EP2864943A1 - Verfahren zum betreiben eines versorgungsnetzwerks und versorgungsnetzwerk - Google Patents

Verfahren zum betreiben eines versorgungsnetzwerks und versorgungsnetzwerk

Info

Publication number
EP2864943A1
EP2864943A1 EP13730229.5A EP13730229A EP2864943A1 EP 2864943 A1 EP2864943 A1 EP 2864943A1 EP 13730229 A EP13730229 A EP 13730229A EP 2864943 A1 EP2864943 A1 EP 2864943A1
Authority
EP
European Patent Office
Prior art keywords
network
resource
network units
units
supply network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP13730229.5A
Other languages
English (en)
French (fr)
Inventor
Florian Steinke
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of EP2864943A1 publication Critical patent/EP2864943A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
    • G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
    • G05F1/66—Regulating electric power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J4/00—Circuit arrangements for mains or distribution networks not specified as ac or dc
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Definitions

  • the present invention relates to a method for Operator Op ben ⁇ a supply network, such as a Ener ⁇ giessensnetzwerks with generators and consumers.
  • a supply network such as a Ener ⁇ giessensnetzwerks with generators and consumers.
  • a cost-effective deployment planning of the existing power plants is desired.
  • a large number of individual energy producers have to be activated, ie driven up and down, and their entry into the network estimated.
  • the need for energy for consumers must be plausibly estimated.
  • an effi possible ⁇ ente utilization should take place in particular the use of energy and of on-the network distribution of the resource.
  • corresponding cost functions for the network nodes or network units in the supply network are created and linked to a target function.
  • a method for operating a supply network for a resource with a plurality of network units wel ⁇ che generate the resource or consume.
  • the network units are coupled to exchange the resource.
  • the method comprises:
  • the marginalization involves minimizing the total cost function over the resource flow parameters, the cost functions being considered as logarithms of local potentials of an undirected graphical model. Furthermore, marginalization may also mean forming a boundary value distribution for the cost functions interpreted as a probability distribution. Furthermore, a supply network for a resource comprising several network units is proposed. The network entities generate or consume the resource and are coupled together to exchange the resource. The supply network is set up to carry out a corresponding procedure for triggering and providing deployment planning for the network facilities.
  • the method or the supply network makes it possible, in particular, to operate a supply network efficiently with controllable network units.
  • the resulting objective function or total cost function of the utility network can be expressed, for example, as a sum of local terms describing the characteristics of the individual network units.
  • the cost functions in particular couple with one another through a next adjacent link, which is described by the respective resource flow parameter.
  • This allows the application of methods for undirected graphical models for use, for example, in the deployment planning of power plants in utility networks. It is thus proposed to model and thus to solve statistical costs and objective functions usually considered in the context of nonlinear optimization methods in the context of graphical models. As a result, the computational effort is minimized ⁇ Lich, so that a low-cost operation of supply networks can be done.
  • a state estimation for the supply network can be made cost-effectively
  • the resource can be energy, such as electrical energy, but also resources other than commodities. It may, for example, be an energy source such as gas or oil. It is also conceivable that the resource is computing time or computing power in computer networks. Intermediate products in a production network can also be considered as a resource.
  • a supply network can be understood in particular as: a power supply network, gas supply network, but also building management systems or networks of automation technology.
  • gases such as noble gases or compressed air
  • Each is desirable to find ⁇ a global minimum of the total cost function.
  • the network units are, for example, power generators or consumers, such as different Kraftwer ⁇ ke, depending on their energy or power generation processes have different cost functions. It is possible to describe the flow of the resource, such as the stream, by resource flow parameters. For example, in a power network in the usual DC approximation of the flow equation, the current phase of a respective network unit can be used as a resource flow parameter.
  • minimizing the overall cost function further includes:
  • the optimization method is chosen in particular from one of the groups of optimization methods, which comprises: Belief propagation, Loopy Belief propagation and Junction Tree algorithm.
  • Loops of multiple network devices but the network has a tree structure.
  • actually present couplings or connections for the exchange of resources can be approximated or estimated. It is possible to approximate any real network topology, which also contains loops, into a tree structure.
  • an application of marginalization or optimization methods in the field of graphical models can, however, also take place directly on networks which do not have a tree structure.
  • the feed network is configured such or modeled, that a respective network unit preferential ⁇ example with less than is coupled to a predetermined maximum number of adjacent network devices.
  • each network unit has a maximum of three adjacent network units to which it is coupled.
  • the process steps to be ⁇ organize and minimizing for creating a Netzechs- scheduling a predetermined time for a plurality of Time points performed in the period. For example, ⁇ the determined resource consumption for at least a selection of network entities in the supply network for the predetermined time period or estimated. Forecasts for the consumption of resources, such as electricity, can be created and corresponding cost functions generated on a time-dependent basis. Overall, the optimization process may gradually, so several times, performed in the prog ⁇ to nostilingerden or controlled period advertising to. As a result of the process, values are then provided for the power generation of the power plants in the utility network.
  • the cost function (c ⁇ ) of a respective network unit is preferably successively minimized by taking into account the additional network units coupled directly to the network unit via the resource flow parameters.
  • the cost functions of the network units and locally calculable cost coupling terms are individually minimized via the resource flow parameters assigned to the respective network unit and the adjacent network units.
  • the cost coupling terms can be calculated locally and the cost functions are then locally minimized.
  • the cost functions include, in particular, non-linear components in the resource flow parameters.
  • non-linear components in the resource flow parameters.
  • the efficiency of a corresponding power plant as a network unit can depend heavily on the load.
  • the network entities are controlled in dependence on the resource flow parameters.
  • determining sets of resource flow parameters, tern which achieve the lowest possible total cost function, can be determined, for example, in electrical supply networks, energy production or consumption of the individual network facilities.
  • the Kostenfunktio ⁇ NEN local cost functions which depends solely on the resource record or resource consumption of the network unit and / or the resource flow parameters of the network entity and the network entity with the direct-coupled further network units.
  • the resource is in particular electrical ⁇ specific energy and resource record or resource consumption, an electric power of a network unit.
  • the exchange of a resource takes place, for example, via electrical current, wherein the resource flow parameter is a phase angle of a current in or out of the respective network unit from or into the supply network.
  • a computer program product such as a computer program means can be used, for example, as a storage medium, such as a memory card, USB stick, CD-ROM, DVD or even in the form of a
  • downloadable file from a server on a network. This can be done, for example, in a wireless communication network by the transmission of a corresponding file with the computer program product or the computer program means.
