Robuste Identifikation und Lokalisierung von Betriebsstörungen in elektrischen Netzen

Infolge des strukturellen Wandels in der Energieversorgung steht der Betrieb elektrischer Netze zukünftig großen Herausforderungen gegenüber. Die dadurch zunehmende Netzbelastung reduziert die verfügbaren dynamischen Reserven und erfordert den Einsatz neuer Steuerungs- und Überwachungssysteme zur Einhaltung eines stabilen und sicheren Netzbetriebs. Die präzise Ortung und Identifikation von Betriebsstörungen auf Basis von PMU-Daten liefert hierzu einen entscheidenden Beitrag und wird über den Einsatz von Klassifikationsverfahren umgesetzt. Mit der rechtzeitigen Erkennung von Betriebsstörungen können geeignete Gegenmaßnahmen von der Netzbetriebsführung eingeleitet und somit kritische Betriebssituationen vermieden werden. Wesentliche Fragestellung der Robustheit der Klassifikationsverfahren werden derzeit nur unzureichend untersucht und verhindern einen flächendeckenden Einsatz derartiger Überwachungslösungen in Netzleitsystemen. Fehlerhaft klassifizierte Betriebsstörungen und somit falsch ausgelöste Gegenmaßnahmen können zu weitreichenden Konsequenzen in der Netzbetriebsführung führen und die Versorgungssituation unter Umständen stark gefährden.
Innerhalb dieser Arbeit wird die PMU-basierte Klassifikation von Betriebsstörungen daher weitergehend betrachtet und die Auswirkungen von Messfehlern, unbekannten Betriebsstörungen und unbekannten Arbeitspunkten als zusätzliche Störgrößen untersucht. Dazu wird ein neues Klassifikationsverfahren, siamesische Sigmoid-Netze, unter Verwendung rekurrenter neuronaler Netze vorgestellt, welches gegenüber konventionellen Ansätzen zu besseren Klassifikationsergebnissen insbesondere in der Modellanwendung führt. Dies basiert auf verschiedenen Erweiterungen (u.a. Attention-Modelle, das Erlernen klassenabhängiger Grenzdistanzen und Randbereiche, Sampling mit mehrfachen Negativbeispielen), welche für den Entwurf und das Training siamesischer Sigmoid-Netze eingeführt werden. Für die Evaluation der Klassifikationsverfahren werden umfassende Fallstudien auf Basis eines simulierten Übertragungsnetzes durchgeführt, welche den Einfluss der Störgrößen auf die Klassifikationsergebnisse unter Hinzunahme mehrerer Benchmarkmodelle untersuchen.