Zusammenfassung
Bei der Energieübertragung entstehen Netzverluste in den Leitungen und Betriebsmitteln des elektrischen Energiesystems. Die Höhe der Netzverluste ist sowohl von der Netzlast als auch von zahlreichen weiteren Einflussgrößen abhängig. Einen besonderen Einfluss hat dabei die fluktuierende und größtenteils verbrauchsferne Erzeugung durch erneuerbare Energien. Die Übertragungsnetzbetreiber müssen die elektrische Energie zum Ausgleich der Netzverluste im Voraus beschaffen. Um die benötigte Ausgleichsenergie möglichst kostenminimal einzukaufen, ist eine genaue Prognose der Netzverluste notwendig. Im Rahmen des vorliegenden Beitrags wird ein Verfahren vorgestellt, das für die Prognose der Netzverluste im Übertragungsnetz der 50Hertz Transmission GmbH zum Einsatz kommt. Als Modellansatz der Prognosemethode werden Künstliche Neuronale Netze verwendet. Das als Ergebnis der Arbeiten entwickelte Modell für die Netzverlustprognose steigert die Prognosegüte im Vergleich zum bisherigen Modell um sieben Prozent und befindet sich bei 50Hertz seit Juni 2019 im operativen Einsatz.
Abstract
During energy transmission, grid losses occur in the lines and equipment of the electrical energy system. The extent of the grid losses depends both on the grid load and on numerous other influencing variables. The fluctuating and largely consumption-distant-related generation by renewable energies has a special influence. The transmission system operators have to procure the electrical energy to compensate for the grid losses in advance. In order to purchase the required balancing energy at the lowest possible cost, a precise forecast of the grid losses is necessary. In this paper a method is presented which is used for the forecast of the grid losses in the transmission grid of 50Hertz Transmission GmbH. Artificial neural networks are used as a model approach for the prognosis method. The model developed as a result of the work for the grid loss forecast increases the forecast quality by seven percent compared to the previous model and has been in operational use at 50Hertz since June 2019.
Über die Autoren
Dipl.-Ing. Stefan Klaiber ist wissenschaftlicher Mitarbeiter des Fraunhofer IOSB-AST. Hauptarbeitsgebiete: Energieprognosen, Energiedatenmanagement und Modellbildung.
M. Sc. Fabian Bauer ist wissenschaftlicher Mitarbeiter an der Fakultät für Elektrotechnik und Informationstechnik im Fachgebiet Elektrische Energieeinsatzoptimierung an der TU Ilmenau. Forschungsschwerpunkte: Zeitreihenprognosen, Maschinelle Lernverfahren, Datenanalysemethoden.
Univ.-Prof. Dr.-Ing. Peter Bretschneider ist Professor an der Fakultät für Elektrotechnik und Informationstechnik für das Fachgebiet Energieeinsatzoptimierung an der TU Ilmenau und Leiter der Abteilung Energie des Fraunhofer IOSB-AST. Forschungsschwerpunkte: Energiemanagement, Zeitreihenanalyse und Prognose, Optimierung und Betriebsführung in Stromversorgungsnetzen, Smart Grids und Energiemärkte.
Literatur
1. Bundesgesetzblatt, Gesetz über die Elektrizitäts- und Gasversorgung (Energiewirtschaftsgesetz – EnWG), Bundesgesetzblatt, Berlin: 2005.Search in Google Scholar
2. Bundesgesetzblatt, Verordnung über den Zugang zu Elektrizitätsversorgungsnetzen (Stromnetzzugangsverordnung – StromNZV), Bundesgesetzblatt, Berlin: 2017.Search in Google Scholar
3. Bundesnetzagentur, Beschluss zur Festlegung des Ausschreibungsverfahrens für Verlustenergie und des Verfahrens zur Bestimmung der Netzverluste (BK6-08-006), Bundesnetzagentur, Bonn: 21.10.2008.Search in Google Scholar
4. S. Bothor, Prognose von Netzverlusten, Dissertation, Institut für Energiewirtschaft und Rationelle Energieanwendung, Universität Stuttgart, 2019.Search in Google Scholar
5. Pressemitteilung, 50Hertz reduziert Kosten durch den Einsatz Künstlicher Intelligenz, Berlin, 09.12.2019. [Online]. Verfügbar unter: https://www.50hertz.com/de/News/Details/id/6172/50hertz-reduziert-kosten-durch-einsatz-kuenstlicher-intelligenz. [Zugriff am 24.04.2020].Search in Google Scholar
6. VDEW e. V, Netzverluste – Eine Richtlinie für ihre Bewertung und ihre Vermeidung, VWEW Energieverlag, Frankfurt (Main): 1978.Search in Google Scholar
7. D. Oeding, B. R. Oswald, Elektrische Kraftwerke und Netze, 7. Auflage, Springer, Heidelberg: 2011.10.1007/978-3-642-19246-3Search in Google Scholar
8. K. Mehlhorn, J. Kliemt, EW Fachthema – Bestimmung der elektrischen Verluste im Netz eines städtischen Netzbetreibers, 2004.Search in Google Scholar
9. L.Fickert, W. Spitzl, E. Schmautzer, W. Brandauer, Strategien zur Minimierung von Netzverlusten, 6. Internationale Energiewirtschaftstagung an der TU Wien, Wien: 2009.Search in Google Scholar
10. Das 50Hertz-Netz in Zahlen – Strukturmerkmale (Stand 12/2018). [Online]. Verfügbar unter: https://www.50hertz.com/. [Zugriff am 24.04.2020].Search in Google Scholar
11. J. Wernstedt, Experimentelle Prozessanalyse, VEB Verlag Technik, Berlin: 1989.Search in Google Scholar
12. P. J. Brockwell, R. A. Davis, Introduction to Time Series and Forecasting, Springer-Verlag, New York: 1996.10.1007/978-1-4757-2526-1Search in Google Scholar
13. R. Schlittgen, B. Streitberg, Zeitreihenanalyse, 9. Auflage Oldenburg Wissenschaftsverlag, München Wien: 2001.10.1524/9783486710960Search in Google Scholar
14. S. Raschka, Machine Learning mit Python, Mitp Verlag, Frechen: 2017.Search in Google Scholar
15. G. Rey, K. Wendler, Neuronale Netze – Eine Einführung in die Grundlagen, Anwendungen und Datenauswertungen, 3. Auflage, Hogrefe Verlag, Bern: 2018.Search in Google Scholar
16. G. E. P. Box, G. M. Jenkins, G. C. Reinsel, Time Series Analysis – Forecasting and Control, 3. Auflage, Englewood Cliffs, Prentice Hall: 1994.Search in Google Scholar
17. P. Bretschneider, Ein Beitrag zur Vorhersage musterbasierter nichtlinearer stochastischer Signale, Dissertation, Verlag ISLE, Ilmenau: 2002.Search in Google Scholar
18. S. Klaiber, S. Waczowicz, I. Konotop, D. Westermann, R. Mikut, P. Bretschneider, Prognose für preisbeeinflusstes Verbrauchsverhalten, in at – Automatisierungstechnik, Bd. 65, Nr. 3, Seiten 179–188, 2017.10.1515/auto-2016-0125Search in Google Scholar
© 2020 Walter de Gruyter GmbH, Berlin/Boston