  • program- Controlled device is in particular a Steuereinrich ⁇ tion, such as a host computer for use planning of network units in a supply network in question.
  • a data carrier is provided with a stored computer program comprising instructions which causes the execution of a process corresponding to a programmge ⁇ controlled device.
  • Other possible implementations of the invention include not explicitly mentioned combinations of above or below with respect to the embodiments described method steps, features or embodiments of the Ver ⁇ driving or of the supply network.
  • the person skilled in the art will also add or modify individual aspects as improvements or additions to the respective basic form of the invention.
  • Figure 1 is a schematic representation of anwhosbei ⁇ game for a supply network with network units.
  • FIG. 2 shows a representation of a possible cost function for a generator as a network unit
  • Fig. 3 shows an illustration of a possible cost function for a consumer as a network unit
  • Fig. 4 is a schematic representation of another embodiment of a supply network with network units.
  • Fig. 1 shows a schematic representation of an exporting ⁇ approximately example of a supply network with power units.
  • the supply network 100 has this network units 1 to 11, for example, energy sources and energy sinks entspre ⁇ chen. That is, in an electrical supply network in particular are current consumers, but also power generators, such as power plants.
  • the subscribers of the supply network 100 referred to as network units or also nodes 1 to 11, are coupled to one another, for example via lines which are illustrated with edges in FIG.
  • the network unit 1 may be a consumer, such as a factory, coupled via the network node 3 to the remaining network nodes 2-11 present in the network 100.
  • the edges represent that the resource to be distributed, such as electricity, can flow.
  • the supply network is an electrical power supply network.
  • the resource is electrical energy, which is transmitted via electrical power in the network via lines with which the participants, ie
  • FIG. 2 shows one possible form of a cost function c ⁇ for an energy-generating device.
  • a current generation yi is plotted in arbitrary units, and on the Y-axis in arbitrary units a corresponding cost function c ⁇ (y ⁇ ).
  • the cost function is not constant between a minimum with a minimum power generation Prain and a maximum power generation P max .
  • a nonlinear form of the cost function c ⁇ (y ⁇ ) results.
  • each power generator is allocated a corresponding cost function in the network 100th Fig.
  • FIG. 3 shows a cost function for a consumer in the utility network.
  • D is also called Demand.
  • the energy input or the energy consumption from the current phase present at the node can be determined on the basis of continuity equations at each network node, ie every producer or consumer in the network, using a known DC approximation of the load flow equations. From the sum of the cost functions for all network nodes or power consumers or power generators results in a target function or total cost function for the network at a given time. It is now desired to minimize this objective function in order to determine the most favorable operating parameters, that is to say current consumers and power generators, for example in the context of phase angles. This results in a particularly favorable utilization of the network infrastructure. structure and a minimum effort for all network participants.
  • FIG. 4 shows a supply network 101 which, for example, distributes electrical energy.
  • the node 1 is coupled to the node 2.
  • the node 2 is coupled to the node 1, the node 5 and the node 3.
  • the node 3 is coupled to the node 2 and the node 4, the node 4 is coupled only to the node 3.
  • the node 5 is coupled to the node 2 and the node 6, and the node 6 is coupled to the node 5 only.
  • the nodes can be power-feeding network units or power-consuming network units.
  • the desired optimization is to find a global minimum of the following expression:
  • Equation 1 Equation 1 where c ⁇ stands for the respective cost function of the i-th
  • phase angle ⁇ ⁇ corresponds to a resource flow parameter which, in the case of a power supply network, determines the inflow and / or outflow of electrical current in the power supply network.
  • the edges or coupling lungs between the nodes can be understood as power lines.
  • Equation 2 Due to the locality of the interaction of the nodes with each other, equation 2 can be simplified.
  • bab Equation 2 can be written as follows: min ⁇ 1 ( ⁇ 1 , ⁇ 2 ) + min ⁇ 1 ( ⁇ 1 , ⁇ 2 , ⁇ 3 , ⁇ 5 ) + min [c 3 ( ⁇ 2 , ⁇ 3 , ⁇ 4 ) + c 4 ( ⁇ 3 , ⁇ 4 )] + ⁇ 1 , ⁇ 2 ⁇ 3 , ⁇ 5 ⁇ 4
  • Equation 3 The local cost coupling terms ⁇ j are determined as follows:
  • ⁇ * arg min 5i min c i (5 i , ⁇ ., ⁇ ⁇ ) + ⁇ ⁇ ( ⁇ ⁇ , ⁇ ⁇
  • a count of the possible combinations can be made at a respective node in order to determine the most favorable ⁇ ,,, ⁇ .
  • the optimization of a corresponding constructed because of local cost functions, the power supply network and the necessary computing power ⁇ increase only linearly with the number of present in the network node.
  • Each edge in the network is considered at most twice, for example, the edge or coupling between nodes 3 and 4 is taken into account only to compute m 34 and m 43 .
  • the net topology is preferably constructed in the manner of a tree, ie there are no closed loops. In principle, an exact optimization solution for a corresponding supply network can then be found.
  • Equation 2 the objective or total cost function for a corresponding utility network, as indicated in Equation 2, can be mapped to a graphical model.
  • stochastic methods for determining a maximum likelihood are known as an optimization task.
  • the algorithm shown is the most ⁇ th statistical methods "belief propagation".
  • a probability function for a non-directed graphical model is given, which in local potentials
  • p is a probability function
  • ⁇ are the local potentials
  • xi random variables.
  • MRF Markoff Random Field
  • a simple solution for minimizing the objective function ie the total cost function
  • the power stations or nodes can be activated accordingly, or deactivated so that IMP EXP ⁇ including an optimal operation of the Supply network.
  • the optimization task for the supply network of FIG. 4 can use an algorithm tree of the OWM MATLAB toolbox for the simulation program MATLAB.
  • a method of Belief Propagation is used.
  • the transfer into a tree structure of the supply network allows the use of known algorithms for optimization, such as Belief propagation.
  • the following algorithms of the OWM MATLAB Toolbox which can be accessed at http://www.di.ens.fr/ ⁇ mschmidt/Software/UGM.html, may be mentioned which can be used.
  • NEN Junction (an exact decoding graph with tree structure) LBP (an approximate decoding based on maximum-Product-loopy belief propagation), TRBP (a ge ⁇ approached decoding Max Product tree re-weighted Belief Propagation) Linprog (approximate decoding using linear programmed relaxation).
  • Possible cost functions c ⁇ for the network units 1 - 6 of the network 101 shown in FIG. 4 are, for example:
  • a simplified optimization task results from the mapping of the objective function or overall cost function of a supply network with the next neighbor coupling to an undirected graphic model.
  • the complexity increases only linearly with the number of nodes used in the network.
  • Conventional optimization methods usually become exponentially complex. If no loops are provided in the network, but one
  • Tree structure is present, there is a global optimal solution Lö ⁇ .
  • an assessment of the state of affairs can be carried out as an alternative to minimizing the cost function by means of optimization.
  • locally measured resource streams can be used to determine in the context ei ⁇ nes Marginalleitersvons for undirected graphical models the state of the supply network.
  • the boundary value distribution for each unknown resource flow parameter is determined in each case by averaging out of the remaining free variables of the probability model defined by the cost function.
  • An application of the state estimation is, for example, in the presence of power plants that do not provide real-time data for their power supply in power grids. For example, supply solar power plants depending on the radiation intensity different services, leading to variie ⁇ Governing tensions in the net.
  • a state estimate the probability for critical stress conditions provide in the supply network, for example, depending on the measured currents to be ⁇ knew nodes.

