Grid-Aware Sizing and Operation of Distributed Energy Resources

Aufgrund sinkender Kosten und politischer Maßnahmen zur Förderung regenerativer Energiequellen steigt die Anzahl erneuerbarer Erzeugungsanlagen weltweit an. Diese Entwicklung erfordert Investitionen in Verteilnetzinfrastruktur und intelligente Steuerungsmechanismen, welche die schwankende Energieerzeugung kompensieren. Gleichzeitig ist die Quantifizierung dieser Erfordernisse durch die Verteilnetzbetreiber ohne ausreichende Messinstrumentierung unmöglich. Infrastrukturkomponenten, wie Transformatoren, haben eine lange Lebensdauer und sind oftmals nicht mit Kommunikations- oder Messhardware ausgestattet. ... mehrAls Alternative werden Smart Home Geräte mit Hardware zur Spannungsüberwachung an der Steckdose immer populärer. Können in den Netzknoten keine direkten Messungen vorgenommen werden, lassen sich mithilfe eines Feature-Propagation-Algorithmus Pseudo-Messwerte generieren. Damit wird die Spannungsüberwachung über das gesamte Verteilnetz vervollständigt, selbst wenn nicht alle Knoten instrumentiert sind. Mit detaillierten Kenntnissen über Netzengpässe lassen sich dezentrale Energieressourcen DERs auslegen, um das Netz möglichst ökonomisch zu unterstützen. Dieser Planungs- und Steuerungsprozess stellt ein Optimierungsproblem dar, das analytisch oder heuristisch gelöst werden kann, wobei jede Methode eigene Vorteile bietet. Im Rahmen dieses Verfahrens werden iterativ rechenintensive Lastflussberechnungen durchgeführt. Durch den Einsatz von Graph Neural Networks (GNNs) lassen sich diese Berechnungen effizient approximieren. Die Genauigkeit und Effizienz dieser Approximationen hängen von der zugrunde liegenden Architektur des Machine-Learning-Modells ab.
In dieser Dissertation wird die Messgenauigkeit kommerzieller Smart-Plugs untersucht, wobei deren hinreichende Präzision für die Spannungsüberwachung in Verteilnetzen nachgewiesen wird. Ein schneller Feature-Propagation-Algorithmus ergänzt diese Messungen durch Pseudo-Messwerte und vervollständigt so die Netzüberwachung. Durch den Vergleich heuristischer und analytischer Optimierungsansätze für sektorenübergreifende DERs wird gezeigt, dass DER-Komponenten mit linearen Gleichungen in Mixed-Integer Linear Program (MILP)-Modellen präzise analytische Lösungen liefern und zudem effizient berechnet werden können. Ein iterativer Algorithmus passt die Zusammensetzung und den Fahrplan einer sektorenübergreifenden DER an das umgebende Verteilnetz an. Um die Rechenzeit zu verkürzen, werden GNNs eingesetzt, um die Ergebnisse des Algorithmus zu approximieren. Ein in zwei Stufen vortrainiertes Modell, das zunächst die Lastflussberechnungen und anschließend die Algorithmusergebnisse approximiert, wird einem Einstufigen-GNN gegenübergestellt, das als direkter Ersatz für den iterativen Algorithmus dient. Das vortrainierte GNN approximiert den minimalen Leistungsbedarf zur Netzengpassbehebung in allen getesteten Szenarien, einschließlich realer Verteilnetz-Topologien, die nicht Teil der Trainingsdaten waren, mit höherer Genauigkeit als das Cold-Start-Modell.

Due to declining costs and policy measures promoting renewable energy sources, the number of renewable energy systems is increasing worldwide. This development demands investments in distribution grid infrastructure and intelligent control mechanisms that compensate fluctuating energy generation from renewable sources. Simultaneously, quantifying these requirements by distribution system operators is impossible without adequate measurement instrumentation.
Key components, such as transformers, have long life expectancies and are often not equipped with communication or measurement hardware. ... mehrAs an alternative, smart household appliances are increasingly widespread, and some models are equipped with measurement hardware for monitoring the voltage at the socket outlet. For uninstrumented nodes, pseudo-measurements can be generated using a feature propagation algorithm. This completes voltage monitoring across the entire distribution grid. With knowledge of distribution grid voltage levels and congested lines, Distributed Energy Resources (DERs) can be strategically sized and scheduled to support the grid most economically. This planning and dispatch scheduling process constitutes an optimization problem, which may be solved analytically or heuristically with distinct advantages for either approach. As part of this procedure, power flow calculations are performed iteratively, which is computationally intensive. By leveraging Graph Neural Networks (GNNs), the results of such calculations can be efficiently approximated. The accuracy and efficiency of these approximations are highly dependent on the machine learning model’s underlying architecture.
This dissertation investigates the measurement accuracy of widely available smart plugs, demonstrating their sufficient precision for voltage monitoring in distribution grids. A fast feature propagation algorithm supplements these measurements with pseudo-measurements, completing the monitoring across entire distribution grids. Through a comparison of heuristic and analytical optimization approaches for multi-energy DERs, this research establishes that DER components can be accurately described using linear equations in Mixed-Integer Linear Program (MILP) formulations that yield precise analytical solutions and can be computed efficiently. An iterative algorithm adapts the composition and dispatch schedule of a multi-energy DER to the surrounding distribution grid. To accelerate computation, GNNs are employed to infer the algorithm's solutions. A two-stage, pre-trained model that incorporates a first-stage power flow inference model and a second stage that approximates the algorithm's results is compared to a baseline, single-stage GNN that serves as a direct substitute for the iterative algorithm. The pre-trained GNN approximates minimal power requirements for grid congestion mitigation with greater accuracy than the cold-start model in all tested scenarios, including calculations on real-world distribution grid topologies excluded from the training datasets.