EP4211642A1 - Zustandsschätzung eines stromnetzes - Google Patents

Zustandsschätzung eines stromnetzes

Info

Publication number
EP4211642A1
EP4211642A1 EP21797999.6A EP21797999A EP4211642A1 EP 4211642 A1 EP4211642 A1 EP 4211642A1 EP 21797999 A EP21797999 A EP 21797999A EP 4211642 A1 EP4211642 A1 EP 4211642A1
Authority
EP
European Patent Office
Prior art keywords
neural network
inputs
power grid
harmonics
measurement signals
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.)
Pending
Application number
EP21797999.6A
Other languages
English (en)
French (fr)
Inventor
Sascha Batz
Mathias Duckheim
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
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
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, Siemens Corp filed Critical Siemens AG
Publication of EP4211642A1 publication Critical patent/EP4211642A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote monitoring or remote control of equipment in a power distribution network
    • H02J13/12—Monitoring network conditions, e.g. electrical magnitudes or operational status
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • H02J2103/35—Grid-level management of power transmission or distribution systems, e.g. load flow analysis or active network management
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • Y04S10/30—State monitoring, e.g. fault, temperature monitoring, insulator monitoring, corona discharge

Definitions

  • the invention relates to a method according to the preamble of patent claim 1, a method according to the preamble of patent claim 14 and an artificial neural network according to the preamble of patent claim 15 It is important to record the status of the respective network (network status) almost in real time. It is typically not possible to fully determine the state of the network, so that an estimate of the state of the network (state estimate) is used for this purpose. Such estimation methods are known from the prior art, in particular for high-voltage grids. For low-voltage grids (local grids), the grid status, i.e. for example the voltage and/or the current, the active and/or reactive power feed-in/feed-off at the nodes or within branches of the power grid, is typically unknown.
  • the network status variables - if at all - are recorded in low-voltage networks at individual central measuring points, such as transformer stations.
  • individual central measuring points such as transformer stations.
  • the network topology and the network status of the underlying network are largely unknown.
  • the grid status could be determined by measuring the corresponding grid status variables (measured variables), such as voltage, current, active power and/or reactive power, at all existing nodes of the power grid.
  • measured variables such as voltage, current, active power and/or reactive power
  • state estimation thus refers to the estimation of the current network state on the basis of measurements, i.e. measurement signals.
  • a disaggregation is a mapping P(t) ⁇ (P 1 (t),...,P N (t)).
  • a disaggregation is extremely complex and severely underdetermined, so that typically only an estimate of the network status can be made (status estimate).
  • ANN Artificial neural networks
  • AIs can be used to estimate the state of power grids.
  • the object of the present invention is to provide an improved method for estimating the state of a power grid using an artificial neural network. Furthermore, it is the object of the present invention to provide improved training and an improved artificial neural network for state estimation.
  • the computer-assisted method according to the invention for estimating the state of a power grid, in particular a low and/or medium-voltage grid, using an artificial neural network, with the neural network having one or more inputs technically associated with the power grid, and the state estimation using recorded temporal measurement signals of the power network, which are used as inputs for the neural network, is calculated, is characterized in that at least the amplitude of a harmonic of one of the measurement signals is used as an input for the neural network.
  • State variables of the power grid in particular its complex voltage values and current values, are calculated and estimated at a number of nodes and/or branches of the power grid by means of a state estimation (grid state estimation). This is based on measured values or measurement signals of the state variables mentioned, which were or are only recorded in individual areas or at individual points of the power grid.
  • an artificial neural network is referred to as a neural network, so that the term neural network is always understood to mean artificial neural networks (ANN).
  • ANN artificial neural networks
  • the neural network has at least one input layer, one or more hidden layers and an output layer.
  • the input layer of the neural network and thus the neural network includes several inputs technically associated with the power grid.
  • values of technical parameters of the power grid for example its voltages at a number of nodes, can be fed to one of the inputs of the neural network as an input value.
  • input values or input values are applied to the inputs of the neural network.
  • the inputs or the input values are determined, at least in part, based on time measurement signals from the power grid.
  • the neural network calculates one or more output values.
  • the neural network has one or more outputs. The output values thus correspond to a specific state estimate.
  • the inputs can thus also act as input neurons and the outputs as output neurons of the neural network. to get nabbed. If a variable, such as the amplitude of a harmonic, is used as the input of the neural network, this means in other words that the value of the variable is fed to at least one input neuron of the neural network as an input value.
  • a variable such as the amplitude of a harmonic
  • the amplitude of the harmonics is fundamentally complex, ie it has a magnitude and a phase or a real part and an imaginary part.
  • the term amplitude thus includes the absolute value of the amplitude, the phase, the real part and the imaginary part of the harmonic.
  • the complex-valued amplitude, the absolute value of the amplitude, the real part and/or the imaginary part of the amplitude of the harmonic can be used individually or in combination as the input or inputs.
  • the neural network has an input or an input neuron to which the amplitude or the amplitude value of the harmonic of the measurement signal can be supplied as an input or an input value.
  • the neural network is designed and trained to consider and use the amplitude of the harmonics to calculate the state estimate of the power grid.
  • spectral data of the measurement signals are used according to the invention for the state estimation, optionally in addition to the directly detected measurement signals.
  • the power grid designed as an AC voltage grid has the fundamental frequency f0 , for example 50 Hz or 60 Hz
  • a harmonic of the measurement signal is characterized in that it has a frequency that is an integral multiple of the specified fundamental frequency of the power grid.
  • U(t) denotes the temporal Measurement signal of the voltage at a node of the power grid for a specific time range
  • ⁇ m
  • ⁇ (f mf 0 )
  • ⁇ (f) denotes the Fourier transform (spectral function) of the measurement signal.
  • ⁇ (f mf 0 )
  • and/or their phase can be used as amplitude within the meaning of the present invention.
  • the amplitudes of the harmonics of the measurement signal are particularly suitable for estimating the state, since they are characteristic of non-linear components and/or systems in the power grid.
  • the harmonics symbolically form a kind of fingerprint for the components and/or systems connected to the power grid.
  • the state estimation for the power grid is thus improved by the neural network according to the invention, which is appropriately designed and trained.
  • a further advantage of the present invention is that an improved estimation of the grid state (state estimation) can be achieved without further or larger installations or investments in the electricity grid. This is the case because essentially the cumulative detected measurement signal at the respective node of the power grid, in particular only at the zeroth node of the power grid, for example at a transformer station, is sufficient.
  • the inventive method is resource-saving, since a Fourier transformation, for example by means fast Fourier transform (FFT for short), can be implemented efficiently, or can already be executed directly by the measuring device, which detects the measuring signal and makes it available for the neural network.
  • FFT fast Fourier transform
  • the present invention thus provides an improved grid state estimation, in particular for heavily underdetermined systems, such as medium-voltage or low-voltage grids.
  • improved intelligent control of the power grid can be achieved, particularly with regard to digital power grids.
  • the amplitude of the harmonics is determined by means of a Fourier transformation of the measurement signal.
  • the spectrum of the measurement signal is advantageously determined by means of the Fourier transformation.
  • the spectrum or the spectral function determined from the measurement signal typically has several peak values for a power grid, which correspond to the harmonics or their amplitudes.
  • the harmonics and their associated amplitudes can thus be determined quickly and efficiently by means of the Fourier transformation.
  • additional temporal and/or spectral filters can be provided. For example, only a specific time range is used for the Fourier transformation and/or a specific frequency range is taken into account for determining the amplitudes of the harmonics.
  • any known method in particular an FFT, can be used to ascertain or determine the amplitudes.
  • one or more ratios of amplitudes of harmonics of the measurement signal are additionally used as inputs.
  • the neural network is designed and trained in such a way that the ratio of the amplitudes can be supplied to it as an input value for an input neuron.
  • This advantageously improves the state estimation for the power grid. This is the case because components and/or installations in the power grid have a certain ratio of amplitudes of harmonics.
  • the ratio of amplitudes of certain harmonics is an improved fingerprint for the respective components and/or systems of the power grid. For example, for power supplies
  • one or more rise times and/or one or more fall times within the measurement signal are additionally used as inputs.
  • rise times and/or fall times determined from the measurement signal are used as input values for the neural network.
  • the neural network is in turn designed and trained accordingly, so that it can take into account the rise times and/or fall times as input.
  • the neural network has inputs or input neurons for the rise times and/or fall times determined from the measurement signal or measurement signals.
  • the rise times and/or fall times are determined from the measurement signal. If several measurement signals are available, rise times and/or fall times can be determined for each measurement signal and taken into account by the neural network.
  • the rise times and/or fall times are characteristic of the components/equipment connected to the power grid. For example, a heat pump has a characteristic rise time.
  • the rise times and/or fall times thus form an additional fingerprint for the components and/or systems of the power grid. That The neural network takes this into account or can be trained better by it, so that an improved state estimate can be determined.
  • the rise times and/or fall times are determined using a Pade-Laplace method, the rise times and/or fall times being determined by the poles of the Pade approximation of the Laplace transform of the measurement signal.
  • the rise times and/or fall times form an advantageous fingerprint for components and/or systems of the power grid.
  • determining the rise times and/or fall times is not readily possible from the measurement signal or its Fourier transform.
  • the rise times and/or fall times are preferably determined using the Pade-Laplace method (Pade-Laplace fitting).
  • the Laplace transform of the measurement signal is determined, for example numerically.
  • the Laplace transform of one or more exponential rise/fall has real-valued poles corresponding to the characteristic rise times and/or fall times.
  • the residual of the poles corresponds to the amplitude of the rise/fall.
  • the rise times and/or fall times can basically be determined from the Laplace transform.
  • a characteristic drop within the measurement signal of the form f(t) ⁇ a ⁇ exp( ⁇ kt) has the Laplace transform L(s) ⁇ a/(k+s).
  • the Laplace transform has several associated poles.
  • the Laplace transform is advantageously approximated by a Pade approximation.
  • a rational function (Pade approximant) of the order [n/m] is determined, which approximates the Laplace transform.
  • the poles of the Laplace transform can be determined particularly efficiently through the zeros of the denominator of the determined rational function.
  • the technically characteristic rise times and/or fall times of components and/or installations in the power grid can be determined in a particularly advantageous manner, even if their rises/falls are superimposed in the measurement signal.