Abstract

Es wird ein Verfahren zum Betreiben eines Versorgungsnetzwerks mit Netzwerkeinheiten, die eine Ressource bereitstellen oder verbrauchen beschrieben. Kostenfunktionen der Netzeinheiten werden dabei auf lokale Potenziale eines ungerichteten grafischen Modells abgebildet. Marginalisierungsverfahren oder Optimierungsverfahren, wie Belief Propagation für stochastische Interferenz minimieren eine Gesamtkostenfunktion zur Steuerung der Netzeinheiten. Ferner wird ein Versorgungsnetzwerk mit Netzeinheiten beschrieben, welches entsprechend betrieben wird. Das vorgeschlagene Verfahren ermöglicht beispielsweise eine Einsatzplanung von Kraftwerken als Netzeinheiten in einem Energieversorgungsnetzwerk einfach zu bestimmen. Es werden auch Zustandsschätzungen für Netzwerke ermöglicht.

Description

Beschreibung
Verfahren zum Betreiben eines Versorgungsnetzwerks und Ver¬ sorgungsnetzwerk
Die vorliegende Erfindung betrifft ein Verfahren zum Betrei¬ ben eines Versorgungsnetzwerks, wie zum Beispiel eines Ener¬ gieversorgungsnetzwerks mit Generatoren und Verbrauchern. Insbesondere in Energieversorgungsnetzwerken mit dezentralen Energieerzeugern und -Verbrauchern ist eine aufwandsgünstige Einsatzplanung der vorliegenden Kraftwerke gewünscht. Bei entsprechenden Versorgungsnetzwerken müssen viele einzelne Energieerzeuger angesteuert, d.h. hoch- und heruntergefahren, werden und deren Eintrag in das Netzwerk abgeschätzt werden. Ferner muss der Bedarf an Energie für die Verbraucher plausibel abgeschätzt werden. Insgesamt soll eine möglichst effizi¬ ente Ausnutzung insbesondere der Ressource Energie und der im Netzwerk erfolgenden Verteilung der Ressource stattfinden. In der Regel werden entsprechende Kostenfunktionen für die Netzwerkknoten oder Netzeinheiten im Versorgungsnetzwerk erstellt und zu einer Zielfunktion verknüpft. Diese Zielfunktion unterliegt dann einer Optimierung. Üblicherweise ergeben sich hochdimensionale, nichtlineare Op¬ timierungsprobleme für diese Zielfunktion, um eine Einsatz¬ planung der beteiligten Kraftwerke im Energieversorgungsnetzwerk zu bestimmen. In der Vergangenheit wurden dazu nichtli¬ neare Optimierungsverfahren, wie Lagrange-Relaxation, dynami- sehe Programmierung mit Hamilton-Jacobi-Bellmann-Iteration, genetischer Algorithmen, oder gemischte lineare Integer- Programmierung (MILP = Mixed-Integer Linear Programming) eingesetzt. Bekannte Verfahren zum Betreiben entsprechender Energieversorgungsnetzwerke sowie der Bestimmung von Einsatzplanungen erfordern eine hohe Rechenleistung und skalieren meist superlinear mit der Anzahl der Netzwerkknoten, also der beteilig- ten Kraftwerke oder Verbrauchern. Meist kann auch eine globale Minimierung der Zielfunktion mit Hilfe konventioneller Optimierungsverfahren nicht gewährleistet werden. Demnach ist eine Aufgabe der vorliegenden Erfindung, ein verbessertes Versorgungsnetzwerk und/oder ein verbessertes Verfahren zum Betreiben eines Versorgungsnetzwerks zu schaffen.
Demgemäß wird ein Verfahren zum Betreiben eines Versorgungs- netzwerks für eine Ressource mit mehreren Netzeinheiten, wel¬ che die Ressource erzeugen oder verbrauchen, vorgeschlagen. Die Netzeinheiten sind zum Austausch der Ressource miteinander gekoppelt. Das Verfahren umfasst:
Erfassen von einem Ressourceneintrag oder einem Ressour- cenverbrauch jeder Netzeinheit und von einem Ressourcenfluss- parameter für jede Netzeinheit;
Zuordnen einer Kostenfunktion zu jeder Netzeinheit, wobei die Kostenfunktion von dem Ressourceneintrag oder Res¬ sourcenverbrauch der Netzeinheit abhängt und der Ressourcen- eintrag oder Ressourcenverbrauch von den Ressourcenflusspara- metern der Netzeinheit und den mit der Netzeinheit direkt ge¬ koppelten weiteren Netzeinheiten abhängt;
Bestimmen einer Gesamtkostenfunktion des Versorgungsnetzwerks als Summe aller Kostenfunktionen der Netzeinheiten des Versorgungsnetzwerks; und
Marginalisieren der Gesamtkostenfunktion über die Ressourcenflussparameter, wobei die Kostenfunktionen auf Lokalpotenziale eines ungerichteten graphischen Modells abgebildet werden .
Insbesondere umfasst das Marginalisieren ein Minimieren der Gesamtkostenfunktion über die Ressourcenflussparameter, wobei die Kostenfunktionen als Logarithmen von Lokalpotenzialen eines ungerichteten graphischen Modells betrachtet werden. Des Weiteren kann Marginalisieren auch das Bilden einer Randwertverteilung für die als Wahrscheinlichkeitsverteilung interpretierten Kostenfunktionen bedeuten. Ferner wird ein Versorgungsnetzwerk für eine Ressource, welche mehrere Netzeinheiten umfasst, vorgeschlagen. Die Netzeinheiten erzeugen oder verbrauchen die Ressource und sind zum Austausch der Ressource miteinander gekoppelt. Das Ver- sorgungsnetzwerk ist eingerichtet, zum Ansteuern und Bereitstellen einer Einsatzplanung der Netzeinrichtungen ein entsprechendes Verfahren durchzuführen.
Das Verfahren bzw. das Versorgungsnetzwerk ermöglicht im Rah- men einer nichtlinearen Optimierung insbesondere ein Versorgungsnetzwerk effizient mit steuerbaren Netzeinheiten zu betreiben. Die sich ergebende Zielfunktion oder Gesamtkostenfunktion des Versorgungsnetzwerkes kann dabei beispielsweise als eine Summe von lokalen Termen, die Eigenschaften der ein- zelnen Netzeinheiten beschreiben, ausgedrückt werden. Die Kostenfunktionen koppeln insbesondere durch eine nächste Nachbarkopplung, welche durch den jeweiligen Ressourcenfluss- parameter beschrieben ist, miteinander. Dies ermöglicht die Anwendung von Verfahren für ungerichtete graphische Modelle zum Einsatz beispielsweise bei der Einsatzplanung von Kraftwerken in Versorgungsnetzwerken. Es wird somit vorgeschlagen, üblicherweise im Rahmen von nichtlinearen Optimierungsverfahren betrachtete Kosten und Zielfunktionen auf statistische Inferenzverfahren im Rahmen von graphischen Modellen abzubil- den und damit zu lösen. Dadurch wird der Rechenaufwand erheb¬ lich minimiert, so dass ein aufwandsgünstiger Betrieb von Versorgungsnetzwerken erfolgen kann.
Alternativ oder zusätzlich lässt sich aufwandsgünstig eine Zustandsschätzung für das Versorgungsnetzwerk durch
Marginalisieren erstellen. Beispielsweise können lokal gemessene Ressourcenströme verwendet werden, um im Rahmen eines Marginalisierungsverfahrens für ungerichtete graphische Mo¬ delle den Zustand des Versorgungsnetzes zu bestimmen. Bei der Marginalisierung wird jeweils die Randwertverteilung für jeden unbekannten Ressourcenflussparameter bestimmt, durch Mittelung oder „herausintegrieren" der jeweils verbleibenden freien Größen des Wahrscheinlichkeitsmodells, welches durch die Gesamtkostenfunktion definiert ist.
Die Ressource kann beispielsweise Energie sein, wie elektri- sehe Energie, aber auch andere als Commodities bezeichnete Ressourcen. Es kann sich beispielsweise um einen Energieträ¬ ger wie Gas oder Öl handeln. Denkbar ist auch, dass die Ressource Rechenzeit oder Rechenleistung in Rechnernetzwerken ist. Auch Zwischenprodukte in einem Produktionsnetzwerk kön- nen als Ressource aufgefasst werden.
