Verbundvorhaben: GridCloud - Optimierung des Netzmanagements durch den Einsatz von digitalen Zwillingen, Datenanalyse und künstlicher Intelligenz; Teilvorhaben: SWW Wunsiedel GmbH
Zeitraum
2024-03-01 – 2026-02-28
Bewilligte Summe
169.659,91 EUR
Ausführende Stelle
Förderkennzeichen
03EI6121B
Leistungsplansystematik
Digitalisierung der Energiewende [EB1830]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESI6)
Förderprogramm
Energie
Die Integration der Digital-Twin-Technologie in das Netzmanagement verspricht eine neue Ära der Entscheidungsfähigkeiten für ÜNB/VNB. Mit genauen Dateneinblicken, erweiterten Prognosen, frühzeitiger Anomalieerkennung, Szenariosimulation und optimaler Ressourcenzuweisung können sich Verteilnetzbetreiber sicher und effizient in der dynamischen Energielandschaft bewegen. Ziel des Projekts ist es, die Betriebsplanung in Vertriebsnetzen durch die Einführung einer fortschrittlichen Digital Twin Architecture (DTA) zu revolutionieren, die Data Lakehouse und Datensignale wie Prognosen und Anomalieerkennung nutzt, um Entscheidungsprozesse deutlich zu verbessern. Datengesteuerte Strategien sind entscheidend, um den zuverlässigen und effizienten Betrieb von Verteilnetzen sicherzustellen. Herkömmliche Netzwerkmanagementansätze basieren häufig auf reaktiven Reaktionen auf unvorhergesehene Ereignisse und Nachfrageänderungen. Die vorgeschlagene Architektur versucht, dieses Paradigma zu transformieren, indem Datensignale aktiv genutzt werden, um operative Planungsentscheidungen zu informieren und zu optimieren. Der erste Aspekt des Ansatzes besteht darin, spezifische Datenschwellenwerte für DTA festzulegen. Diese Schwellenwerte können je nach Datenquelle variieren, z. B. Betreiberinfrastrukturdesigns, Komponentensensordaten und Gönnerdaten. Diese Schwellenwerte können je nach Datenquelle variieren, z. B. Betreiberinfrastrukturdesigns, Komponentensensordaten und Gönnerdaten. Durch die Festlegung geeigneter Schwellenwerte können die datengesteuerten Modelle die Ressourcentypen identifizieren und die Eingabedaten in ein standardisiertes Datenformat für DTA umwandeln. Der zweite Teil des Ansatzes nutzt fortschrittliche Methoden der künstlichen Intelligenz und regelbasierte Ansätze, um optimale Datenverwaltung und Datenflusskontrollen zu berechnen. Dabei werden Wirtschaftlichkeit, Datensicherheit und Datenqualität berücksichtigt.