  • the order [n/(n ⁇ 1)] (n ⁇ 2) is particularly preferably used for the Pade approximation.
  • the numerator of the Pade approximant is particularly preferably a polynomial of the nth degree and the denominator of the Pade approximant is a polynomial of the (n ⁇ 1)th degree. This is advantageous because it ensures that the poles of the Pade approximant correspond to the characteristic rise times and/or fall times within the measurement signal.
  • the Best possible rational function in terms of the Pade-Laplace method is determined, with the coefficients a j and b j being determined for this purpose.
  • the rise times and/or fall times are therefore true, with mathematically equivalent formulations of the denominator being equivalent thereto.
  • n is increased up to a specified maximum value until no further rise times and/or fall times are determined.
  • all characteristic fall times and/or rise times present in the measurement signal can be determined in this way. This is the case because with each increase in n, a further zero of the denominator (pole) of the Pade approximant can be added. If n is increased and no further poles are added, then it can be assumed that all existing characteristic rise times and/or fall times have been determined.
  • a particularly preferred method for determining the rise times and/or fall times for estimating the state of a power grid therefore includes the following steps:
  • the rise times and/or fall times determined in this way from the measurement signal or the measurement signals are then fed to the inputs of the neural network for state estimation and/or used to train the neural network.
  • amplitudes of subharmonics of the measurement signal are also used as inputs.
  • the neural network is designed and trained in such a way that this subharmonic of the measurement signal is taken into account or used as inputs for state estimation.
  • Subharmonics occur, for example, when the measurement signal includes characteristic, non-periodic components.
  • the measurement signals are recorded at nodes of the power grid, in particular at substations and/or transformer stations.
  • the nodes are particularly advantageous since they are typically formed by accessible installations that are characteristic of the power grid, such as substations, transformer stations and/or junction boxes. There it is easy to acquire the measuring signals, for example measuring the voltage, the current, the active power and/or reactive power. In addition, additional measuring devices can easily be installed or retrofitted there if necessary and advantageous. Furthermore, the detection of the measurement signals at the nodes of the power grid takes into account the network topology of the power grid.
  • a neural network is used as the neural network, which was trained using a training data set that includes multiple amplitudes of harmonics of one and/or multiple measurement signals inputs were or are being used.
  • a neural network is used as the neural network, which was trained by means of a training data set that has multiple rise times and/or fall times of one and/or multiple measurement signals. len, the rise times and/or fall times being used as inputs for training the neural network.
  • the neural network trained in this way is designed to determine the amplitudes of harmonics of the measurement signal and/or or to take rise times and/or fall times determined from the measurement signal into account as inputs and thus use them to estimate the state of the power grid.
  • the state is estimated for a power grid designed as a low-voltage grid and/or medium-voltage grid.
  • the power grid is preferably designed as a low-voltage grid and/or medium-voltage grid.
  • This is advantageous because, particularly for low-voltage networks and/or medium-voltage networks, there is insufficient knowledge based on measured values about the network status.
  • the present invention solves this technical problem by means of a correspondingly designed neural network, which, according to the invention, takes into account or directly includes spectral data and additional characteristic rise times and/or fall times for the state estimation.
  • FIG. 1 shows a flow chart for a state estimation according to an embodiment of the present invention
  • FIG. 2 shows a diagram to illustrate the spectral data (harmonics) of a measurement signal.
  • FIG. 1 shows a schematic sequence of a state estimation 21 for a power grid using a neural network 1 designed and trained according to the present invention.
  • the neural network 1 is represented symbolically by its neurons (circles) and their connections (arrows).
  • the neural network 1 has an input layer 14 with a number of inputs 41 , one or more hidden layers 11 and an output layer 12 with a number of outputs 21 .
  • the neural network 1 calculates the outputs 21 via its hidden layers 11, which correspond to the outputs 21 of the neural network.
  • the outputs or outputs 21 then correspond to the state estimate for the power grid for the inputs 41 that are supplied, so that the state estimate is identified by the same reference number 21 .
  • Input values or input data which must be supplied to the inputs 41 of the neural network 1, are therefore required in order to calculate the state estimate 21 .
  • the inputs 41 can be identified with these data/values, since a fixed input 41 is assigned to each specific value, for example a voltage value.
  • several different data/values/inputs categorized in boxes 42, 44, 46 in the figure are used.
  • the amplitudes of harmonics 42 of the measurement signals, rise times 42 within the measurement signals and/or fall times 42 within the measurement signals are used as inputs 41 .
  • these inputs according to the invention, that is to say the amplitudes of harmonics, the rise times and/or the fall times are combined by box 42, so that in the present case they have the same reference number 42.
  • ratios of amplitudes of harmonics within the same measurement signal and/or across different measurement signals can be used as inputs 41 .
  • the measurement signals are recorded for the state estimation 21 on the power grid, in particular at nodes of the power grid.
  • the detection takes place within a time range, with the state estimate 21 then being calculated for the stated time range.
  • a time-resolved state can be estimated on the basis of currently detected measurement signals.
  • the measurement signals can be voltage signals, current signals, active power signals and/or reactive power signals.
  • the measurement signals can record the voltage, the current, the active power and/or the reactive power (measured variables) at the respective nodes and/or branches of the power grid within a fixed or specific time range.
  • a time profile of the respective measured variable is recorded at one or more nodes of the power grid.
  • a state estimate 21 is achieved in real time.
  • the amplitudes of the harmonics are typically determined by means of a Fourier transformation of the respective measurement signal.
  • the Fourier transform of the measurement signals is calculated, for example using an FFT. Equivalent to this, the spectral power density of the measurement signal, ie the spectrum of the measurement signal, could be determined. This can be done using the autocorrelation of the measurement signal.
  • the frequency spectrum of the measurement signal is calculated using the Fourier transform of the measurement signal.
  • the absolute value of the frequency spectrum is referred to as the amplitude spectrum and, like the spectral power density, can also be used to determine the amplitudes of the harmonics. It is crucial that spectral, ie frequency-dependent data is determined from the measurement signal, by means of which it is possible to determine the harmonics and their associated amplitudes. A particularly preferred means for this is the Fourier transformation and/or the calculation of the spectral power density.
  • the state is estimated 21 based on current measurement data or its associated current spectral data.
  • rise times and/or fall times within the measurement signals are used as inputs 41 as an alternative or in addition, these can be determined from the measurement signals using the method described above, ie using a Pade-Laplace method.
  • the determined Rise times and/or fall times are also fed to the associated inputs 41 of the neural network 1 for state estimation 21 .
  • the peak amplitudes (poles of the Pade-Laplace transform) are particularly relevant, since they correspond to the characteristic start-up times (rise times) or run-down times (fall times) of the respective systems.
  • heat pumps or the charging of e-cars have such characteristic times that can be determined using the Laplace transform and the subsequent determination of the (best) Pade approximant.
  • these are preferably also used as fingerprints for learning the neural network 1 and analogously for calculating the state estimate 21 .
  • the measurement signals recorded are additionally used as inputs 41 for the neural network 1 .
  • the absolute value of the voltage U n,t,LF , the current I n,t,L,F , the real power P n,t,L,F and/or the reactive power is used as input 41 .
  • the index t indicates the respective time dependency of the variables mentioned.
  • the specified variables or input variables are brought together within block 44.
  • exogenous parameters such as temperatures T n,t , geographic coordinates and/or time data (E GHI,n,t ) and/or weather data and/or historical network states can be used as inputs when calculating the state estimate .
  • exogenous parameters such as temperatures T n,t , geographic coordinates and/or time data (E GHI,n,t ) and/or weather data and/or historical network states can be used as inputs when calculating the state estimate .
  • directly known voltage profiles over time of certain systems, such as heat pumps could continue to be used. Thus, these variables must also be used when training the neural network 1 be provided. Additional parameters or data can be provided.
  • the state estimate 21 of the power grid can be read at the outputs 21 of the neural network 1 .
  • at the nodes (node voltages) and the branch currents I nn',t (branch currents) between nodes n and n' (at the respective point in time or within the respective time range) based on the respective inputs/ Input data 41 is calculated by means of the neural network 1.
  • the calculated node voltages are summarized and identified by box 22 in FIG.
  • the calculated branch currents are summarized and identified by box 24 .
  • Figure 2 shows a diagram to illustrate the spectral data (harmonics) of a measurement signal 4.
  • the diagram on the left in FIG. 2 shows an exemplary time measurement signal 4 of the voltage at a node of the power grid.
  • the time is plotted in arbitrary units on the abscissa 100 of the left-hand diagram.
  • the magnitude of the voltage is entered in any desired units.
  • the measurement signal 4 has a fundamental frequency of 50 Hz. Furthermore, the measurement signal has higher harmonic components that are not directly recognizable from the time profile of the measurement signal. If, for example, a Fourier transformation 104 of the measurement signal 4 is carried out, then in particular the amplitude spectrum of the measurement signal 4 can be calculated.
  • the amplitude spectrum determined from the measurement signal 4 by means of a Fourier transformation is shown in the right-hand diagram of FIG. In addition to noise, this shows several spikes that correspond to the harmonics. Each spike marks a harmonic, these being different have amplitudes. For example, for a fundamental frequency of 50 Hz, the harmonics in the right diagram shown are 100 Hz, 150 Hz, 200 Hz, 250 Hz, 300 Hz, 350 Hz and 400 Hz. The amplitude of the first harmonic (100 Hz) and the second Harmonics (100 Hz) are the largest here.
  • the amplitudes of the harmonics for the respective measurement signal can thus be determined by means of the amplitude spectrum and used for the state estimation by means of the neural network or for its training. Furthermore, a ratio of amplitudes of the harmonics can preferably be used for the state estimation or its training.
  • spectral data ie higher harmonics
  • characteristic times which can be determined by means of a Pade-Laplace transform, for example, are used alternatively or additionally for the training and thus for the state estimation.
  • the input variables according to the invention form a fingerprint for the systems connected to the power grid, so that the estimation of the neural network with regard to the network state is significantly improved by the present invention.
  • a further advantage of the present invention is that an improved estimation of the grid state (state estimation) can be achieved without further or larger installations or investments in the electricity grid.
  • the method according to the invention is also resource-saving, since a Fourier transformation/Laplace transformation can be implemented efficiently or can already be carried out directly by the measuring device.
  • an improved state estimation or grid state estimation is provided, in particular for heavily underdetermined power grids, such as medium-voltage or low-voltage power grids.
  • improved intelligent control of the power grid can be achieved, particularly with regard to digital power grids and renewable energies.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Measurement Of Resistance Or Impedance (AREA)
  • Debugging And Monitoring (AREA)