Als Versorgungsnetzwerk kann dabei insbesondere verstanden werden: ein Stromversorgungsnetzwerk, Gasversorgungsnetzwerk, aber auch Gebäudemanagementsysteme oder Netzwerke der Automa- tisierungstechnik . In Ausführungsformen können auch Gase, wie Edelgase oder Druckluft, in entsprechenden Verteilungsnetzwerken betrachtet werden. Wünschenswert ist jeweils das Auf¬ finden eines globalen Minimums der Gesamtkostenfunktion. Die Netzeinheiten sind dabei beispielsweise Stromerzeuger oder -Verbraucher, wie beispielsweise verschiedene Kraftwer¬ ke, die abhängig von ihren Energie- oder Stromerzeugungsverfahren verschiedene Kostenfunktionen haben. Es ist dabei möglich, den Fluss der Ressource, wie beispielsweise des Stroms, durch Ressourcenflussparameter zu beschreiben. Beispielsweise kann in einem Stromnetz in der üblichen Gleichstromapproximation der Flussgleichung die Stromphase einer jeweiligen Netzeinheit als Ressourcenflussparameter verwendet werden. Aufgrund von Kontinuitätserwägungen ergeben sich aus der Kennt- nis der Ressourcenflussparameter beispielsweise die Ströme an einer jeweiligen Netzeinheit oder der jeweilige Eintrag oder Verbrauch des Stroms bzw. der Ressource an einem Knoten. Als Netzeinheit wird im Folgenden auch der Begriff, Netzwerkeinrichtung, Netzknoten, Netzwerkknoten oder eine Einheit ver- wendet. In Ausführungsformen des Verfahrens oder des Versorgungsnetzwerkes umfasst das Minimieren der Gesamtkostenfunktion ferner :
Durchführen eines Optimierungsverfahrens für ein
ungerichtetes graphisches Modell, bei dem eine Wahrschein¬ lichkeitsfunktion als Produkt der lokalen Potenziale maxi- miert wird. Dabei wird das Optimierungsverfahren insbesondere aus einer der Gruppen von Optimierungsverfahren gewählt, welche umfasst: Belief Propagation, Loopy Belief Propagation und Junction-Tree-Algorithmus .
Aufgrund der Lokalität der Kostenfunktionen, nämlich insbesondere durch Beschreiben mit Hilfe der Ressourcenflusspara- meter, können an sich bekannte Algorithmen für graphische Modelle eingesetzt werden, um bei dem Versorgungsnetzwerk die Gesamtkostenfunktion zu minimieren. Die Netzwerktopologie wird dabei vorzugsweise derart beschrieben, dass keine
Schleifen von mehreren Netzeinheiten vorliegen, sondern das Netzwerk eine Baumstruktur hat. Dazu können an sich real vorliegende Kopplungen oder Verbindungen zum Austausch von Ressourcen angenähert oder abgeschätzt werden. Es ist möglich, eine beliebige reale Netzwerktopologie, welche auch Schleifen enthält, durch in eine Baumstruktur zu approximieren. Eine Anwendung von Marginalierungs- oder Optimierungverfahren aus dem Bereich der grafischen Modelle kann prinzipiell jedoch auch direkt auf Netzwerke erfolgen, die keine Baumstruktur haben .
Vorzugsweise wird das Versorgungsnetzwerk derart aufgebaut oder modelliert, dass eine jeweilige Netzwerkeinheit vorzugs¬ weise mit weniger als mit einer vorgegebenen maximalen Anzahl von benachbarten Netzeinheiten gekoppelt ist. In Ausführungsbeispielen hat jede Netzeinheit maximal drei benachbarte Netzeinheiten, mit der sie gekoppelt ist.
In Ausführungsformen des Verfahrens werden die Schritte Zu¬ ordnen und Minimieren zum Erstellen einer Netzeinheits- Einsatzplanung über einen vorgegebenen Zeitraum für mehrere Zeitpunkte in dem Zeitraum durchgeführt. Beispielsweise wer¬ den die Ressourcenverbräuche für zumindest eine Auswahl von Netzeinheiten in dem Versorgungsnetzwerk über den vorgegebenen Zeitraum festgelegt oder abgeschätzt. Es können Prognosen für den Verbrauch von Ressourcen, wie beispielsweise Strom, erstellt werden und entsprechende Kostenfunktionen zeitabhängig erzeugt werden. Insgesamt kann das Optimierungsverfahren schrittweise, also über mehrere Zeitpunkte, in den zu prog¬ nostizierenden oder zu steuernden Zeitraum durchgeführt wer- den. Als Ergebnis des Verfahrens werden dann Werte für die Strom- bzw. Ressourcenerzeugung der Kraftwerke im Versorgungsnetzwerk geliefert.
Vorzugsweise wird die Kostenfunktion (c±) einer jeweiligen Netzeinheit unter Berücksichtigung der direkt an die Netzeinheit gekoppelten weiteren Netzeinheiten über die Ressourcen- flussparameter sukzessive minimiert. Beispielsweise werden bei dem Verfahren die Kostenfunktionen der Netzeinheiten sowie lokal berechenbare Kostenkoppelungsterme jeweils einzeln über die Ressourcenflussparameter, welche der jeweiligen Netzeinheit und den benachbarten Netzeinheiten zugewiesen sind, minimiert. Insbesondere durch die Lokalität, also nächste Nachbarwechselwirkung der Netzeinheiten untereinander, können die Kostenkoppelungsterme lokal berechnet und die Kostenfunktionen anschließend lokal minimiert werden.
Die Kostenfunktionen umfassen insbesondere nichtlineare An¬ teile in den Ressourcenflussparametern . Beispielsweise ergeben sich nur stückweise stetige Kostenfunktionen, die nicht- lineare Anteile aufweisen, weil beispielsweise Kraftwerke nur sinnvoll zwischen einem Leistungsminimum und Leistungsmaximum betrieben werden können. Außerdem kann der Wirkungsgrad eines entsprechenden Kraftwerks als Netzeinheit stark von der Last abhängen .
In Ausführungsformen des Verfahrens werden die Netzeinheiten in Abhängigkeit von den Ressourcenflussparametern gesteuert. Durch die Bestimmung von Sätzen von Ressourcenflussparame- tern, welche eine möglichst minimale Gesamtkostenfunktion erzielen, lässt sich beispielsweise bei elektrischen Versorgungsnetzwerken eine Energieerzeugung oder ein Verbrauch der einzelnen Netzeinrichtungen bestimmen.
Bei Ausführungsformen des Verfahrens sind die Kostenfunktio¬ nen lokale Kostenfunktionen, welche ausschließlich von dem Ressourceneintrag oder Ressourcenverbrauch der Netzeinheit und/oder den Ressourcenflussparametern der Netzeinheit sowie den mit der Netzeinheit direkt gekoppelten weiteren Netzeinheiten abhängt.
Insbesondere durch die Beschreibung mit Hilfe nur lokaler Kostenfunktionen lässt sich effizient ein Optimierungsverfah- ren als statistisches Modell zum Bestimmen einer maximalen Wahrscheinlichkeit für graphische Modelle anwenden.
In Ausführungsformen ist die Ressource insbesondere elektri¬ sche Energie und der Ressourceneintrag oder Ressourcenver- brauch eine elektrische Leistung einer Netzeinheit.
Der Austausch einer Ressource erfolgt beispielsweise über elektrischen Strom, wobei der Ressourcenflussparameter ein Phasenwinkel eines Stroms in oder aus der jeweiligen Netzein- heit aus oder in das Versorgungsnetzwerk ist.
Weiterhin wird ein Computerprogrammprodukt vorgeschlagen, welches auf einer programmgesteuerten Einrichtung die Durchführung eines entsprechenden Verfahrens veranlasst.
Ein Computerprogramm-Produkt wie ein Computerprogramm-Mittel kann beispielsweise als Speichermedium, wie Speicherkarte, USB-Stick, CD-ROM, DVD oder auch in Form einer
herunterladbaren Datei von einem Server in einem Netzwerk be- reitgestellt oder geliefert werden. Dies kann zum Beispiel in einem drahtlosen Kommunikationsnetzwerk durch die Übertragung einer entsprechenden Datei mit dem Computerprogramm-Produkt oder dem Computerprogramm-Mittel erfolgen. Als programmge- steuerte Einrichtung kommt insbesondere eine Steuereinrich¬ tung, wie zum Beispiel ein Leitrechner zur Einsatzplanung von Netzeinheiten in einem Versorgungsnetzwerk in Frage. Weiterhin wird ein Datenträger mit einem gespeicherten Computerprogramm mit Befehlen vorgeschlagen, welche die Durchführung eines entsprechenden Verfahrens auf einer programmge¬ steuerten Einrichtung veranlasst. Weitere mögliche Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Verfahrensschritte, Merkmale oder Ausführungsformen des Ver¬ fahrens oder des Versorgungsnetzwerks. Dabei wird der Fach- mann auch Einzelaspekte als Verbesserungen oder Ergänzungen zu der jeweiligen Grundform der Erfindung hinzufügen oder abändern .
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden.
Dabei zeigen:
Fig. 1 eine schematische Darstellung eines Ausführungsbei¬ spiels für ein Versorgungsnetzwerk mit Netzeinheiten;
Fig. 2 eine Darstellung einer möglichen Kostenfunktion für einen Generator als Netzeinheit;
