Präzise Ergebnisse trotz minimaler Datengrundlage
Abb. 2 Topologische Darstellung des anonymisierten Netzbereichs in der Niederspannungsebene (Quelle für alle Abb.: Die Autoren)
Abb. 3 Ergebnisse der Netzzustandsermittlung des Neuronalen Netzes (NN) und des Extended Kalman Filter (EKF) im Vergleich der Spannungsverläufe über alle Phasen hinweg an einem sonnigen Tag von 12:00 Uhr bis 14:00 Uhr (Quelle für alle Abb.: Die Autoren)
Die Ergebnisse zeigen eine exaktere Identifizierung von Grenzwertverletzungen, wodurch eine verbesserte Netzzustandsermittlung und Überwachung von Spannung in den Niederspannungsnetzen erreicht werden kann. Die Genauigkeit des Neuronalen Netzes sowie des Extended Kalman Filters wird anhand des Root Mean Square Error (RMSE) bewertet. Abb. 3 zeigt die Ergebnisse mit den entsprechenden Spannungsverläufen in den einzelnen Phasen.
Der Vergleich der Ergebnisse der Netzzustandsermittlung zeigt, dass der Extended Kalman-Filter eine höhere Genauigkeit und Robustheit aufweist als das Neuronale Netz, insbesondere bei unvollständigen Daten und Störgrößen, z.B. bei ungeplanten Wartungsarbeiten im Netzgebiet. Ein komplexes topologisches Modell ist bei beiden Verfahren nicht notwendig, was die Implementierung und Wartung der Netzzustandsermittlung deutlich vereinfacht.
Mehrwert und Perspektiven für Netzbetreiber
Die fortschreitende Digitalisierung und der Einsatz intelligenter Plattformen ebnen den Weg für eine präventive Netzsteuerung, die nicht nur auf reaktiven Maßnahmen basiert. Optimierte Algorithmen zur Netzzustandsermittlung bieten Netzbetreibern erhebliche Vorteile bei der Umsetzung. Im Vergleich zu traditionellen Methoden, die oft komplexe Modelle und eine hohe Datendichte erfordern, arbeiten die untersuchten Algorithmen ressourceneffizient. Sie erfüllen die regulatorischen Anforderungen des §14a EnWG, indem sie auf Basis von Echtzeitdaten Netzengpässe erkennen und eine präventive Steuerung ermöglichen. Die Integration von Daten aus iMSys und externen Quellen wie Wetterprognosen wird die Effizienz weiter steigern. Dies macht sie zu einem wichtigen Baustein für den sensorgestützten Ausbau der Niederspannungsnetze. Regulatorische Vorgaben wie §14a EnWG und die Einführung von Redispatch RD2.0 schaffen hierbei den notwendigen Rahmen.
Fazit
Die Netzzustandsermittlung in der Niederspannungsebene ist nicht nur technisch, sondern auch strategisch ein Schlüsselinstrument für die zukünftige Netzführung. Durch die Integration von Echtzeitmessdaten und statischen Netzmodellen sowie die Festlegung standardisierter Grenzwerte für Betriebsmittelüberlastungen können Netzengpässe präzise identifiziert und effektive Maßnahmen frühzeitig eingeleitet werden. Ein vom FNN geplantes Regelwerk wird hierbei einheitliche Standards schaffen, um Prozesse zu harmonisieren und regulatorische Anforderungen effizient umzusetzen.
Für Netzbetreiber zeigen die untersuchten Algorithmen eine erhebliche Reduzierung des Rechenaufwandes bei gleichzeitiger Erhöhung der Beobachtbarkeit. Die untersuchten Ansätze verbessern die Auslastung bestehender Netze, reduzieren den Bedarf an kostenintensiven Ausbaumaßnahmen und schaffen gleichzeitig die notwendige Flexibilität für die Integration dezentraler Energieressourcen.
Mit der Fähigkeit, den Netzbetrieb skalierbarer, effizienter und sicherer zu gestalten, können Netzbetreiber nicht nur regulatorischen Vorgaben gerecht werden, sondern auch neue Geschäftsmodelle entwickeln. Dazu gehören dynamische Laststeuerungen, netzdienliche Tarife und die Bereitstellung von Flexibilitätsoptionen für Marktteilnehmer. Die Netzzustandsermittlung wird somit zu einem zentralen Treiber der Energiewende und ermöglicht den Übergang zu einem digitalisierten, zukunftssicheren Netzbetrieb, der wirtschaftliche Effizienz und Systemsicherheit gleichermaßen gewährleistet.
Quellen
BDEW: Diskussionspapier „Vision Netzbetrieb für die Niederspannung. Ein Impuls der Verteilnetzbetreiber der ProjektgruppeDSO 2.0 im BDEW. Berlin, 9. Februar 2024.
Bundesnetzagentur: Beschluss BK6-24-174 Festlegungsverfahren zur Anpassung der Marktkommunikation zur Realisierung der nach dem Messstellenbetriebsgesetz geforderten Übermittlung von Zählerstandsgängen (Datenübermittlung ZSG).
VDE FNN: Prämissen und erste Erkenntnisse zum standardisierten Vorgehen für die Durchführung von Netzzustandsermittlungen auf Basis von Echtzeit-Messwerten in der Niederspannung, Juni 2024.
A. Eslami et. al., An intelligent technique for harmonic state estimation using limited number of meters. PREE, pages 144–149. IEEE, 2023.
H. Cevallos et. al., Performance of the estimators weighted least square, extended kalman filter, and the particle filter in the dynamic estimation of state variables of electrical power systems. ICA-ACCA, pages 1–6. IEEE, 2018.
A. Taher et. al., State estimation of electrical grids via neural networks. EEEIC / I&CPS Europe, pages 1–5. IEEE, 2023.
Dr. A. F. Raab, Senior Manager, S. Hallmann Perez, Consultant, Wavestone Germany AG, München; Dr. C. Trautwein, Lead Data Scientist, Mitteldeutsche Netzgesellschaft Strom mbH, Halle (Saale); Dr. J. Wagner, Lead Data Scientist, qdive GmbH, München, andreas.raab@wavestone.eu