Abstract

Es wird ein computergestütztes Verfahren zur Zustandsschätzung (2) eines Stromnetzes, insbesondere eines Nieder- und/oder Mittelspannungsnetzes, mittels eines künstlichen neuronalen Netzes (1) vorgeschlagen, wobei das neuronale Netz (1) einen oder mehrere mit dem Stromnetz technisch assoziierte Eingänge (41) aufweist, und die Zustandsschätzung (2) durch erfasste zeitliche Messsignale (4) des Stromnetzes, die als Eingänge (41) für das neuronale Netz (1) herangezogen werden, berechnet wird. Das Verfahren ist gekennzeichnet dadurch, dass wenigstens die Amplitude (42) einer Harmonischen eines der Messsignale (4) als Eingang (41) für das neuronale Netz (1) verwendet wird. Weiterhin betrifft die Erfindung ein zugehöriges Verfahren zum Trainieren eines künstlichen neuronalen Netzes (1) sowie ein entsprechendes künstliches neuronales Netz (1).

Description

Beschreibung Zustandsschätzung eines Stromnetzes Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Patentanspruches 1, ein Verfahren gemäß dem Oberbegriff des Patentanspruches 14 sowie ein künstliches neuronales Netz gemäß dem Oberbegriff des Patentanspruches 15. Zur Regelung/Steuerung von Energieübertragungsnetzen, insbe- sondere von Stromnetzen, ist es wichtig, den Zustand des je- weiligen Netzes (Netzzustand) nahezu in Echtzeit zu erfassen. Die Bestimmung des Netzzustandes ist typischerweise nicht vollständig möglich, sodass hierzu eine Schätzung des Netzzu- standes (Zustandsschätzung) verwendet wird. Aus dem Stand der Technik sind solche Schätzverfahren insbesondere für Hoch- spannungsnetze bekannt. Für Niederspannungsnetze (Ortsnetze) ist der Netzzustand, das heißt beispielsweise die Spannung und/oder der Strom, die Wirk- und/oder Blindleistungseinspeisung/-ausspeisung an den Knotenpunkten beziehungsweise innerhalb von Zweigen des Stromnetzes typischerweise unbekannt. Besonders im Hinblick auf lokal erzeugte erneuerbare Energie und somit im Hinblick auf eine dezentrale Erzeugung von Energie, beispielsweise durch Photovoltaikanlagen, die ins örtliche Niederspannungs- netz einspeisen, sowie durch zusätzliche Belastungen, die bei der Planung des Stromnetzes nicht berücksichtigt wurden, wie beispielsweise Ladevorgänge von Elektrofahrzeugen und Wärme- pumpen, wird die Erfassung des Netzzustandes, das heißt die Zustandsschätzung für Stromnetze, immer wichtiger. Das ist insbesondere deshalb der Fall, da der Netzbetreiber für die Netzzustandsgrößen des Netzes, beispielsweise Spannungen, Ströme und/oder Leistungen, die Einhaltung von jeweiligen Grenzwerten sicherstellen muss. Insbesondere im Hinblick auf neuerer Entwicklungen, wie bei- spielsweise lokale Energiemärkte, die im Wesentlichen durch eine dezentrale und lokale Regelung des Verbrauchs und der Erzeugung gekennzeichnet sind, ist die Kenntnis des Netzzu- standes von Bedeutung.
Eine solcher lokaler Energiemarkt für den Austausch elektri- scher Energie ist beispielsweise aus dem Dokument EP 3518369 Al bekannt.
Typischerweise werden die Netzzustandsgrößen - wenn überhaupt - bei Niederspannungsnetzen an einzelnen zentralen Messstel- len, wie beispielsweise Trafostationen, erfasst. Hierbei sind jedoch die Netztopologie sowie der Netzzustand des tieferlie- genden Netzes größtenteils unbekannt.
Grundsätzlich könnte der Netzzustand durch Messung der ent- sprechenden Netzzustandsgrößen (Messgrößen), wie Spannung, Strom, Wirkleistung und/oder Blindleistung, an allen vorhan- denen Knotenpunkten des Stromnetzes ermittelt werden. Dies wäre jedoch mit einem hohen Aufwand und hohen Investitionen für Messgeräte, Inbetriebnahme und Konfiguration sowie Be- trieb verbunden, die für die typischen Kostenstrukturen für Mittel- und/oder Niederspannungsnetze zu groß sind.
Vorteilhafter sind Verfahren, die basierend auf wenigen Mess- signalen den Netzzustand schätzen können (Zustandsschätzung; engl. State Estimation). Der Begriff der Zustandsschätzung bezeichnet somit das Abschätzen des aktuellen Netzzustandes auf Basis von Messungen, das heißt Messsignalen.
Grundsätzlich wird versucht basierend auf einem erfassten Summensignal einer Messstelle auf den Verbrauch und/oder die Erzeugung der hinter der Messstelle liegenden Anlagen zu schließen (Disaggregation). Bezeichnet Pi(t) beispielsweise die Leistungseinspeisungen verschiedener Anlagen i= 1, so wird ein Summensignal , etwa an einer Trafosta- tion, gemessen. Somit ist eine Disaggregation eine Zuordnung P(t) →(P1(t), ...,PN(t)). Eine solche Disaggregation ist jedoch äußerst komplex und stark unterbestimmt, sodass typischer- weise lediglich eine Schätzung bezüglich des Netzzustandes erfolgen kann (Zustandsschätzung).
Für die Zustandsschätzung von Stromnetzen können künstliche neuronale Netze (engl. Artificial Neural Network; abgekürzt ANN), das heißt KIs, verwendet werden.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein verbessertes Verfahren zur Zustandsschätzung eines Stromnet- zes mittels eines künstlichen neuronalen Netzes bereitzustel- len. Weiterhin ist es die Aufgabe der vorliegenden Erfindung ein verbessertes Training sowie ein verbessertes künstliches neuronales Netz zur Zustandsschätzung bereitzustellen.
Die Aufgabe wird durch ein Verfahren mit den Merkmalen des unabhängigen Patentanspruches 1, durch ein Verfahren mit den Merkmalen des unabhängigen Patentanspruches 14 sowie durch ein künstliches neuronales Netz mit den Merkmalen des unab- hängigen Patentanspruches 15 gelöst. In den abhängigen Pa- tentansprüchen sind vorteilhafte Ausgestaltungen und Weiter- bildungen der Erfindung angegeben.
Das erfindungsgemäße computergestützte Verfahren zur Zu- standsschätzung eines Stromnetzes, insbesondere eines Nieder- und/oder Mittelspannungsnetzes, mittels eines künstlichen neuronalen Netzes, wobei das neuronale Netz einen oder mehre- re mit dem Stromnetz technisch assoziierte Eingänge aufweist, und die Zustandsschätzung durch erfasste zeitliche Messignale des Stromnetzes, die als Eingänge für das neuronale Netz her- angezogen werden, berechnet wird, ist gekennzeichnet dadurch, dass wenigstens die Amplitude einer Harmonischen eines der Messsignale als Eingang für das neuronale Netz verwendet wird.
Das erfindungsgemäße Verfahren und/oder eine oder mehrere Funktionen, Merkmale und/oder Schritte des erfindungsgemäßen Verfahrens und/oder einer seiner Ausgestaltungen können com- putergestützt sein. Mittels einer Zustandsschätzung (Netzzustandsschätzung) eines Stromnetzes werden grundsätzlich Zustandsgrößen des Stromnet- zes, insbesondere seine komplexen Spannungswerte sowie Strom- werte, an mehreren Knotenpunkten und/oder Zweigen des Strom- netzes berechnet und abgeschätzt. Dies erfolgt basierend auf Messwerten beziehungsweise Messsignalen der genannten Zu- standsgrößen, die lediglich in einzelnen Bereichen oder an einzelnen Punkten des Stromnetzes erfasst wurden oder erfasst werden.
Vorliegend wird ein künstliches neuronales Netz als neurona- les Netz bezeichnet, sodass unter dem Begriff des neuronalen Netzes stets künstliche neuronale Netze (ANN) verstanden wer- den.