Fig. 3 eine Darstellung einer möglichen Kostenfunktion für einen Verbraucher als Netzeinheit; Fig. 4 eine schematische Darstellung eines weiteren Ausführungsbeispiels für ein Versorgungsnetzwerk mit Netzeinheiten . Die Fig. 1 zeigt eine schematische Darstellung eines Ausfüh¬ rungsbeispiels für ein Versorgungsnetzwerk mit Netzeinheiten. Das Versorgungsnetzwerk 100 hat dabei Netzeinheiten 1 - 11, die beispielsweise Energiequellen und Energiesenken entspre¬ chen. D.h., bei einem elektrischen Versorgungsnetzwerk liegen insbesondere Stromverbraucher vor, aber auch Stromerzeuger, wie beispielsweise Kraftwerke. Die als Netzeinheiten oder auch Knoten 1 - 11 bezeichneten Teilnehmer des Versorgungsnetzwerkes 100 sind beispielsweise über Leitungen, die in der Fig. 1 mit Kanten dargestellt sind, miteinander gekoppelt. Beispielsweise kann die Netzeinheit 1 ein Verbraucher sein, wie beispielsweise eine Fabrik, die über den Netzwerkknoten 3 an die übrigen im Netzwerk 100 vorliegenden Netzwerkknoten 2- 11 gekoppelt sind. Die Kanten stellen dabei dar, dass die zu verteilende Ressource, wie beispielsweise Strom, fließen kann.
Insbesondere bei modernen Versorgungsnetzwerken für Energie liegen viele verteilte Kraftwerke, beispielsweise für Wind¬ energie, Wasserkraft, Gas, Kohle, Atomkraft oder Solarenergie vernetzt vor. Um möglichst kosteneffizient die erzeugte Ener¬ gie und durch Verbraucher abgefragte Energie im Versorgungs¬ netzwerk 100 bereitzustellen, wird eine Einsatzplanung der vorliegenden Kraftwerke benötigt. Dies erfolgt üblicherweise durch eine Zuweisung von Kostenfunktionen auf die im Versor- gungsnetzwerk 100 vorliegenden Netzeinheiten 1 - 11.
In den folgenden Erläuterungen wird beispielhaft davon ausgegangen, dass das Versorgungsnetzwerk ein Energieversorgungsnetzwerk für elektrischen Strom ist. Insofern ist die Res- source elektrische Energie, welche über elektrischen Strom im Netzwerk über Leitungen, mit denen die Teilnehmer, also
Stromerzeuger und -Verbraucher, miteinander gekoppelt sind. In der Fig. 2 ist beispielsweise eine mögliche Form einer Kostenfunktion c± für eine Energie erzeugende Einrichtung dargestellt. Auf der X-Achse ist eine Stromerzeugung yi in beliebigen Einheiten aufgetragen, und auf der Y-Achse in be- liebigen Einheiten eine entsprechende Kostenfunktion c± (y±) . Bei einem Kraftwerk ist die Kostenfunktion beispielsweise zwischen einem minimalen mit einer minimalen Stromerzeugung Prain und einer maximalen Stromerzeugung Pmax nicht konstant. Vielmehr ergibt sich aufgrund des Wirkungsgrads und Arbeits- punktes eines entsprechenden Stromerzeugungskraftwerks eine nichtlineare Form der Kostenfunktion c± (y±) . Um eine Einsatz¬ planung zu bestimmen, wird jedem Stromerzeuger im Netzwerk 100 eine entsprechende Kostenfunktion zugewiesen. Die Fig. 3 zeigt eine Kostenfunktion für einen Verbraucher im Versorgungsnetzwerk. Der entsprechende Stromverbrauch yi ist dabei mit einer Kostenfunktion c± (yi> verbunden, welche auf der Y-Achse aufgetragen ist. Ein Verbraucher benötigt beispielsweise zu einem vorgegebenen Zeitpunkt eine elektrische Leistung -D. Daher hat die Kostenfunktion für den entsprechenden Verbraucher im Minimum bei yi = -D. D wird auch als Demand bezeichnet.
Insbesondere bei einem Stromversorgungsnetzwerk lässt sich aufgrund von Kontinuitätsgleichungen an jedem Netzwerkknoten, also jedem Erzeuger oder Verbraucher im Netzwerk unter Verwendung einer bekannten Gleichstromapproximation der Lastflussgleichungen, der Energieeintrag oder der Energieverbrauch aus der am Knoten vorliegenden Stromphase bestimmen. Aus der Summe der Kostenfunktionen für alle Netzwerkknoten bzw. Stromverbraucher oder Stromerzeuger ergibt sich eine Zielfunktion oder Gesamtkostenfunktion für das Netzwerk zu einem vorgegebenen Zeitpunkt. Es ist nun gewünscht, diese Zielfunktion zu minimieren, um die günstigsten Betriebspara- meter, also Stromverbraucher und Stromerzeuger, beispielsweise im Rahmen von Phasenwinkeln zu bestimmen. Dadurch ergibt sich eine besonders günstige Auslastung der Netzwerkinfra- struktur und ein niedrigster Aufwand für alle Netzwerkteilnehmer .
Im Folgenden wird anhand eines vereinfachten schematischen Netzwerks, wie es in der Fig. 4 dargestellt ist, die Einsatzplanung oder Optimierung des Betriebs eines entsprechenden Versorgungsnetzwerks erläutert. Die Fig. 4 zeigt dabei ein Versorgungsnetzwerk 101, welches beispielsweise elektrische Energie verteilt. Dabei sind sechs Knoten 1 - 6 vorgesehen, die jeweils über Kanten, also Stromleitungen, miteinander gekoppelt sind. Der Knoten 1 ist mit dem Knoten 2 gekoppelt. Der Knoten 2 ist mit dem Knoten 1, dem Knoten 5 und dem Knoten 3 gekoppelt. Der Knoten 3 ist mit dem Knoten 2 und dem Knoten 4 gekoppelt, der Knoten 4 ist nur mit dem Knoten 3 ge- koppelt. Der Knoten 5 ist mit dem Knoten 2 und dem Knoten 6 gekoppelt, und der Knoten 6 ist nur mit dem Knoten 5 gekoppelt. Die Knoten können dabei je nach ihrer Kostenfunktion Strom einspeisende Netzeinheiten sein oder Strom verbrauchende Netzeinheiten sein.
Jedem Knoten wird eine Kostenfunktion c± zugewiesen, wobei der Index i = 1,...6 den jeweiligen Knoten bzw. die Netzeinheit i bezeichnet. Die gewünschte Optimierung besteht nun darin, ein globales Minimum des folgenden Ausdrucks zu finden:
min Sc yJ mit yi = Β δ..
y, δ
(Gl. 1) Dabei steht c± für die jeweilige Kostenfunktion des i-ten
Knotens, y± für den Energieverbrauch oder Energieeintrag des i-ten Knotens, δ± für einen Stromphasenwinkel am i-ten Knoten, und die Matrix Bij beschreibt die Kopplung der Nachbarknoten untereinander. Der Phasenwinkel δ± entspricht einem Ressourcenflussparameter, welcher im Falle eines Stromversorgungsnetzes den Zu- und/oder Abfluss von elektrischem Strom im Stromversorgungsnetzwerk bestimmt. Die Kanten oder Kopp- lungen zwischen den Knoten können als Stromleitungen verstanden werden.
Grundsätzlich ergibt sich ein nichtlineares und hochdimensio- nales Optimierungsproblem über die Phasenwinkel δ±. Aufgrund von Kontinuitätsgleichungen ergeben sich jedoch nur nächste Nachbarwechselwirkungen, also Kopplungen zwischen lokal benachbarten Knoten, und eine Beschreibung der Kopplung erfolgt durch die jeweiligen Phasenwinkel als Ressourcenflussparame- ter von benachbarten Knoten. Die Kostenfunktion für den Knoten i=2 hängt dabei beispielsweise lediglich von den Phasenwinkeln δι, Ö2, Ö3, Ö5 ab. Man kann insofern für das in der Fig. 4 dargestellte Netzwerk folgendes Minimierungsproblem formulieren :
mintc^, δ2) + c^, δ2, δ3, δ5) + c3(ö2, δ3, δ4) + δι ...δ6
+ c4(ö3, δ4) + c5(ö2, δ5, δ6) + c6(ö5, δ6) ]
(Gl.2) Aufgrund der Lokalität der Wechselwirkung der Knoten untereinander lässt sich die Gleichung 2 vereinfachen. Unter
Ausnutzung von min f(a, b) = min[min f(a, b) ]
a, b a b kann die Gleichung 2 wie folgt geschrieben werden: min ο1(δ1, δ2) + min ο1(δ1, δ2, δ3, δ5) + min[c3(ö2, δ3, δ4) + c4(ö3, δ4) ] + δ1,δ2 δ3,δ5 δ4
+ min[c5(ö2, δ5, δ6) + c6(ö5, δ6) ]
δ6
= min c1(ö1, δ2) + min c2(ö1, δ2, δ3, δ5) + min[c3(ö2, δ3, δ4) + m34(ö3, δ4) ] δ1,δ2 δ3,δ5 δ4
+ min[c5(ö2, δ5, δ6) + m65(ö6, δ5) ]
δ6
= min c1(ö1, δ2) + min c2(ö1, δ2, δ3, δ5) + m32(ö3, δ2) + m52(ö5, δ2) ]
δ1,δ2 δ3,δ4
= min c1(ö1, δ2) + m21(ö2, δχ)
δι,δ2
(Gl. 3) Dabei werden die lokalen Kostenkoppelungsterme ±j wie folgt bestimmt :
(Gl. 4)
Die optimalen Ressourcenflussparameter ergeben sich dann allgemein durch: δ* = arg min5i min ci(5i, δ., δζ) + Σπιζι(δι,δζ
Es ergeben sich hierbei ausschließlich niederdimensionale Minimierungsprobleme . Beispielsweise kann eine Auszählung der möglichen Kombinationen an einem jeweiligen Knoten erfolgen, um die günstigsten δι,.,.δζ zu bestimmen. Die Optimierung eines entsprechenden, aufgrund von lokalen Kostenfunktionen aufgebauten Versorgungsnetzwerkes und die notwendige Rechen¬ leistung steigen lediglich linear mit der Anzahl der im Netz- werk vorliegenden Knoten an. Jede Kante in dem Netzwerk wird höchstens zweimal berücksichtigt, beispielsweise wird die Kante oder Kopplung zwischen den Knoten 3 und 4 nur zur Berechnung von m34 und m43 berücksichtigt. Vorzugsweise ist die Net zwerktopologie in der Art eines Baums aufgebaut, d.h. es liegen keine geschlossenen Schleifen vor. Prinzipiell lässt sich dann eine exakte Optimierungslösung für ein entsprechendes Versorgungsnetzwerk finden.
