details_view: 13 von 62

 

Verbundvorhaben: TRANSENSE – Transferlernen für KI-Geschäftsmodellinnovationen in digitalisierten, transparenten Verteilnetzen; Teilvorhaben TU Dortmund: Entwicklung einer Simulation as a Service-Architektur für detaillierte Verteilnetzsimulationen on demand

Zeitraum
2020-11-01  –  2024-04-30
Bewilligte Summe
516.263,00 EUR
Ausführende Stelle
Förderkennzeichen
03EI6044B
Leistungsplansystematik
Netzautomatisierung [EB1825]
Verbundvorhaben
01224157/1  –  TRANSENSE
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESI6)
Förderprogramm
Energie
 
Verteilnetze sind das Rückgrat der Energiewende: Der Großteil der erneuerbaren Erzeugung speist hier ein, netzdienlich einsetzbare Großverbraucher sind an sie angeschlossen, sie können zur Bereitstellung von Flexibilität für das Übertragungsnetz genutzt werden und bieten sich für die Anwendung dezentraler Marktkonzepte an. Um Verteilnetze auch zukünftig effizient, zuverlässig und sicher betreiben zu können, muss die Betriebsführung aktiver werden - Schlüsselfaktor: Netztransparenz. Ein vollumfänglicher Ausbau der Sensorik ist zwar machbar, stellt aufgrund des großen Mengengerüsts große Anforderungen an die Datenhaltung und Visualisierung. Eine wirtschaftliche Alternative ist die State Estimation unter Berücksichtigung weniger Messwerte. Insbesondere die Anwendung künstlicher neuronaler Netze (Neural State Estimation) hat großes Potential: Sie liefert höhere Ergebnisgüte als klassische Verfahren bei gleicher Verfügbarkeit von Sensorik und auch bei geringerer Verfügbarkeit sehr gute Ergebnisse. Trainierte neuronale Netze generalisieren lediglich Zustände eines spezifischen Netzmodells. Hier setzt TRANSENSE an: Ziel des Projekts ist die Entwicklung einer übertragbaren Zustandsschätzung, wozu methodisch Transferlernen auf die Neural State Estimation angewendet wird. Diese Transitive Neural State Estimation wird ergänzend durch ein innovatives Verfahren trainiert: Der Trainingsalgorithmus überwacht die statistische Verteilung der Muster und fordert beim Simulator SIMONA diejenigen an, die mit hoher Wahrscheinlichkeit zu einem optimalen Trainingsergebnis führen können (Simulation as a Service). Die Ergebnisse werden in einer leitsystemnahen Offline-Testumgebung mit realitätsnahen Modellen validiert. Um eine zügige Praxisverwertung sicherzustellen, wird das Projekt von einer Analyse möglicher Geschäftsmodellinnovationen in Verteilnetzen mit hoher Netztransparenz begleitet.