Das neuronale Netz weist wenigstens eine Eingabeschicht (engl. Input Layer), eine oder mehrere verborgene Schichten (engl. Hidden Layers) sowie eine Ausgabeschicht (engl. Output Layer) auf. Die Eingabeschicht des neuronalen Netzes und so- mit das neuronale Netz umfasst mehrere technisch mit dem Stromnetz assoziierte Eingänge. Mit anderen Worten können Werte technischer Größen des Stromnetzes, beispielsweise sei- ne Spannungen an mehreren Knotenpunkten, einem der Eingänge des neuronalen Netzes als Eingabewert zugeführt werden. Mit anderen Worten werden an den Eingängen des neuronalen Netzes Eingangswerte beziehungsweise Eingabewerte angelegt. Die Ein- gänge beziehungsweise die Eingabewerte werden vorliegend we- nigstens teilweise basierend auf zeitlichen Messsignalen des Stromnetzes ermittelt. In Abhängigkeit der genannten Eingänge beziehungsweise der zugehörigen Eingabewerte berechnet das neuronale Netz einen oder mehrere Ausgabewerte. Mit anderen Worten weist das neuronale Netz einen oder mehrere Ausgänge auf. Die Ausgabewerte entsprechen somit einer bestimmten Zu- standsschätzung .
Die Eingänge können somit ebenfalls als Eingangsneuronen und die Ausgänge als Ausgangsneuronen des neuronalen Netzes auf- gefasst werden. Wird somit eine Größe, wie beispielsweise die Amplitude einer Harmonischen, als Eingang des neuronalen Net- zes verwendet, so bedeutet dies in anderen Worten, dass we- nigstens einem Eingabeneuron des neuronalen Netzes der Wert der Größe als Eingabewert zugeführt wird.
Die Amplitude der Harmonischen ist grundsätzlich komplexwer- tig, das heißt diese weist einen Betrag und eine Phase bezie- hungsweise einen Realteil sowie einen Imaginärteil auf. Vor- liegend umfasst der Begriff der Amplitude somit den Betrag der Amplitude, die Phase, den Realteil und den Imaginärteil der Harmonischen. Mit anderen Worten kann die komplexwertige Amplitude, der Betrag der Amplitude, der Realteil und/oder der Imaginärteil der Amplitude der Harmonischen einzeln oder in Kombination als Eingang beziehungsweise Eingänge verwendet werden.
Gemäß der vorliegenden Erfindung wird wenigstens die Amplitu- de einer der Harmonischen eines der Messsignale als Eingang für das neuronale Netz verwendet. Mit anderen Worten weist das neuronale Netz einen Eingang beziehungsweise ein Ein- gangsneuron auf, welchem die Amplitude beziehungsweise der Amplitudenwert der Harmonischen des Messsignals als Eingabe beziehungsweise Eingabewert zugeführt werden kann. Das neuro- nale Netz ist derart ausgebildet und trainiert, dass es die Amplitude der Harmonischen zum Berechnen der Zustandsschät- zung des Stromnetzes berücksichtigt und verwendet. Mit ande- ren Worten werden, gegebenenfalls ergänzend zu den direkt er- fassten Messsignalen, erfindungsgemäß spektrale Daten der Messsignale (Frequenzraum) für die Zustandsschätzung verwen- det.
Weist beispielsweise das als Wechselspannungsnetz ausgebilde- te Stromnetz die Grundfrequenz f0 auf, beispielsweise 50 Hz oder 60 Hz, so ist eine Harmonische des Messsignals dadurch gekennzeichnet, dass diese eine Frequenz aufweist, die ein ganzzahliges Vielfaches der genannten Grundfrequenz des Stromnetzes ist. Bezeichnet beispielsweise U(t) das zeitliche Messignal der Spannung an einem Knotenpunkt des Stromnetzes für einen bestimmten Zeitbereich, so ist Âm = |Û(f = mf0)| die Amplitude der m-ten Harmonischen des Zeitsignals, wobei Û(f) die Fourier-Transformierte (Spektralfunktion) des Messignals bezeichnet. Grundsätzlich kann die komplexe Amplitude Âm = Û(f = mf0) und/oder deren Realteil Âm = Re[Û(f = mf0)] oder/oder der Imaginärteil Âm = Im[Û(f = mf0)]und/oder deren Betrag Âm = |Û(f = mf0)| und/oder deren Phase als Amplitude im Sinne der vorliegenden Erfindung verwendet werden.
Mit anderen Worten ist es ein Grundgedanke der vorliegenden Erfindung, nicht nur die einzelnen zeitlichen Messsignale U(t) beispielsweise zum Training des neuronalen Netzes und/oder zur Zustandsschätzung heranzuziehen, sondern erfin- dungsgemäß zusätzlich Werte der frequenzabhängigen zugehöri- gen Spektralfunktion des Messsignals Û(f) zu verwenden.
Die Amplituden der Harmonischen des Messsignals sind zur Zu- standsschätzung besonders gut geeignet, da diese charakteris- tisch für nichtlineare Komponenten und/oder Anlagen des Stromnetzes sind. Die Harmonischen bilden somit sinnbildlich eine Art Fingerabdruck für die an das Stromnetz angeschlosse- nen Komponenten und/oder Anlagen aus. Somit wird durch das erfindungsgemäße entsprechend ausgebildete und trainierte neuronale Netz die Zustandsschätzung für das Stromnetz ver- bessert.
Ein weiterer Vorteil der vorliegenden Erfindung ist, dass ei- ne verbesserte Schätzung des Netzzustandes (Zustandsschät- zung) ohne weitere oder größere Installationen beziehungswei- se Investitionen in das Stromnetz erreicht werden kann. Das ist deshalb der Fall, da im Wesentlichen das kumulierte er- fasste Messsignal am jeweiligen Knotenpunkt des Stromnetzes, insbesondere lediglich am nullten Knotenpunkt des Stromnet- zes, beispielsweise an einer Trafostation, ausreichend ist.
Weiterhin ist das erfindungsgemäße Verfahren ressourcenscho- nend, da eine Fourier-Transformation, beispielsweise mittels schneller Fourier-Transformation (engl. Fast Fourier Trans- form; abgekürzt FFT), effizient implementierbar ist, oder be- reits direkt durch die Messeinrichtung, die das Messsignal erfasst und für das neuronale Netz bereitstellt, ausführbar ist.
Die vorliegende Erfindung stellt somit eine verbesserte Netz- zustandsschätzung, insbesondere für stark unterdeterminierte Systeme, wie beispielsweise Mittelspannungs- oder Niederspan- nungsnetze, bereit. Dadurch kann eine verbesserte intelligen- te Regelung des Stromnetzes, insbesondere im Hinblick auf di- gitale Stromnetze, erreicht werden.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird die Amplitude der Harmonischen mittels einer Fourier-Trans- formation des Messsignals ermittelt.
Mittels der Fourier-Transformation wird vorteilhafterweise das Spektrum des Messsignals ermittelt. Das Spektrum bezie- hungsweise die aus dem Messsignal ermittelte Spektralfunktion weist für ein Stromnetz typischerweise mehrere Spitzenwerte (engl. Peaks) auf, die den Harmonischen beziehungsweise ihren Amplituden entsprechen. Vorteilhafterweise können mittels der Fourier-Transformation somit die Harmonischen und ihre zuge- hörigen Amplituden schnell und effizient ermittelt werden. Weiterhin können zusätzliche zeitliche und/oder spektrale Filter vorgesehen sein. Beispielsweise wird lediglich ein be- stimmter Zeitbereich für die Fourier-Transformation verwendet und/oder ein bestimmter Frequenzbereich zum Ermitteln der Amplituden der Harmonischen berücksichtigt. Zum Ermitteln o- der Bestimmen der Amplituden kann grundsätzlich jedes bekann- te Verfahren, insbesondere eine FFT, verwendet werden.
In einer vorteilhaften Weiterbildung der Erfindung werden zu- sätzlich ein oder mehrere Verhältnisse von Amplituden von Harmonischen des Messsignals als Eingänge verwendet. Mit anderen Worten ist das neuronale Netz derart ausgebildet und trainiert, dass das Verhältnis der Amplituden diesem als Eingabewert für ein Eingabeneuron zugeführt werden kann. Dadurch wird vorteilhafterweise die Zustandsschätzung für das Stromnetz verbessert. Das ist deshalb Fall, da Komponenten und/oder Anlagen des Stromnetzes ein bestimmtes Verhältnis von Amplituden von Harmonischen aufweisen. Mit anderen Worten ist das Verhältnis von Amplituden bestimmter Harmonischer ein verbesserter Fingerabdruck für die jeweiligen Komponenten und/oder Anlagen des Stromnetzes. So gilt beispielsweise für Netzteile |Û5/Ûo|∈[0.5,0.7], wobei Û5 die Amplitude der 5-ten Har- monischen und Ûo die Amplitude der Grundfrequenz bezeichnet.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden zusätzlich eine oder mehrere Anstiegszeiten und/oder ein oder mehrere Abfallzeiten innerhalb des Messignals als Eingänge verwendet.
