Wir starten mit der Annahme, dass die Zukunft der Stromversorgung nicht in den zentralisierten Kraftwerken liegt, sondern in dezentralen Energiepunkten, die durch erneuerbare Energie das Netz versorgen. Dabei können nicht nur Solarfarmen oder Windgeneratoren als Stromversorger dienen, sondern auch die einzelnen Konsumenten mit beispielsweise Solarzellen auf den Dächern von Eigenheimen. Somit werden die Stromverbraucher auch zu den Stromerzeugern. Das könnte vor allem die Probleme mit dem Transport von Strom über größere Distanzen lösen, da Transformation in Hochspannung nicht mehr nötig sein wird.
Natürlich stehen die Stromnetze, die aus erneuerbaren Energie versorgt werden, vor vielen Herausforderungen. Vor allem die Kosteneffizienz und Stabilität muss gewährleistet werden. Die Stromversorgung, welche aus Wind oder Solarenergie entsteht, ist stark von den Wetterbedingungen abhängig und ist somit instabil.
Es soll ein System entwickelt werden, dass die Schwankungen analysiert. Dann wird eine Vorhersage getroffen, ob das System im Moment instabil ist.
Die Sensorik wird die aktuelle Daten liefern und ein Machine Learning (ML) Algorithmus wird entscheiden, ob das System stabil ist oder eine sofortige Korrektur durchgeführt werden muss.
Das für das ML verwendete Dataset beinhaltet 10.000 Daten für die Auswertung der Netztstabilität.
Kurze Erklärung der Attribute:
- Gamma: Preiselastizität von den Energieknoten. Es misst inwieweit ein Stromverbraucher oder Erzeuger bereit ist, seinen Verbrauch oder seine Produktion an die Netzverhältnisse anzupassen
- Tau: Die Anpassung des Energietransfers zwischen Erzeuger und Verbraucher wird eine zeitliche Verschiebung mit sich ziehen. Dieses Attribut stellt dar, wie lange man für die Anpassung benötigt. (Schwankungsanpassung im dezentralem Netz)
- P: Höhe vom Stromverbrauch oder Erzeugung
- Stab/Stabf: Analyse, ob das System stabil oder instabil ist.
Genauere Spezifikation, die aus der Dataset Webseite entnommen wurde:
11 predictive attributes, 1 non-predictive(p1), 2 goal fields:
- tau[x]: reaction time of participant (real from the range [0.5,10]s). Tau1 – the value for electricity producer.
- p[x]: nominal power consumed(negative)/produced(positive)(real). For consumers from the range [-0.5,-2]s^-2; p1 = abs(p2 + p3 + p4)
- g[x]: coefficient (gamma) proportional to price elasticity (real from the range [0.05,1]s^-1). g1 – the value for electricity producer.
- stab: the maximal real part of the characteristic equation root (if positive – the system is linearly unstable)(real)
- stabf: the stability label of the system (categorical: stable/unstable)
Die verschiedenen ML Algorithmen findet man in dem Github Repository.
Paper:
Taming instabilities in power grid networks by decentralized control
- Naiver Bayes – Genauigkeit der Erkennung: 82,56%
- Logistische Regression – Genauigkeit der Erkennung: 80,84% (Entscheidungsgrenze >50%)
- K Nearest Neighbor – Genauigkeit der Erkennung: 80,06%
Weitere folgen…
Neueste Kommentare