final Report Abstract
Durch die steigende Komplexität europäischer Verbundnetze, wird es zunehmend herausfordernder einen sicheren Systembetrieb zu gewährleisten. Dies ist vor allem aufgrund der zunehmenden Integration erneuerbarer Energien und der damit verbundenen Anforderungen zu beobachten. Das Teilprojekt „Adaptive Modellierung und echtzeitfähige Identifikation von transkontinentalen Energieübertragungssystemen“ beschäftigte sich mit simulierten und realen Messwerten von Energiesystemen und analysierte deren Wechselwirkungen hinsichtlich der eingesetzten Netzarchitekturen und der entstandenen Beanspruchungen. Hierfür wurden Modelle erstellt, welche unterschiedliche Strukturen hervorheben: Eine stochastische Netzmodellierung berücksichtigt als zufällig anzusehende Einflüsse, was bisher nicht oder nur in einfachen Verfahren (etwa mittels Simulation unabhängig normalverteilter Zufallsgrößen) durchgeführt wurde. Dabei stellten sich Abweichungen von Erzeuger- und Verbraucher-Prognosen als wesentliches Element von Sicherheitssystemen heraus. Andere Aspekte des Netzverhaltens konnten durch weitere Modelle abgebildet werden: Ein Differentialgleichungsmodell aus der ersten Phase dieser Forschergruppe diente als Grundlage, um eine Messstellenanalyse durchzuführen. Dabei wurde die Prognose von Kennwerten mehrerer Netzknoten durch die Werte anderer Knoten optimiert. Genetische Algorithmen erwiesen sich für diese Fragestellung sowohl als eine weiter optimierbare Lösung als auch als die am besten geeignete Methodik. Der Algorithmus zur effizienten globalen Optimierung (EGO) wurde mittels eines neuen Kriteriums auf die Suche lokaler Optima ausgerichtet. Die lokalen Optima werden in einer energietechnischen Simulation als objektive Testszenarien interpretiert. Für das untersuchte Energienetz sind diese Testszenarien mit den größten Herausforderungen verbunden und decken damit Schwachstellen effizient auf. Als ebenfalls nicht hinreichend stellten sich Standardverfahren bei der Erstellung von Kontrollkarten zur Überwachung eines Energienetzes heraus. Am Beispiel der Netzfrequenz als Kennzahl ist eine neue Vorgehensweise entwickelt worden, welche das Verhältnis zwischen den (möglichst großen) Zeiten zwischen zwei falschen Alarmen einerseits und der (möglichst kleinen) Zeit zwischen einer Netzstörung und der resultierenden Alarmierung optimiert. Neben dem Nutzen für die Alarmgebung als Selbstzweck der Kontrollkarte, kann die abgeleitete statistische Größe auch als Modell eines „gutartigen Netzzustandes“ aufgefasst werden. Um nach einer Alarmierung schnelle und valide Regelentscheidungen treffen zu können, ist ein Proaktives Clustering des Netzes ein unausweichliches Hilfsmittel. Clustering dient zur Klassifizierung und Aggregation großer Netze und bildet den wichtigsten Baustein einer beabsichtigten Netzunterteilung/Inselnetzbildung (Controlled Islanding). Die Netzaggregation ist aufgrund des großen Netzinformationsgehalts, gestärkt durch regionale und interkontinentale Verbindungen, von immenser Bedeutung. Die durch das proaktive Clustering gewonnen Erkenntnisse sind essentiell, um die Bedingungen einer Inselnetzbildung zu schaffen, welche die Netzstabilität im Weitbereich (wide-area) bewahren soll. Eine Inselnetzbildung ist als letzte Gegenmaßnahme zu sehen, welche einen kaskadierenden und flächendeckenden Black-Out verhindern soll, in dem das Gesamtnetz in ähnlich strukturierte und bilanziell zusammenhängende Regionen unterteilt wird. In der ersten Projektphase wurde das Clustering auf Basis von Admittanzmatrizen der Übertragungsleitungen mittels Spectral Clustering durchgeführt. Das Clustering auf Basis einer ARMAX9-Modellierung wurde zur dynamischen Zuweisung eingesetzt und zeigte Ähnlichkeiten zwischen physikalisch unverbundenen Netzknoten. In der zweiten Projektphase sollten beide Clusterverfahren kombiniert werden, um ein physikalisch