Mit anderen Worten werden aus dem Messsignal ermittelte An- stiegszeiten und/oder Abfallzeiten als Eingabewerte für das neuronale Netz verwendet. Hierbei ist das neuronale Netz wie- derum entsprechend ausgebildet und trainiert, sodass dieses die Anstiegszeiten und/oder Abfallzeiten als Eingabe berück- sichtigen kann. Mit anderen Worten weist das neuronale Netz Eingänge beziehungsweise Eingangsneuronen für die aus dem Messsignal beziehungsweise Messsignalen ermittelten Anstiegs- zeiten und/oder Abfallzeiten auf.
Die Anstiegszeiten und/oder Abfallzeiten werden aus dem Mess- signal ermittelt. Liegen mehrere Messsignale bereit, so kön- nen für jedes Messsignal Anstiegszeiten und/oder Abfallzeiten ermittelt und durch das neuronale Netz berücksichtigt werden. Die Anstiegszeiten und/oder Abfallzeiten sind charakteris- tisch für die an das Stromnetz angeschlossenen Komponen- ten/Anlagen. Beispielsweise weist eine Wärmepumpe eine cha- rakteristische Anstiegszeit auf. Somit bilden die Anstiegs- zeiten und/oder Abfallzeiten einen zusätzlichen Fingerabdruck für die Komponenten und/oder Anlagen des Stromnetzes aus. Das neuronale Netz berücksichtigt diese beziehungsweise kann durch diese verbessert trainiert werden, sodass dadurch eine verbesserte Zustandsschätzung ermittelt werden kann.
In einer vorteilhaften Ausgestaltung der Erfindung werden die Anstiegszeiten und/oder Abfallzeiten mittels eines Pade- Laplace-Verfahrens ermittelt, wobei die Anstiegszeiten und/oder Abfallzeiten durch die Pole der Pade-Approximation der Laplace-Transformierten des Messsignals ermittelt werden.
Wie bereits obenstehend genannt, bilden die Anstiegszeiten und/oder Abfallzeiten einen vorteilhaften Fingerabdruck für Komponenten und/oder Anlagen des Stromnetzes aus. Das Ermit- teln der Anstiegszeiten und/oder Abfallzeiten ist jedoch nicht ohne Weiteres aus dem Messsignal oder seiner Fourier- Transformierten möglich.
Vorliegend werden die Anstiegszeiten und/oder Abfallzeiten bevorzugt mittels des Pade-Laplace-Verfahrens (engl. Pade- Laplace-Fitting) ermittelt. Hierzu wird die Laplace-Trans- formierte des Messsignals, beispielsweise numerisch, ermit- telt. Die Laplace-Transformierte eines oder mehrerer exponen- tieller Anstiege/Abfälle weist reellwertige Polstellen auf, die den charakteristischen Anstiegszeiten und/oder Abfallzei- ten entsprechen. Das Residuum der Polstellen entspricht der Amplitude des Anstiegs/Abfalls. Somit können die Anstiegszei- ten und/oder Abfallzeiten grundsätzlich aus der Laplace- Transformierten ermittelt werden. Beispielsweise hat ein cha- rakteristischer Abfall innerhalb des Messsignals der Form f(t)~a·exp(—kt) die Laplace-Transformierte L(s)~a/(k + s). Somit weist diese eine Polstelle für s*= —k auf. Die charakteristi- sche AbfallzeitT wird in diesem einfachen Beispiel durch T = 1/k= 1/|s*| ermittelt.
Allerdings können mehrere Anstiege/Abfälle gleichzeitig in- nerhalb des Messsignals vorhanden sein, sodass die Laplace- Transformierte mehrere zugehörige Polstellen aufweist. Zum Ermitteln mehrerer Polstellen und somit mehrerer Abfallzeiten und/oder Anstiegszeiten wird die Laplace-Transformierte vor- teilhafterweise durch einen Pade-Approximation approximiert. Hierbei wird eine rationale Funktion (engl. Pade-Approximant) der Ordnung [n/m] ermittelt, welche die Laplace-Transformie- rte approximiert. Das ist deshalb von Vorteil, da die Pol- stellen der Laplace-Transformierten durch die Nullstellen des Nenners der ermittelten rationalen Funktion besonders effi- zient ermittelt werden können. Dadurch können die technisch charakteristischen Anstiegszeiten und/oder Abfallzeiten von Komponenten und/oder Anlagen des Stromnetzes, selbst bei ei- ner Überlagerung ihrer Anstiege/Abfalle im Messsignal, beson- ders vorteilhaft ermittelt werden.
Besonders bevorzugt wird für die Pade-Approximation die Ord- nung [n/(n - 1)] verwendet (n≥2). Mit anderen Worten ist beson- ders bevorzugt der Zähler des Pade-Approximanten ein Polynom n-ten Grades und der Nenner des Pade-Approximanten ein Poly- nom (n- 1)-ten Grades. Das ist deshalb von Vorteil, da dadurch sichergestellt wird, dass die Polstellen des Pade- Approximanten den charakteristischen Anstiegszeiten und/oder Abfallzeiten innerhalb des Messsignals entsprechen.
Ist beispielsweise die Laplace-Transformie- rte des zeitlichen Messsignals f(t), so wird die im Sinne des Pade-Laplace-Verfahrens bestmögliche rationale Funktion mit ermittelt, wobei hierzu die Koeffizienten aj und bj bestimmt werden. Die Anstiegszeiten und/oder Abstiegszeiten werden daher durch be- stimmt, wobei mathematisch äquivalente Formulierungen des Nenners hierzu äquivalent sind. Die ermittelten Null- stellen des Nenners des Pade-Approximanten beziehungsweise die ermittelten Polstellen s* entsprechen schließlich, bei- spielsweise über T = 1/ls*l, den charakteristischen Anstiegs- zeiten und/oder Abfallzeiten. Äquivalent zu derart bestimmten Anstiegszeiten und/oder Abfallzeiten können die zugehörigen Werte der Polstellen (s*) direkt als Eingänge für das neuro- nale Netz zur Zustandsschätzung und/oder zum Trainieren des neuronalen Netzes verwendet werden. Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird n bis zu einem festgelegten maximalen Wert solange erhöht, bis keine weiteren Anstiegszeiten und/oder Abfallzeiten ermittelt werden.
Vorteilhafterweise können dadurch alle in dem Messsignal vor- handenen charakteristischen Abfallzeiten und/oder Anstiegs- zeiten ermittelt werden. Das ist deshalb der Fall, da mit je- der Erhöhung von n grundsätzlich eine weitere Nullstelle des Nenners (Polstelle) des Pade-Approximanten hinzukommen kann. Wird n erhöht und kommt keine weitere Polstelle mehr hinzu, so kann davon ausgegangen werden, dass alle vorhandenen cha- rakteristischen Anstiegszeiten und/oder Abfallzeiten ermit- telt wurden.
Somit umfasst ein besonders bevorzugtes Verfahren zum Ermit- teln der Anstiegszeiten und/oder Abfallzeiten für eine Zu- standsschätzung eines Stromnetzes die folgenden Schritte:
- Berechnen der Laplace-Transformierten des Messsignals;
- Ermitteln des Pade-Approximanten der Ordnung [n/(n - 1)] für die berechnete Laplace-Transformierte;
- Ermitteln der Polstellen des Pade-Approximanten, wobei die Anstiegszeiten und/oder Abfallzeiten durch die Polstellen be- stimmt sind; und
- Erhöhen von n (n →n + 1) bis keine weiteren Polstellen mehr auftreten.
Die derart aus dem Messsignal beziehungsweise den Messsigna- len ermittelten Anstiegszeiten und/oder Abfallzeiten werden anschließend den Eingängen des neuronalen Netzes zur Zu- standsschätzung zugeführt und/oder zum Trainieren des neuro- nalen Netzes verwendet.
In einer vorteilhaften Weiterbildung der Erfindung werden zu- sätzlich Amplituden von Subharmonischen des Messsignals als Eingänge verwendet. Mit anderen Worten ist das neuronale Netz derart ausgebildet und trainiert, dass dieses Subharmonische des Messsignals als Eingänge zur Zustandsschätzung berücksichtigt beziehungsweise verwendet. Subharmonische treten beispielsweise auf, wenn das Messsignal charakteristische nicht periodische Anteile um- fasst.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden die Messsignale an Knotenpunkten des Stromnetzes, insbesonde- re an Umspannwerken und/oder Transformatorenstationen, er- fasst.
Dadurch wird vorteilhafterweise die Zustandsschätzung für das Stromnetz verbessert. Weiterhin sind die Knotenpunkte beson- ders vorteilhaft, da typischerweise diese durch für das Stromnetz charakteristische und zugängliche Anlagen, wie bei- spielsweise Umspannwerke, Transformatorstationen und/oder Stromkästen, gebildet werden. Dort ist das Erfassen der Mess- signale, beispielsweise das Messen der Spannung, des Stromes, der Wirkleistung und/oder Blindleistung, einfach möglich. Zu- dem können zusätzliche Messgeräte, falls erforderlich und vorteilhaft, dort einfach installiert beziehungsweise nachge- rüstet werden. Weiterhin berücksichtigt das Erfassen der Messsignale an den Knotenpunkten des Stromnetzes die Netzto- pologie des Stromnetzes.