Die Anmelderin hat nun herausgefunden, dass die Zielfunktion oder Gesamtkostenfunktion für ein entsprechendes Versorgungsnetzwerk, wie es in der Gleichung 2 angegeben ist, auf ein graphisches Modell abgebildet werden kann. Für ungerichtete graphische Modelle sind stochastische Verfahren zum Bestimmen einer maximalen Wahrscheinlichkeit als Optimierungsaufgabe bekannt. Der dargestellte Algorithmus entspricht dem bekann¬ ten statistischen Verfahren „Belief Propagation" . Zur Erläuterung des Verfahrens zum Bestimmen der günstigsten Phasenwinkel für die einzelnen Knoten wird zunächst eine Wahrscheinlichkeitsfunktion für ein nicht gerichtetes graphisches Modell angegeben, welche in lokale Potenziale
faktorisiert werden kann: p(xx, x2, x3, x4, x5, x6) — Ψ1 (χ1 , x2, χ3 )Ψ2 (χ1 , x2, x3, χ5 )Ψ3 (χ2 , x3, x4) x Ψ4 (χ3 , χ4 )Ψ5 (χ2 , x5, χ6 )Ψ6 (χ5 , χ6)
(Gl. 6) Dabei ist p eine Wahrscheinlichkeitsfunktion, Ψι sind die Lokalpotenziale, und xi Zufallsvariablen. Man spricht auch von einer Wahrscheinlichkeitsverteilung eines Markoff- Zufallsfelds (MRF = Markoff Random Field) . Aufgrund der Loka¬ lität der Potenziale lässt sich die Wahrscheinlichkeit p ent- sprechend als Produkt darstellen. Bei Aufgaben der Stochastik und der Verwendung von graphischen Modellen wird nach der jeweiligen höchsten Wahrscheinlichkeit gesucht. Insofern ergibt sich eine Optimierungsaufgabe wie folgt: max p(xx, ... xN)
x2 , ...xN
(Gl. 7)
Das Auffinden des Maximums von p ist äquivalent mit der Opti¬ mierung des folgenden Ausdrucks: min - log p(xx, ... xN) = min Σ- log Ψ^χχ , ... xN) x-]_,...xN x-]_,...xN
(Gl. 8)
Auf dieses Problem können Graphenalgorithmen zur Optimierung angewendet werden. Insbesondere bekannt sind Belief-
Propagation-Algorithmen . Durch Vergleich der Ausdrücke aus Gleichung 8 mit der Zielfunktion, wie sie in der Gleichung 2 für das Versorgungsnetzwerk 101 angegeben ist, lässt sich diese Gesamtkostenfunktion auf einen Logarithmus eines ent- sprechenden lokalen Potenzials für ein graphisches Modell ab¬ bilden. Man kann insofern schreiben: -log Ψ.(Χι, ...) = c.&lf...)
(Gl. 9)
Es erfolgt insbesondere eine Abbildung der lokalen Potenzial¬ funktionen auf die c-j-te Potenz von e:
Ψ. -^eC], sowie eine Abbildung der Zufallsvariablen xi auf die Phasen
Insofern kann durch Lösung einer Optimierungsaufgabe für ungerichtete graphische Modelle eine einfache Lösung für die Minimierung der Zielfunktion, also der Gesamtkostenfunktion, für ein Versorgungsnetzwerk bestimmt werden. Sind eine Aus- wähl der δ±, beispielsweise von Verbrauchern, für eine Abfol¬ ge von Zeitpunkten eines Betriebszeitraums für das Versor¬ gungsnetzwerk bekannt, können die Kraftwerke bzw. Knoten entsprechend aktiviert oder deaktiviert werden, so dass insge¬ samt ein optimaler Betrieb des Versorgungsnetzwerkes ge- schieht.
Für Optimierungsaufgaben für ungerichtete Graphenmodelle sind effiziente Algorithmen und Verfahren bekannt. Beispielsweise lässt sich auf die Optimierungsaufgabe für das Versorgungs- netzwerk der Fig. 4 ein Algorithmus Tree der OWM MATLAB Toolbox für das Simulationsprogramms MATLAB verwenden. Dabei wird ein Verfahren der Belief Propagation eingesetzt. Insbesondere die Überführung in eine Baumstruktur des Versorgungsnetzwerkes ermöglicht die Verwendung von bekannten Algorithmen zur Optimierung, wie Belief Propagation. Lediglich beispielhaft seien die folgenden Algorithmen der OWM MATLAB Toolbox, welche unter http://www.di.ens.fr/~mschmidt/Software/UGM.html abgerufen werden kann, genannt, die zum Einsatz kommen kön- nen: Junction (eine exakte Decodierung von Graphen mit Baumstruktur) LBP (eine näherungsweise Decodierung auf der Basis von Maximum-Product-Loopy Belief Propagation) , TRBP (eine ge¬ näherte Decodierung von Max-Product tree re-weighted Belief Propagation) , Linprog (eine näherungsweise Decodierung unter Verwendung von linear programmierter Relaxation) . Es können weitere effiziente Algorithmen zur Behandlung von
ungerichteten grafischen Modellen verwendet werden. Mögliche Kostenfunktionen c± für die Netzeinheiten 1 - 6 des in Figur 4 gezeigten Netzwerks 101 lauten beispielsweise:
Unter Verwendung von yi = Sßij5j wird für die Erzeugerknoten j
i= 2,...5 folgende Kostenstruktur angenommen: ci(yi) = cioJy~ für yi=0 oder yL e [2,4] wobei Ci0 = const und ci(yi) = sonst,
Bij = 1, und c2o = 4, c30 = 4, c40 = 3, c50 = 2. Für die Ver¬ brauchsknoten i = 1, 6 sei Ci (yi) = 0 falls yi = -2 und ci(yi) = ocsonst.
Die Anwendung eines Belief-Propagation-Algorithmus auf das Versorgungsnetzwerk 101 unter Verwendung der obigen Kostenfunktionen Ci liefert beispielsweise bei einer Skala von -4 bis +4 für den Verbrauch y^ bzw. eine Energieerzeugung und vorgegebene Verbrauchern y1 = -2, und Υζ = -2, also jeweils ein Energieverbrauch für die Knoten 1 und 6, das Ergebnis, dass die Stromerzeugung x2, X3 und x4 gleich null sind und x5 = 4. Insofern erhält man das Ergebnis, dass bei einer ent¬ sprechenden Verbrauchskonstellation ein Stromerzeuger als Netzeinheit 5 mit der Leistung x5 = 4 am günstigsten ist. Die Optimierung liefert ferner x2 = X3 = x4 = 0. Insgesamt ergibt sich durch die Abbildung der Zielfunktion bzw. Gesamtkostenfunktion eines Versorgungsnetzwerkes mit nächster Nachbarkopplung auf ein ungerichtetes graphisches Modell eine vereinfachte Optimierungsaufgabe. Es ist insbe- sondere möglich, ein globales Minimum für die Kostenfunktion zu bestimmen. Bei dem vorgeschlagenen Optimierungsverfahren steigt die Komplexität lediglich linear mit der Anzahl der im Netzwerk eingesetzten Knoten an. Konventionelle Optimierungsverfahren werden dabei meist exponentiell komplex. Sofern keine Schleifen im Netzwerk vorgesehen sind, sondern eine
Baumstruktur vorliegt, ergibt sich eine globale optimale Lö¬ sung .
Alternativ oder zusätzlich lässt sich aufwandsgünstig anstel- le einer Minimierung der Kostenfunktion durch Optimierung eine Zustandsschät zung vollziehen. Beispielsweise können lokal gemessene Ressourcenströme verwendet werden, um im Rahmen ei¬ nes Marginalisierungsverfahrens für ungerichtete graphische Modelle den Zustand des Versorgungsnetzes zu bestimmen. Bei der Marginalisierung wird jeweils die Randwertverteilung für jeden unbekannten Ressourcenflussparameter bestimmt, durch Mittelung / „herausintegrieren" der jeweils verbleibenden freien Größen des Wahrscheinlichkeitsmodells, welches durch die Kostenfunktion definiert ist.
Die beispielhaft beschriebenen Aspekte und Verfahrenschritte zum Optimieren bzw. Minimieren sind dabei Spezialfälle einer Marginalisierung. Unter Ausnutzung der Lokalitätseigenschaften ergibt sich hier ein ähnlicher Algorithmus gemäß:
mlj(51,5j)= (exp (Cl( δ ,, 5jf δζ )) Π ^ι^, δ . )
(Gl. 11) Und
Ρ(δ, ) cc jexp ( ^ (δ, , öj , δζ Π mzi(öiröz
z E , Eine Anwendung der Zustandschätzung ist beispielsweise beim Vorliegen von Kraftwerken, die keine Echtzeitdaten für ihre Stromeinspeisung liefern, in Stromversorgungsnetzen. Beispielsweise liefern Solarkraftwerke in Abhängigkeit von der Strahlungsstärke unterschiedliche Leistungen, was zu variie¬ renden Spannungen im Netz führt. Eine Zustandsschätzung kann beispielsweise in Abhängigkeit von gemessenen Strömen an be¬ kannten Netzknoten die Wahrscheinlichkeit für kritische Span- nungszustände im Versorgungsnetz liefern.
Obwohl die Erfindung im Detail durch das bevorzugte Ausführungsbeispiel näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele einge¬ schränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .

Claims

Patentansprüche
1. Verfahren zum Betreiben eines Versorgungsnetzwerks (100, 101) für eine Ressource mit mehreren Netzeinheiten (1 - 11), welche die Ressource erzeugen oder verbrauchen, wobei die
Netzeinheiten (1 - 11) zum Austausch der Ressource miteinander gekoppelt sind, umfassend:
Erfassen von einem Ressourceneintrag oder einem Ressourcenverbrauch jeder Netzeinheit (1 - 11) und von einem Res- sourcenflussparameter (δ±) für jede Netzeinheit (1 - 11);
Zuordnen einer Kostenfunktion (c±) zu jeder Netzeinheit (1 - 11), wobei die Kostenfunktion (c±) von dem Ressourcen¬ eintrag oder Ressourcenverbrauch der Netzeinheit (1 - 11) ab¬ hängt, und der Ressourceneintrag oder Ressourcenverbrauch von den Ressourcenflussparametern (δ±) der Netzeinheit (1 - 11) und der mit der Netzeinheit (1 - 11) direkt gekoppelten wei¬ teren Netzeinheiten (1 - 11) abhängt;
Bestimmen einer Gesamtkostenfunktion (c) des Versorgungsnetzwerks (100, 101) als Summe aller Kostenfunktionen der Netzeinheiten (1 - 11) des Versorgungsnetzwerks (100, 101) ;
Minimieren der Gesamtkostenfunktion (c) über die Ressourcenflussparameter (δ±) , wobei die Kostenfunktionen (c±) auf lokale Potenziale (ψι) eines ungerichteten grafischen Mo- dells abgebildet werden, und
Steuern der Netzeinheiten (1 - 11) in Abhängigkeit von den Ressourcenflussparametern (δ±) .
2. Verfahren nach Anspruch 1, wobei das Minimieren die
Schritte umfasst:
Durchführen eines Optimierungsverfahrens für ein
ungerichtetes grafisches Modell, bei dem eine Wahrscheinlich¬ keitsfunktion ρ(ψι...) als Produkt der lokalen Potenziale (ψι) maximiert wird, wobei das Optimierungsverfahren aus der Gruppe von Optimierungsverfahren gewählt wird, welche umfasst: Belief Propagation, Loopy Belief Propagation und
Junction-Tree-Algorithmus .
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Schritte Zuordnen und Minimieren zum Erstellen einer Netzeinheitseinsatzplanung über einen vorgegebenen Zeitraum für mehrere Zeitpunkte in dem Zeitraum durchgeführt werden.
4. Verfahren nach Anspruch 3, wobei Ressourcenverbräuche für zumindest eine Auswahl der Netzeinheiten (1 - 11) über den vorgegebenen Zeitraum festgelegt werden.
5. Verfahren nach einem der Ansprüche 1 - 4, wobei die Kos¬ tenfunktion (c±) einer jeweiligen Netzeinheit (1 - 11) unter Berücksichtigung der direkt an die Netzeinheit (1 - 11) ge¬ koppelten weiteren Netzeinheiten (1 - 11) über die Ressour- cenflussparameter (δ±) minimiert wird.
6. Verfahren nach einem der Ansprüche 1 - 5, wobei die Kos¬ tenfunktionen (c±) nichtlinear in den Ressourcenflussparame- tern (δ±) sind.
7. Verfahren nach einem der Ansprüche 1 - 6, wobei die Kos¬ tenfunktionen (c±) lokale Kostenfunktionen sind, welche aus¬ schließlich von dem Ressourceneintrag oder Ressourcenverbrauch der Netzeinheit (1 - 11) und/oder den Ressourcenfluss- parametern (δ±) der Netzeinheit (1 - 11) und der mit der Netzeinheit (1 - 11) direkt gekoppelten weiteren Netzeinhei¬ ten (1 - 11) abhängen.
8. Verfahren nach einem der Ansprüche 1 - 7, wobei das Versorgungsnetzwerk (101) derart eingerichtet wird, dass keine geschlossenen Schleifen aus miteinander gekoppelten Netzeinheiten (1 - 6) vorliegen.
9. Verfahren nach einem der Ansprüche 1 - 8, wobei die Res¬ source elektrische Energie ist und der Ressourceneintrag oder Ressourcenverbrauch eine elektrische Leistung ist.
10. Verfahren nach einem der Ansprüche 1 - 9, wobei ein Aus¬ tausch der Ressource zwischen den Netzeinheiten (1 - 11) über elektrischen Strom erfolgt, und wobei der Ressourcenflusspa- rameter ein Phasenwinkel einer Gleichstromapproximation eines Lastflusses in oder aus der jeweiligen Netzeinheit (1 - 11) aus oder in das Versorgungsnetzwerk (100, 101) ist.
11. Verfahren nach einem der Ansprüche 1 - 10, wobei zumindest eine Auswahl der Netzeinheiten (1 - 11) steuerbare
Kraftwerke zur Stromerzeugung sind.
12. Versorgungsnetzwerk (100, 101) für eine Ressource, wel¬ ches mehrere Netzeinheiten (1 - 11) umfasst, welche die Res¬ source erzeugen oder verbrauchen, wobei die Netzeinheiten (1 - 11) zum Austausch der Ressource miteinander gekoppelt sind, und das Versorgungsnetzwerk (100, 101) eingerichtet ist, zum Ansteuern und für eine Einsatzplanung der Netzeinrichtungen
(1 - 11) ein Verfahren nach einem der Ansprüche 1 - 11 durchzuführen .
13. Computerprogrammprodukt, welches auf einer programmge- steuerten Einrichtung die Durchführung eines Verfahrens nach einem der Ansprüche 1 - 11 veranlasst.
14. Datenträger mit einem gespeicherten Computerprogramm mit Befehlen, welche die Durchführung eines Verfahrens nach einem der Ansprüche 1 - 11 auf einer programmgesteuerten Einrichtung veranlasst.
EP13730229.5A 2012-06-21 2013-06-18 Verfahren zum betreiben eines versorgungsnetzwerks und versorgungsnetzwerk Withdrawn EP2864943A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102012210509 2012-06-21
PCT/EP2013/062587 WO2013189914A1 (de) 2012-06-21 2013-06-18 Verfahren zum betreiben eines versorgungsnetzwerks und versorgungsnetzwerk