motiviertes Modell zu realisieren. Dabei wurde das proaktive Verfahren mittels Spectral Clustering mit dynamischen Daten (Leistungsflüssen) durch eine Fuzzy-Logik erweitert, welche die Clusterunsicherheiten berücksichtigt. Als Kandidat zur Kombination von beiden Konzepten hat sich ein neuer Ansatz durchgesetzt, welcher neben dem dynamischen Teil der Informationen (Leistungsflüsse und Generatorkohärenz) die physikalische Konnektivität der Netzknoten basierend auf den Leitungsimpedanzen berücksichtigt. Die Aggregation großer Netze erfolgte mit Hinblick auf die Güte der Systembeschreibung in Abhängigkeit vom jeweiligen Abstraktionsgrad. Die Tatsache der Erforschung physikalischer Netzknoten, welche dem gängigen und praktischen Forschungsrahmen entspricht führte dazu, dass die Einführung virtueller Kanten in diesem Kontext verworfen wurde, da diese für die gedachte Beschreibung niederfrequenter Schwingung aufgrund fehlende regionsbezogene Generatorkohärenz ungeeignet war. In der zweiten Phase des Projekts wurde das Spectral Clustering erweitert, um Knoteninformationen einbeziehen zu können. Diese Erweiterung erlaubt es, das Netz basierend nicht nur auf Leistungsflüssen entlang der Übertragungsleitungen, sondern auch durch die Einbeziehung von wichtigen Knoteninformationen im Clusterprozess zu klassifizieren und unterzuteilen. Dadurch konnte die Kohärenz der Generatoren im Netz berücksichtigt und analysiert werden. Im Laufe der Forschung hat sich ein messwertbasierter Algorithmus durchgesetzt, welcher das Clustering-Problem dynamisch und echtzeitnah löst. Das Übertragungsnetz wird basierend auf der momentanen Netzsituation bei Berücksichtigung der letzten gültigen Daten über ein Zeitfenster in ähnliche und kohärente Netzgebiete unterteilt. Daraufhin wurde anschließend ein Ersatzmodell für jedes kohärente Gebiet entwickelt und ein Gesamtmodell aus den einzelnen Ersatzmodellen zusammengesetzt. Mit diesem messwertbasierten Ersatzmodell konnten die niederfrequenten Schwingungen im Netz online geschätzt werden. Ein Vergleich mit der Lösung durch die hochdetaillierte und rechenaufwendige Modalanalyse ergab sich ein Modellierungsfehler von 3,5%, was jedoch aufgrund der Natur und der Dauer der niederfrequenter Schwingungen von geringem Einfluss ist, mit dem Vorteil des geringen Rechenaufwands sowie der Echtzeittauglichkeit beim entwickelten Ersatzmodell.
Publications
-
“Application of fuzzy c-means for proactive clustering of electrical power systems,” in 2016 IEEE 16th International Conference on Data Mining Workshops (ICDMW), pp. 382–389, Dec 2016
M. Abdallatif, S. Schramm, and J. Götze
-
Assessment of Cut-Sets for Generator Coherency based Power System Islanding Approaches, IEEE Innovative Smart Grid Technologies – Asia (ISGT-Asia), 2017
M. Abdallatif, A. Kubis, S. Schramm, J. Götze, C. Rehtanz
-
“Predicting measurements at unobserved locations in an electrical transmission system” in Comput Stat, 2017
D. Surmann, U. Ligges, C. Weihs
-
Infill Criterion for Multimodal Model-Based Optimisation
D. Surmann, U. Ligges, C. Weihs
-
“Adequacy of generator coherency for online islanding of transmission power systems,” 2018, in press
Abdallatif, M. Küch, S. Schramm, J. Götze, and C. Rehtanz
-
“Sensitivity Analysis of Ordinary Differential Equantion Models” in Eldorado, Sammlung der DFG-Forschergruppe: Schutzund Leittechnik zur zuverlässigen und sicheren Energieübertragung
F. Weber, S. Theers, D. Surmann, U. Ligges, C.Weihs
-
“Zur Quantifizierung des Normalverteilungsgrades” in Eldorado, Sammlung der DFG-Forschergruppe: Schutz- und Leittechnik zur zuverlässigen und sicheren Energieübertragung
C. Langesberg, U. Ligges, C. Weihs
-
“Zur Verteilungs-Konvergenz von gleitenden Mittelwerten” in Eldorado, Sammlung der DFG-Forschergruppe: Schutz- und Leittechnik zur zuverlässigen und sicheren Energieübertragung,
C. Langesberg, U. Ligges, C. Weihs