In einer vorteilhaften Weiterbildung der Erfindung wird als neuronales Netz ein neuronales Netz verwendet, welches mit- tels eines Trainingsdatensatzes trainiert wurde, der mehrere Amplituden von Harmonischen eines und/oder mehrerer Messsig- nale umfasst, wobei zum Trainieren des neuronalen Netzes die Amplituden der Harmonischen als Eingänge verwendet wurden be- ziehungsweise werden.
Weiterhin ist es bevorzugt, wenn als neuronales Netz ein neu- ronales Netz verwendet wird, welches mittels eines Trainings- datensatzes trainiert wurde, der mehrere Anstiegszeiten und/oder Abfallzeiten von einem und/oder mehreren Messsigna- len umfasst, wobei zum Trainieren des neuronalen Netzes die Anstiegszeiten und/oder Abfallzeiten als Eingänge verwendet wurden beziehungsweise werden.
Mit anderen Worten ist das derart trainierte neuronale Netz dazu ausgebildet, für ein oder mehrere unbekannte Messsigna- le, welche nicht zum Trainieren verwendet wurden und bei- spielswiese aktuell an einem oder mehreren Knotenpunkten des Stromnetzes erfasst wurden, die Amplituden von Harmonischen des Messsignals und/oder aus dem Messsignal ermittelte An- stiegszeiten und/oder Abfallzeiten als Eingänge zu berück- sichtigen und somit zur Zustandsschätzung für das Stromnetz zu verwenden.
Gemäß einer vorteilhaften Ausgestaltung der Erfindung erfolgt die Zustandsschätzung für ein als Niederspannungsnetz und/oder Mittelspannungsnetz ausgebildetes Stromnetz.
Mit anderen Worten ist das Stromnetz bevorzugt als Nieder- spannungsnetz und/oder Mittelspannungsnetz ausgebildet. Das ist deshalb von Vorteil, da insbesondere für Niederspannungs- netze und/oder Mittelspannungsnetze keine ausreichende mess- wertbasierte Kenntnis über den Netzzustand vorhanden ist. Die vorliegende Erfindung löst dieses technische Problem durch ein entsprechend ausgestaltetes neuronales Netz, welches er- findungsgemäß spektrale Daten sowie ergänzend charakteristi- sche Anstiegszeiten und/oder Abfallzeiten für die Zustands- schätzung berücksichtigt beziehungsweise direkt mit einbe- zieht.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung er- geben sich aus den im Folgenden beschriebenen Ausführungsbei- spielen sowie anhand der Zeichnungen. Dabei zeigen schemati- siert:
Figur 1 ein Ablaufdiagramm für eine Zustandsschätzung gemäß einer Ausgestaltung der vorliegenden Erfindung; und Figur 2 ein Diagramm zur Veranschaulichung der spektralen Daten (Harmonische) eines Messsignals.
Gleichartige, gleichwertige oder gleichwirkende Elemente kön- nen in einer der Figuren oder in den Figuren mit denselben Bezugszeichen versehen sein.
Die Figur 1 zeigt einen schematischen Ablauf einer Zustands- schätzung 21 für ein Stromnetz unter der Verwendung eines ge- mäß der vorliegenden Erfindung ausgestalteten und trainierten neuronalen Netzes 1.
In der Figur 1 ist das neuronale Netz 1 durch seine Neuronen (Kreise) sowie ihre Verbindungen (Pfeile) symbolisch darge- stellt.
Das neuronale Netz 1 weist eine Eingabeschicht 14 mit mehre- ren Eingängen 41, eine oder mehrere verborgene Schichten 11 sowie eine Ausgabeschicht 12 mit mehreren Ausgängen 21 auf.
Werden der Eingabeschicht 14 beziehungsweise jedem der Ein- gänge 41 entsprechende Daten zugeführt beziehungsweise an der Eingabeschicht 14 angelegt, so berechnet das neuronale Netz 1 über seine verborgenen Schichten 11 die Ausgaben 21, die den Ausgängen 21 des neuronalen Netzes entsprechen. Die Ausgaben beziehungsweise Ausgänge 21 entsprechen für die zugeführten Eingänge 41 dann der Zustandsschätzung für das Stromnetz, so- dass die Zustandsschätzung mit demselben Bezugszeichen 21 ge- kennzeichnet ist.
Zum Berechnen der Zustandsschätzung 21 sind somit Eingangs- werte beziehungsweise Eingangsdaten erforderlich, die den Eingängen 41 des neuronalen Netzes 1 zugeführt werden müssen. Mit anderen Worten können die Eingänge 41 mit diesen Da- ten/Werten identifiziert werden, da jedem bestimmten Wert, beispielsweise einem Spannungswert, ein festgelegter Eingang 41 zugeordnet ist. Vorliegend werden mehrere verschiedene Daten/Werte/Eingänge, die in der Figur in Kästen 42, 44, 46 kategorisiert sind, verwendet.
Gemäß der vorliegenden Ausgestaltung werden die Amplituden von Harmonischen 42 der Messsignale, Anstiegszeiten 42 inner- halb der Messsignale und/oder Abfallzeiten 42 innerhalb der Messsignale als Eingänge 41 verwendet. In der Figur 1 werden diese erfindungsgemäßen Eingänge, das heißt die Amplituden von Harmonischen, die Anstiegszeiten und/oder die Abfallzei- ten durch den Kasten 42 zusammenfasst, sodass diese vorlie- gend dasselbe Bezugszeichen 42 aufweisen. Weiterhin können Verhältnisse von Amplituden von Harmonischen innerhalb des- selben Messsignals und/oder über verschiedene Messsignale hinweg als Eingänge 41 verwendet werden.
Die Messsignale werden für die Zustandsschätzung 21 am Strom- netz, insbesondere an Knotenpunkten des Stromnetzes, erfasst. Beispielsweise erfolgt die Erfassung innerhalb eines Zeitbe- reiches, wobei dann die Zustandsschätzung 21 für den genann- ten Zeitbereich berechnet wird. Mit anderen Worten kann eine zeitaufgelöste Zustandsschätzung basierend auf aktuell er- fassten Messsignalen erfolgen. Die Messsignale können Span- nungssignale, Stromsignale, Wirkleistungssignale und/oder Blindleistungssignale sein. Mit anderen Worten können die Messsignale die Spannung, den Strom, die Wirkleistung und/oder die Blindleistung (Messgrößen) an jeweiligen Knoten- punkten und/oder Zweigen des Stromnetzes innerhalb eines festgelegten oder bestimmten Zeitbereiches erfassen. Mit an- deren Worten wird ein zeitlicher Verlauf der jeweiligen Mess- größe an einem oder mehreren Knotenpunkten des Stromnetzes erfasst. Sind die genannten Zeitbereiche ausreichend kurz und erfolgt für jeden Zeitbereiche eine solche messwertbasierte beziehungsweise messsignalbasierte Zustandsschätzung 21 mit- tels des neuronalen Netzes 1, so wird eine Zustandsschätzung 21 in Echtzeit erreicht. Das Ermitteln der Amplituden der Harmonischen erfolgt typi- scherweise mittels einer Fourier-Transformation des jeweili- gen Messsignals. Mit anderen Worten wird die Fourier-Trans- formierte der Messsignale berechnet, beispielsweise mittels einer FFT. Äquivalent hierzu könnte die spektrale Leistungs- dichte des Messsignals, das heißt das Spektrum des Messsig- nals, ermittelt werden. Dies kann mittels der Autokorrelation des Messsignals erfolgen. Mittels der Fourier-Transformierten des Messsignals wird das Frequenzspektrum des Messsignals be- rechnet. Der Betrag des Frequenzspektrums wird als Amplitu- denspektrum bezeichnet und kann, wie die spektrale Leistungs- dichte, ebenfalls zum Ermitteln der Amplituden der Harmoni- schen herangezogen werden. Entscheidend ist, dass spektrale, das heißt frequenzabhängige Daten aus dem Messsignal ermit- telt werden, mittels welchen ein Ermitteln der Harmonischen und ihrer zugehörigen Amplituden möglich ist. Ein besonders bevorzugtes Mittel hierzu ist die Fourier-Transformation und/oder das Berechnen der spektralen Leistungsdichte.
