MA – Untersuchung von Stabilitäts- und Fehlerszenarien in Gleichstromnetzen durch KI-Verfahren

Untersuchung von Stabilitäts- und Fehlerszenarien in Gleichstromnetzen durch KI-Verfahren

Kurzzusammenfassung

Effizientere und leistungsfähigere Technologien auf dem Feld der erneuerbaren Energien und der Leistungsfähigkeit von Computern haben zu neuen Möglichkeiten im Bereich elektrischer Energiesysteme geführt. Ein Beispiel dafür ist der verstärkte Einsatz von DC – Netzen durch den Ausbau von erneuerbaren Energien, wie Photovoltaik- Anlagen und Windparks, die mit intelligenten Batteriespeicherkonzepten zur Netzbalancierung verbunden werden [1]. Ein Teil davon wird durch Niederspannungsgleichstromnetze repräsentiert, die in aktuellen Forschungen und Anwendungen untersucht, eingesetzt und weiter optimiert werden [2] [3]. Eine Ausweitung des Einsatzes von DC-Netzen von der Verteilnetzebene auf das Übertragungsnetz bietet dabei Möglichkeiten die Energieeffizienz, durch Einsparung von Energieumwandlungsprozessen, weiter zu erhöhen. Ein weiteres Beispiel für neue Entwicklungen im Bereich elektrischer Energiesysteme ist der steigende Anteil intelligenter Netze und der Einsatz von Methoden der künstlichen Intelligenz (KI-Methoden) in diesem Segment. In aktuellen Forschungen wurden bereits neuronale Netze zur Fehlerdetektion oder Optimierung von Steuerkennlinien eingesetzt [4] [5]. Dabei ist vor allem das Thema Stabilitäts- und Fehlerbetrachtung in DC-Netzen durch die im Vergleich zur AC-Stromversorgung fehlenden Nulldurchgänge von Relevanz. Der Grund hierfür ist, dass die mechanische Trennung angeschlossener Lasten, die in der Praxis nach Möglichkeit im Spannungs- oder Stromnulldurchgang erfolgt, deutlich erschwert ist. In Gleichstromnetzen kann es im Fall mechanischer Trennungen zu Lichtbogenbildungen kommen, die sicher erkannt und abgeschaltet werden müssen. Die Arbeit an stabilen und zuverlässigen Betriebskonzepten nimmt unter anderem deshalb einen Großteil der Zeit für Entwicklung und Implementierung ein. Der Einsatz von Algorithmen und Methoden aus dem Bereich der KI bietet dabei großes Potenzial, diese Zeit zu reduzieren und die Effizienz elektrischer Netze weiter zu erhöhen. Da der Einsatz von KI-Methoden zur Stabilitätsberechnung und Fehlererkennung noch nicht in großem Ausmaß Anwendung in Niederspannungsgleichstromnetzen gefunden hat, wird die Verwendung von KI-Verfahren zur Stabilitätsanalyse und potenziellen Optimierung als Schwerpunkt im Rahmen der folgenden Arbeit behandelt. Dabei liegt der Fokus auf der Verwendung einer Kleinsignalanalyse zur Stabilitätsberechnung im Frequenzbereich und der optimalen Neuauslegung bzw. Optimierung von bestehenden Netzen. Es wird zudem ein Einblick in das zugehörige Großsignalverhalten geliefert und mögliche weitere Schritte in diese Richtung erläutert. Dabei werden KI-Algorithmen, aus dem Bereich der Entscheidungsbäume, über die Auswertung der Stabilität eines Schaltungsmodells in LT-SPICE angelernt und anschließend die Vorhersage der Netzstabilität für unbekannte Kombinationen von Netzparametern untersucht. Diese Untersuchungen sollen in weiterführenden Arbeiten unter Verwendung des PRBS-Verfahrens aus [2] an einem realen DC-Teststand verifiziert und für den praktischen Einsatz optimiert werden. Der Fokus wird aufgrund der guten Automatisierbarkeit der Stabilitätsauswertung auf der Auswertung des Minor-Loop Gain gelegt. Die mit den Algorithmen durchführbare Quantifizierung der Variableneinflüsse bestätigt dabei, den in Schwingkreisen oft zu sehenden Zusammenhang von Leitungslängen und Kapazitäten als Haupteinflussmerkmalen auf die Stabilität eines DC-Netzes, ohne dieses Wissen explizit zu benötigen. In diesem Zusammenhang wurde die Sicherung einer Mindestgröße der Kapazität aus den vorausgegangenen Untersuchungen der Dissertation [2] auf anderem Wege bestätigt. Weiterhin wird ein Optimierungsansatz zur Parametrierung neuer Netze über ein bestehendes Modell aufgezeigt. Auch der Lastbereich II in [2, p. 168] in dem es zu einer Überlappung der Steuerkennlinien kommt, konnte als stabilitätskritischer Einfluss im Frequenzbereich ebenso wie im Falle transienter Betrachtungen statistisch untermauert werden. Die Ergebnisse der Arbeit liefern einen Ansatz wie neue Netze möglichst stabil ausgelegt und bestehende Netze, auf falsch eingebaute Komponenten oder fehlerhafte Parametrierungen, untersucht werden können. Die Ergebnisse der Arbeit zeigen zudem Ansatzpunkte für weitere Optimierungen des Verfahrens und neue Entwicklungen von KI-Anwendungen für DC-Netze auf.

