RT21 | Analyse der transienten Stabilität nahezu in Echtzeit unter Verwendung eines Deep-Learning-Ansatzes

Der digitale Zwilling ist einer der vielversprechendsten Ansätze, der datengesteuerte Technologien zur Realisierung von Nahe-Echtzeit-Lösungen für komplexe Systeme wie Energiesysteme ermöglicht. Ein Ansatz des digitalen Zwillings besteht darin, die Dynamik oder Physik eines komplexen Systems durch ein Modell des maschinellen Lernens zu ersetzen, das Echtzeit-Sensordaten aus dem Netzwerk nutzt. Ein auf den Daten von Sensor-und Datenfusion basierendes Modell des maschinellen Lernens für die Dynamik oder Physik kann zur Durchführung von Stabilitätsanalysen verwendet werden, wodurch der Rechenaufwand erheblich reduziert wird. Darüber hinaus kann ein Modell des maschinellen Lernens parallel an ein bestehendes komplexes dynamisches System angebunden werden, was eine Echtzeit-Interaktion mit Rückkopplung im geschlossenen Regelkreis und damit das Konzept des digitalen Zwillings ermöglicht. In diesem Vortrag stellen wir Deep-Learning-Ansätze zur Durchführung einer transienten Stabilitätsanalyse eines Stromnetzes vor. In modernen Stromnetzen kommen Phasormesseinheiten (PMUs) zum Einsatz, die eine Online-Überwachung der Dynamik anhand direkter Variablen wie Spannung und Phasenwinkel ermöglichen. Daher können PMU-Daten als das Stromnetz betrachtet werden