Die aus den Messsignalen ermittelten Amplituden der Harmoni- schen werden in der Figur 1 mit Ûn,f=mf0,L,F bezeichnet, wobei n den Knotenpunkt des Stromnetzes (engl. Node), f0 die Grund- frequenz, mf0 die Frequenz der m-ten ganzzahligen Harmoni- schen (engl. Harmonie), L die Phase (engl. Phase/Line Conduc- tor) und F die jeweilige Leitung (engl. Feeder) kennzeich- net. Gemäß dem in Figur 1 dargestellten Ausführungsbeispiel werden die Beträge der Amplituden Ûn,f=mf0,L,F dem neuronalen Netz 1 zur Zustandsschätzung 21 als Eingänge 41 zugeführt, wobei dieÛn,f=mf0,L,F aus den erfassten Messsignalen ermittelt werden. Dadurch erfolgt die Zustandsschätzung 21 basierend auf aktuellen Messdaten beziehungsweise ihren zugehörigen ak- tuellen spektralen Daten.
Werden alternativ oder ergänzend Anstiegszeiten und/oder Ab- fallzeiten innerhalb der Messsignale als Eingänge 41 verwen- det, so können diese mittels des obenstehend beschriebenen Verfahrens, das heißt mittels eines Pade-Laplace-Verfahrens, aus den Messsignalen ermittelt werden. Die ermittelten An- stiegszeiten und/oder Abstiegszeiten werden den zugehörigen Eingängen 41 des neuronalen Netzes 1 zur Zustandsschätzung 21 ebenfalls zugeführt. Hierbei sind - vergleichbar zur Fourier- Transformierten - besonders die Peak-Amplituden (Pole der Pade-Laplace-Transformierten) relevant, da diese den charak- teristischen Hochfahrzeiten (Anstiegszeiten) oder Runterfahr- zeiten (Abfallzeiten) der jeweiligen Anlagen entsprechen. Beispielsweise weisen Wärmepumpen oder das Laden von E-Autos, solche charakteristischen Zeiten auf, die mittels der La- place-Transformierten und der anschließenden Bestimmung des (besten) Pade-Approximanten ermittelt werden können. Mit an- deren Worten werden diese bevorzugt ebenfalls als Fingerab- drücke zum Lernen des neuronalen Netzes 1 sowie analog zum Berechnen der Zustandsschätzung 21 verwendet.
Alternativ oder ergänzend zur Verwendung der Laplace-Trans- formierten können aus dem maschinellen Lernen bekannte Ver- fahren der Zeitreihensegmentierung verwendet werden.
Gemäß dem dargestellten Ausführungsbeispiel werden die er- fassten Messsignale ergänzend als Eingänge 41 für das neuro- nale Netz 1 verwendet. Mit anderen Worten wird beispielsweise der Betrag der Spannung Un,t,LF, der Strom In,t,L,F, die Wirkleis- tung Pn,t,L,F und/oder die Blindleistung als Eingang 41 verwendet. Der Index t deutet die jeweilige Zeitabhängigkeit der genannten Größen an. In der Figur 1 sind die genannten Größen beziehungsweise Eingangsgrößen innerhalb des Blockes 44 zusammengeführt.
Weiterhin können exogene Parameter, wie beispielsweise Tempe- raturen Tn,t, geographische Koordinaten und/oder Zeitdaten (EGHI,n,t) und/oder Wetterdaten und/oder historische Netzzustän- de beim Berechnen der Zustandsschätzung als Eingänge verwen- det werden. Zusätzlich könnten weiterhin direkt bekannte zeitliche Spannungsprofile bestimmter Anlagen, wie beispiels- weise Wärmepumpen, verwendet werden. Somit müssen diese ge- nannten Größen ebenfalls bei Trainieren des neuronalen Netzes 1 vorgesehen sein. Weitere Parameter beziehungsweise Daten können vorgesehen sein.
Die Zustandsschätzung 21 des Stromnetzes kann an den Ausgän- gen 21 des neuronalen Netzes 1 abgelesen werden. Vorliegend werden die Spannungen oder deren Beträge |Un,t| an den Knoten- punkten (engl. Node Voltages) sowie die Zweigströme Inn',t (engl. Branch Currents) zwischen den Knotenpunkten n und n' (zum jeweiligen Zeitpunkt oder innerhalb des jeweiligen Zeit- bereiches) basierend auf den jeweiligen Eingängen/Eingangs- daten 41 mittels des neuronalen Netzes 1 berechnet. Die be- rechneten Knotenspannungen werden in der Figur 1 durch den Kasten 22 zusammengefasst und gekennzeichnet. Die berechneten Zweigströme werden vorliegend durch den Kasten 24 zusammenge- fasst und gekennzeichnet.
Die Figur 2 zeigt ein Diagramm zur Veranschaulichung der spektralen Daten (Harmonische) eines Messsignals 4.
Das linke Diagramm in Figur 2 zeigt ein exemplarisches zeit- liches Messsignal 4 der Spannung an einem Knotenpunkt des Stromnetzes. An der Abszisse 100 des linken Diagramms ist die Zeit in beliebigen Einheiten aufgetragen. An der Ordinate 101 des linken Diagramms ist der Betrag der Spannung in beliebi- gen Einheiten aufgetragen.
Das Messsignal 4 weist eine Grundfrequenz von 50 Hz auf. Wei- terhin weist das Messsignal höher harmonische Anteile auf, die nicht direkt am zeitlichen Verlauf des Messsignals er- kennbar sind. Wird beispielsweise eine Fourier-Transformation 104 des Messsignals 4 durchgeführt, so kann insbesondere das Amplitudenspektrum des Messsignals 4 berechnet werden.
Im rechten Diagramm der Figur 2 ist das aus dem Messsignal 4 mittels einer Fourier-Transformation ermittelte Amplituden- spektrum dargestellt. Dieses weist neben Rauschen mehrere Spikes auf, die zu den Harmonischen korrespondieren. Jeder Spike kennzeichnet eine Harmonische, wobei diese verschiedene Amplituden aufweisen. Beispielsweise liegen die Harmonischen für eine Grundfrequenz von 50 Hz im dargestellten rechten Di- agramm bei 100 Hz, 150 Hz, 200 Hz, 250 Hz, 300 Hz, 350 Hz und 400 Hz. Die Amplitude der ersten Harmonischen (100 Hz) und der zweiten Harmonischen (100 Hz) sind vorliegend am größten.
Mittels des Amplitudenspektrums können somit die Amplituden der Harmonischen für das jeweilige Messsignal ermittelt wer- den und für die Zustandsschätzung mittels des neuronalen Net- zes oder für dessen Training verwendet werden. Weiterhin kann bevorzugt ein Verhältnis von Amplituden der Harmonischen für die Zustandsschätzung oder dessen Training verwendet werden.
Gemäß der vorliegenden Erfindung werden somit zum Trainieren des neuronalen Netzes und somit zur Zustandsschätzung mittels des entsprechend trainierten neuronalen Netzes spektrale Da- ten, das heißt höhere Harmonische, verwendet. Weiterhin wer- den charakteristische Zeiten, die beispielsweise mittels ei- ner Pade-Laplace-Transformierten ermittelt werden können, al- ternativ oder ergänzend für das Training und somit für die Zustandsschätzung verwendet.
Die erfindungsgemäßen Eingabegrößen (Amplitude von Harmoni- schen, Anstiegszeiten und/oder Abfallzeiten) bilden einen Fingerabdruck für die am Stromnetz angeschlossenen Anlagen aus, sodass durch die vorliegende Erfindung die Schätzung des neuronalen Netzes im Hinblick auf den Netzzustand deutlich verbessert wird.
Ein weiterer Vorteil der vorliegenden Erfindung ist, dass ei- ne verbesserte Schätzung des Netzzustandes (Zustandsschät- zung) ohne weitere oder größere Installationen beziehungswei- se Investitionen in das Stromnetz erreicht werden kann. Das erfindungsgemäße Verfahren ist zudem ressourcenschonend, da eine Fourier-Transformation/Laplace-Transformation effizient implementierbar ist, oder bereits direkt durch die Messein- richtung ausführbar ist. Zusammenfassend wird eine verbesserte Zustandsschätzung be- ziehungsweise Netzzustandsschätzung, insbesondere für stark unterdeterminierte Stromnetze, wie beispielsweise Mittelspan- nung- oder Niederspannungsstromnetze, bereitgestellt. Dadurch kann eine verbesserte intelligente Regelung des Stromnetzes, insbesondere im Hinblick auf digitale Stromnetze und erneuer- bare Energien, erreicht werden.
Obwohl die Erfindung im Detail durch die bevorzugten Ausfüh- rungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele ein- geschränkt oder andere Variationen können vom Fachmann hie- raus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
Bezugszeichenliste
1 künstliches neuronales Netz
2 Zustandsschätzung / Ausgänge
4 Messsignal
11 Verborgene Schicht
12 Ausgabeschicht
14 Eingabeschicht
21 Ausgänge/Zustandsschätzung
22 Spannungen
23 Ströme
41 Eingänge
42 Amplitude/Anstiegszeiten/Abfallzeiten
43 Weitere Eingänge
44 Exogene Eingänge
100 Abzisse
101 Ordinate
104 Fourier-Transformation