Publications (1)

Publication Number Publication Date
EP2864943A1 true EP2864943A1 (de) 2015-04-29

Family

ID=48669954

Family Applications (1)

Application Number Title Priority Date Filing Date
EP13730229.5A Withdrawn EP2864943A1 (de) 2012-06-21 2013-06-18 Verfahren zum betreiben eines versorgungsnetzwerks und versorgungsnetzwerk

Country Status (4)

Country Link
US (1) US20150185749A1 (de)
EP (1) EP2864943A1 (de)
CN (1) CN104584038A (de)
WO (1) WO2013189914A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833183A (zh) * 2018-06-28 2018-11-16 电子科技大学 一种多时隙能量采集多归属异构网络的功率分配方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103391233B (zh) * 2013-07-31 2016-04-13 清华大学 跨域虚拟网映射方法
CN106549373A (zh) * 2015-09-23 2017-03-29 国网天津市电力公司 一种面向调度运行的电网拓扑分区方法
CN110837940B (zh) * 2018-08-15 2023-01-10 新智数字科技有限公司 能源站资源流动的计算方法及装置
CN109242286A (zh) * 2018-08-27 2019-01-18 华北电力大学 一种基于径向基神经网络的需求侧响应潜力挖掘方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1418477A1 (de) * 2002-11-06 2004-05-12 Abb Research Ltd. Verfahren zur Steuerung eines Energieübertragungssystems
DE102010005955A1 (de) * 2010-01-27 2011-07-28 Abb Technology Ag Anordnung und Verfahren zur Optimierung der Arbeitsweise eines Versorgungsnetzes

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6745157B1 (en) * 2000-06-02 2004-06-01 Mitsubishi Electric Research Laboratories, Inc Super-node normalized belief propagation for probabilistic systems
GB2367970B (en) * 2000-10-09 2004-01-21 Ericsson Telefon Ab L M Network topologies
US7349887B2 (en) * 2002-03-11 2008-03-25 Siemens Power Transmission & Distribution, Inc. Security constrained optimal dispatch for electricity markets
CN1305196C (zh) * 2003-05-10 2007-03-14 清华大学 灾变事故下避免电力系统崩溃的解列方法
US7660649B1 (en) * 2004-07-02 2010-02-09 Optimal Innovations Inc. Resource management using calculated sensitivities
US7844370B2 (en) * 2006-08-10 2010-11-30 Gridpoint, Inc. Scheduling and control in a power aggregation system for distributed electric resources
WO2009040140A1 (de) * 2007-09-21 2009-04-02 Siemens Aktiengesellschaft Dezentrales energienetz und verfahren zur verteilung von energie in einem dezentralen energienetz
US8352095B2 (en) * 2009-09-23 2013-01-08 Electronics And Telecommunications Research Institute Electric power generation device, electric power demand device, and electric power control system, and method of controlling electric power
EP2599182A1 (de) * 2010-07-29 2013-06-05 Spirae Inc. Steuersystem für ein dynamisches verteiltes stromgitter
EP2614617B1 (de) * 2010-09-07 2014-11-05 BAE Systems PLC Zuweisung von ressourcen an ressourcennutzende entitäten
US8626353B2 (en) * 2011-01-14 2014-01-07 International Business Machines Corporation Integration of demand response and renewable resources for power generation management
CN102354981B (zh) * 2011-09-30 2013-07-03 河海大学 一种基于分布式计算的互联电网中子网电压稳定评估方法
US20130178994A1 (en) * 2012-01-11 2013-07-11 Nagaraju Valluri Power metering and load control device
US8977524B2 (en) * 2012-03-06 2015-03-10 Siemens Aktiengesellschaft Interior point method for reformulated optimal power flow model

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1418477A1 (de) * 2002-11-06 2004-05-12 Abb Research Ltd. Verfahren zur Steuerung eines Energieübertragungssystems
DE102010005955A1 (de) * 2010-01-27 2011-07-28 Abb Technology Ag Anordnung und Verfahren zur Optimierung der Arbeitsweise eines Versorgungsnetzes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2013189914A1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833183A (zh) * 2018-06-28 2018-11-16 电子科技大学 一种多时隙能量采集多归属异构网络的功率分配方法
CN108833183B (zh) * 2018-06-28 2020-12-18 电子科技大学 一种多时隙能量采集多归属异构网络的功率分配方法

Also Published As

Publication number Publication date
CN104584038A (zh) 2015-04-29
US20150185749A1 (en) 2015-07-02
WO2013189914A1 (de) 2013-12-27

Similar Documents

Publication Publication Date Title
EP3707798B1 (de) Verfahren zur regelung eines elektrischen leistungstransfers sowie stromnetz
Ugranlı et al. Multiple-distributed generation planning under load uncertainty and different penetration levels
EP3107174B1 (de) Verfahren, steuereinrichtung und system zum betreiben eines teilnetzes eines energieversorgungsnetzes
de Fátima Araújo et al. Performance assessment of PSO, DE and hybrid PSO–DE algorithms when applied to the dispatch of generation and demand
DE102013218382B4 (de) Verfahren und System für ein Zuteilen von Energie
EP2864943A1 (de) Verfahren zum betreiben eines versorgungsnetzwerks und versorgungsnetzwerk
EP3469680B1 (de) Verfahren, computer-programm-produkt, vorrichtung und "energie-cluster-service"-system zum managen von regelzielen, insbesondere lastausgleichen, bei der steuerung der versorgung, umwandlung, speicherung, einspeisung, verteilung und/oder des verbrauchs von energie in einem energienetz
DE102014117362A1 (de) Paralleltechnik zum Berechnen von Problemfunktionen zum Lösen eines Leistungsflussoptimierungsproblems
EP3559834A1 (de) Verfahren zur strukturierung eines vorhandenen netzes zur verteilung von elektrischer energie
Uko et al. Adaptive neuro-fuzzy inference system (ANFIS) model for forecasting and predicting industrial electricity consumption in Nigeria
WO2008125171A1 (de) Verfahren zur systematischen optimierung, planung und/oder entwicklungskontrolle eines systems
DE102018129810A1 (de) Verfahren und Vorrichtung zur Steuerung einer Anzahl von energieeinspeisenden und/oder energieverbrauchender Einheiten
Mahmood et al. Modeling, simulation and forecasting of wind power plants using agent-based approach
EP3075053A1 (de) Verfahren zur rechnergestützten konfiguration eines elektrischen stromnetzes
EP3767770A1 (de) Verfahren zum steuern eines austausches von energien innerhalb eines energiesystems sowie energiesystem
DE102018213862A1 (de) Verfahren zum Steuern eines Austauschs von Energie zwischen Energiesubsystemen zu angeglichenen Konditionen; Steuerungszentrale; Energiesystem; Computerprogramm sowie Speichermedium
WO2021037553A1 (de) Verfahren zur stabilisierung eines elektrischen energienetzes
EP3664242B1 (de) Prädiktive betriebsplanung in einem mikronetz mit leistungsaustausch zwischen dem mikronetz und einem hauptstromnetz
Korad et al. Zonal do-not-exceed limits with robust corrective topology control
EP3352326B1 (de) System zur generierung von echtzeit-information und prognose von leistungsregelungen aufgrund von netzengpässen in einem stromnetz
Gebbran et al. Coordination of Prosumer Agents via Distributed Optimal Power Flow: An Edge Computing Hardware Prototype.
Mpelogianni et al. Modeling a microgrid using fuzzy cognitive maps
EP3664243B1 (de) Prädiktive betriebsplanung in einem mikronetz unter berücksichtigung von hochlastzeitfenstern eines hauptstromnetzes
Martínez et al. Toward a scalable chance-constrained formulation for unit commitment to manage high penetration of variable generation
EP3667851B1 (de) Erstellung dynamischer modelle von netzknoten in einem nieder- und/oder mittelspannungs-verteilnetz durch selbstlernenden algorithmus

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20141210

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20161028

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS AKTIENGESELLSCHAFT

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20190103