Abstract

More efficient and powerful technologies in the field of renewable energies in addition to the developments of modern computer systems lead to new possibilities and purposes to set up electric energy systems. One approach therefore is the use of dc grids in combination with battery concepts to ensure a better energy distribution in systems with photovoltaic and wind farms [1]. One kind of DC grids is represented by the low voltage DC grids(LVDC) which became more famous in the area of research and public applications over the last years [2, 3]. An expansion of LVDC-grids to the transmission grid compromises great opportunities to increase the energy efficiency in electric grids by economize the energy conversion steps between AC- and DC-levels. Additionally, to that redevelopments there is an increasing number of intelligent grids which use artificial intelligence (AI) to ensure a more efficient and save operation. In current researches there were used neuronal networks to detect faults and optimize load-flow characteristic curves for example [4] [5]. Especially the topics of fault detection and ensuring stability are a main problem in DC grids. The lack of zero crossings in DC grids makes it difficult to do mechanic separations. Because of that its typical that electric arcs occur when a separation is done. Separators must deal with that problems in practise which increases costs and design expenditure. The work to develop stable and reliable operation concepts require a high proportion of an implementation when a new grid will be set up. This brings great potential to reduce the required time and effort by using AI-methods. Because there is only little usage to calculate stability and detect faults under use of AI this will be one case beneath optimization strategies of already implemented grids. The focus therefore is set on calculating the small signal stability in the frequency area and optimizing grids which are set up wrong. Further it will give you a short insight to the associated large-signal behaviour and show you some further steps how future works could be set up. These steps will be done by using AI-algorithms out of the area of decision trees and train them with the stability calculations of a special LT-SPICE circuit. The trained models will then be tested on unknown grid combinations. In future work the results should than be examined at the real DC test set-up under use of a PRBS measurement which was first applied in [2]. To calculate stability the so-called Minor-Loop Gain will be evaluated because of the good opportunities in the field of automation. By giving a short insight on the results of the done simulations, the quantification of variable importance approves the well-known context between capacities and cable length out of the field of electrical engineering as main influences on stability. Further it determines the approach of [2] which states that a minimum capacity ensures a more stable system. Another result of this work is an attempt how an implemented grid could be optimized to increase stability as well as the approval of the high influence of the working point. Therefore, this work shows an attempt how new grids can be implemented as well as possible and even how already implemented grids with wrong components could increase their stability. Further works based on the generated results can additionally optimize the implemented strategies as well as creating new AI-operations based on these results.

Bearbeiter: Andre Meier

Betreuer: Dr. Georg Roeder (Fraunhofer IISB) – Telefon: 09131-761234; Email: Georg.Roeder@iisb.fraunhofer.de;

Leopold Ott (Fraunhofer IISB) – Telefon: 09131-761363; Email: Leopold.Ott@iisb.fraunhofer.de;

Martin Schellenberger (Fraunhofer IISB) – Telefon: 09131-761222; Email: Martin.Schellenberger@iisb.fraunhofer.de

Für Studienfächer: EEI

Verantwortlicher: Prof. Dr.-Ing. Martin März