Claims

22 Patentansprüche
1. Computergestütztes Verfahren zur Zustandsschätzung (2) ei- nes Stromnetzes, insbesondere eines Nieder- und/oder Mit- telspannungsnetzes, mittels eines künstlichen neuronalen Net- zes (1), wobei das neuronale Netz (1) einen oder mehrere mit dem Stromnetz technisch assoziierte Eingänge (41) aufweist, und die Zustandsschätzung (2) durch erfasste zeitliche Mess- signale (4) des Stromnetzes, die als Eingänge (41) für das neuronale Netz (1) herangezogen werden, berechnet wird, ge- kennzeichnet dadurch, dass wenigstens die Amplitude (42) ei- ner Harmonischen eines der Messsignale (4) als Eingang (41) für das neuronale Netz (1) verwendet wird.
2. Verfahren gemäß Anspruch 1, gekennzeichnet dadurch, dass die Amplitude (42) der Harmonischen mittels einer Fourier- Transformation (104) des Messsignals (4) ermittelt wird.
3. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass zusätzlich ein oder mehrere Ver- hältnisse von Amplituden (42) von Harmonischen des Messsig- nals (4) als Eingänge (41) verwendet werden.
4. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass zusätzlich eine oder mehrere An- stiegszeiten (42) und/oder ein oder mehrere Abfallzeiten (42) innerhalb des Messsignals (4) als Eingänge (41) verwendet werden.
5. Verfahren gemäß einem Anspruch 4, gekennzeichnet dadurch, dass die Anstiegszeiten (42) und/oder Abfallzeiten (42) mit- tels eines Pade-Laplace-Verfahrens ermittelt werden, wobei die Anstiegszeiten (42) und/oder Abfallzeiten (42) durch die Pole der Pade-Approximation der Laplace-Transformierten des Messsignals (4) ermittelt werden.
6. Verfahren gemäß Anspruch 5, gekennzeichnet dadurch, dass für die Pade-Approximation die Ordnung [n/(n - 1)] verwendet wird.
7. Verfahren gemäß Anspruch 6, gekennzeichnet dadurch, dass n bis zu einem festgelegten maximalen Wert solange erhöht wird, bis keine weiteren Anstiegszeiten (42) und/oder Abfallzeiten (42) ermittelt werden.
8. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass zusätzlich Amplituden (42) von Subharmonischen des Messsignals (4) als Eingänge (41) verwen- det werden.
9. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass die Messsignale (4) ein oder meh- rere Spannungssignale, ein oder mehrere Stromsignale, ein o- der mehrere Wirkleistungssignale, und/oder ein oder mehrere Blindleistungssignale des Stromnetzes, umfassen, die zusätz- lich als Eingänge (41) verwendet werden.
10. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass die Messsignale (4) an Knotenpunk- ten des Stromnetzes, insbesondere an Umspannwerken und/oder Transformatorenstationen, erfasst werden.
11. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass als neuronales Netz (1) ein neuro- nales Netz verwendet wird, welches mittels eines Trainingsda- tensatzes trainiert wurde, der mehrere Amplituden (42) von Harmonischen eines und/oder mehrerer Messignale (4) umfasst, wobei zum Trainieren des neuronalen Netzes (1) die Amplituden (42) der Harmonischen als Eingänge (41) verwendet wurden.
12. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass als neuronales Netz (1) ein neuro- nales Netz verwendet wird, welches mittels eines Trainingsda- tensatzes trainiert wurde, der mehrere Anstiegszeiten (42) und/oder Abfallzeiten (42) von einem und/oder mehreren Mess- signalen (4) umfasst, wobei zum Trainieren des neuronalen Netzes (1) die Anstiegszeiten (42) und/oder Abfallzeiten (42) als Eingänge verwendet wurden.
13. Verfahren gemäß einem der vorhergehenden Ansprüche, ge- kennzeichnet dadurch, dass die Zustandsschätzung (2) für ein als Niederspannungsnetz und/oder Mittelspannungsnetz ausge- bildetes Stromnetz erfolgt.
14. Verfahren zum Trainieren eines künstlichen neuronalen Netzes (1) zur Zustandsschätzung (2) eines Stromnetzes, ins- besondere eines Nieder- und/oder Mittelspannungsnetzes, wobei das neuronale Netz (1) einen oder mehrere mit dem Stromnetz technisch assoziierte Eingänge (41) aufweist, und die Zu- standsschätzung (2) durch erfasste zeitliche Messignale (4) des Stromnetzes, die als Eingänge (41) des neuronalen Netzes (1) herangezogen werden, berechnet wird, gekennzeichnet dadurch, dass das Trainieren mittels eines Trainingsdatensat- zes erfolgt, der mehrere Amplituden (42) von Harmonischen, mehrere Anstiegszeiten (2) und/oder mehrere Abfallzeiten (42) eines und/oder mehrerer Messsignale (4) umfasst, wobei zum Trainieren des neuronalen Netzes (1) die Amplituden (42) der Harmonischen, die Anstiegszeiten (42) und/oder die Abfallzei- ten (42) als Eingänge (41) verwendet werden.
15. Künstliches neuronales Netz (1) zur Zustandsschätzung (2) eines Stromnetzes, insbesondere eines Nieder- und/oder Mit- telspannungsnetzes, wobei das neuronale Netz (1) einen oder mehrere mit dem Stromnetz technisch assoziierte Eingänge (41) aufweist, und die Zustandsschätzung (2) durch erfasste zeit- liche Messsignale (4) des Stromnetzes, die als Eingänge (41) des neuronalen Netzes (1) herangezogen werden, mittels des neuronalen Netzes (1) berechnet wird, dadurch gekennzeichnet, dass das neuronale Netz (1) derart ausgebildet ist, dass die Amplitude (42) einer Harmonischen eines der Messsignale (4) als Eingang (41) für das neuronale Netz verwendbar (1) ist.
EP21797999.6A 2020-10-29 2021-10-19 Zustandsschätzung eines stromnetzes Pending EP4211642A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20204648.8A EP3993207A1 (de) 2020-10-29 2020-10-29 Zustandsschätzung eines stromnetzes
PCT/EP2021/078864 WO2022089983A1 (de) 2020-10-29 2021-10-19 Zustandsschätzung eines stromnetzes

Publications (1)

Publication Number Publication Date
EP4211642A1 true EP4211642A1 (de) 2023-07-19

Family

ID=73039870

Family Applications (2)

Application Number Title Priority Date Filing Date
EP20204648.8A Withdrawn EP3993207A1 (de) 2020-10-29 2020-10-29 Zustandsschätzung eines stromnetzes
EP21797999.6A Pending EP4211642A1 (de) 2020-10-29 2021-10-19 Zustandsschätzung eines stromnetzes

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP20204648.8A Withdrawn EP3993207A1 (de) 2020-10-29 2020-10-29 Zustandsschätzung eines stromnetzes

Country Status (4)

Country Link
US (1) US20230400483A1 (de)
EP (2) EP3993207A1 (de)
CN (1) CN116508221A (de)
WO (1) WO2022089983A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119355361B (zh) * 2024-12-30 2025-03-28 浙江云泰电力科技有限公司 一种智能电表箱反窃电方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3336995B1 (de) * 2016-12-19 2021-07-07 Siemens Aktiengesellschaft Verfahren, steuereinrichtung und system zum ermitteln von zustandswerten zur beschreibung von betriebszuständen in einem teilnetz eines energieversorgungsnetzes
EP3518369A1 (de) 2018-01-30 2019-07-31 Siemens Aktiengesellschaft Verfahren und regelvorrichtung zur regelung eines elektrischen leistungstransfers sowie stromnetz

Also Published As

Publication number Publication date
WO2022089983A1 (de) 2022-05-05
US20230400483A1 (en) 2023-12-14
CN116508221A (zh) 2023-07-28
EP3993207A1 (de) 2022-05-04

Similar Documents

Publication Publication Date Title
EP3107174B1 (de) Verfahren, steuereinrichtung und system zum betreiben eines teilnetzes eines energieversorgungsnetzes
EP3751699B1 (de) Verfahren und anordnung zur schätzung eines netzzustands eines energieverteilungsnetzes
EP3336995B1 (de) Verfahren, steuereinrichtung und system zum ermitteln von zustandswerten zur beschreibung von betriebszuständen in einem teilnetz eines energieversorgungsnetzes
EP3042428B1 (de) Vorrichtung und verfahren zur steuerung der stabilität eines ortsnetzes mit einem regelbaren ortsnetztransformator
WO2015063098A1 (de) Wechselrichter und detektionsverfahren für einen wechselrichter zur erkennung eines netzfehlers
DE102014115119A1 (de) Verfahren und System zum Überwachen einer Netzspannung in einem Niederspannungsnetz
EP3340413B1 (de) Verfahren, steuereinrichtung und system zum ermitteln von zustandsdaten eines elektrischen energieversorgungsnetzes
WO2024223289A1 (de) Verfahren zur erzeugung von eingangsdaten für eine zustandsschätzung eines stromnetzes, zustandsschätzung sowie steuerung eines stromnetzes
DE102017101413A1 (de) Verfahren zur Einsatzplanung eines elektrischen Systems zur Energieversorgung
EP4211642A1 (de) Zustandsschätzung eines stromnetzes
DE102011113846A1 (de) Verfahren und Einrichtung zur Detekion eines Inselbetriebs von Energieerzeugungsanlagen
DE102020206672A1 (de) Niederspannungsverteilnetz, Stromnetz, Verfahren zum Betreiben eines Niederspannungsverteilnetzes
AT512672A2 (de) Verfahren zur Bestimmung von Messstellen in Niederspannungsnetzen und Netzmanagementsubsystem zur Durchführung des Verfahrens
EP2618458B1 (de) Verfahren zur Ermittlung von Schaltzuständen in Energieversorgungsnetzen und System zur Durchführung des Verfahrens
DE102020201231B4 (de) System und Verfahren zur Lasterkennung
DE102016116207A1 (de) Energieversorgungsanlage sowie Verfahren und Regelvorrichtung zur Regelung einer Energieversorgungsanlage
EP4173103A1 (de) System und verfahren zur optimierung eines schaltzustandes einer schaltanordnung einer elektrischen verteilanordnung
DE102014222662A1 (de) Verfahren zur Datenanreicherung von Messdatensätzen eines Niederspannungsnetzes
DE102023118775A1 (de) Verfahren zur dezentralen Bewertung der Versorgungssicherheit, System und Computerprogrammprodukt
EP4342050B1 (de) Verfahren zur regelung elektrischer netzgrössen in einem einspeisenetzwerk
EP4550607A1 (de) Verfahren zur klassifizierung von dezentralen energieressourcen zur steuerung eines stromnetzes
EP2664939A1 (de) Verfahren zur Validierung sonnenstandsabhängiger Messwerte mehrerer Messkanäle
DE102022106405A1 (de) Verfahren zur Ermittlung von aktuellen Verbräuchern elektrischer Energie und Computerprogramm, Energiemessgerät und Energieversorgungsanlage hierzu
EP3510683B1 (de) Verfahren und system zur dezentralen weitbereichsregelung
WO2025073451A1 (de) Bestimmen eines messwertbasierten digitalen abbilds eines ortsnetzstationsnetzwerks

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230413

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)