Von Daten zu besserem Stromnetzmanagement

Die Automatisierung schreitet immer schneller voran, und einer der spannendsten Bereiche für Innovationen in der Praxis ist das Energiemanagement. Bessere Automatisierungsalgorithmen können die Robustheit, Effizienz und Flexibilität der Netze dramatisch verbessern, was sehr wichtig ist. Keiner dieser Vorteile kann jedoch ohne Fortschritte beim zugrunde liegenden theoretischen Verständnis erreicht werden. Darauf richtet Dr. Mengshuo Jia (Shuo) seine Aufmerksamkeit.    

Bei der Untersuchung von Energiesystemen sind die grundlegenden physikalischen Modelle, die das Netz beschreiben, zu komplex, um nützlich zu sein, insbesondere bei grossen Systemen. Dieses Problem wird in der Regel durch Linearisierung gelöst, so dass ein Modell entsteht, das für Optimierungszwecke verwendet werden kann, sei es für industrielle Anwendungen oder für die Forschung. Diese linearen Modelle sind heute fester Bestandteil des täglichen Betriebs, des Marktclearings und der Netzplanung von Stromsystemen auf der ganzen Welt und erschliessen Billionen-Dollar-Märkte.   

Datenbasierte Methoden bringen neue Perspektiven – und neue Fragen    

Die Linearisierung ist nicht neu, aber mit der Entwicklung datenbasierter Modelle ergeben sich neue Möglichkeiten.   

Physikbasierte Linearisierungsansätzen für Energiesysteme werden bereits seit Jahrzehnten erforscht. Diese Methoden beruhen jedoch auf den physikalischen Parametern des Netzes: den Eigenschaften der Stromleitungen, der Art und Weise, wie sie miteinander verbunden sind, den Vorschriften für Energiequellen in Privatbesitz und so weiter. Diese genauen Werte zu bestimmen ist ausgesprochen schwierig: Sie schwanken beispielsweise in Abhängigkeit von Faktoren wie der Temperatur, dem Alter der Stromkabel und vielem mehr. Das macht es teuer und schwierig (oder sogar unmöglich), diese Werte zu ermitteln, vor allem in Verteilungsnetzen (die Übertragungsleitungen und Strommasten, die Sie vielleicht entlang der Strassen einer Stadt oder der Autobahn sehen).     

Im Gegensatz dazu bieten datenbasierte Linearisierungsansätze weitaus mehr Flexibilität und in der Regel auch eine wesentlich höhere Genauigkeit. Anstelle der genauen physikalischen Parameter des Netzes werden nur die Betriebsdaten benötigt, die automatisch und kontinuierlich von den im Netz verteilten Sensoren erfasst werden. Diese Methoden lassen auch Unsicherheiten zu und bieten gleichzeitig Spielraum für Anpassungen.   

Im Zusammenhang mit Stromnetzen gibt es inzwischen Dutzende von datenbasierten Linearisierungsansätzen, aus denen man wählen kann. Woher soll man wissen, welches der beste für die eigenen Bedürfnisse ist? Wenn neue Modelle veröffentlicht werden, wird nur ein selektiver Vergleich vorgenommen, um ihre Vorteile aufzuzeigen; nie eine vollständige Bewertung im Vergleich zu allen anderen verfügbaren Methoden. Und da die Publikationen in der Regel nicht quelloffen sind, ist eine faire Beurteilung der neuen Modelle schwierig.    

Um diese Lücke zu schliessen, hat Shuo theoretische und numerische Bewertungen aller datenbasierten Methoden durchgeführt und untersucht, wie sie funktionieren, worin sie gut sind, wo sie möglicherweise versagen, und wie sie verbessert werden können. Diese Bewertung umfasste 40 datenbasierte Methoden sowie vier traditionelle physikalische Methoden, die in Dutzenden von Tests gemessen wurden, um zu sehen, wie sie in Bezug auf Genauigkeit, Geschwindigkeit und mehr tatsächlich abschneiden.   

Dies liefert reproduzierbare Resultate, die Forschern und Ingenieuren dabei helfen, die beste Methode für ihre Aufgaben zu finden. Im Gegensatz zu den physikalischen Methoden, die entweder Open-Source oder in gängige Software integriert sind, sind die neuen datenbasierten Ansätze nicht unbedingt leicht zugänglich. "Es ist wichtig, diese neuen Methoden für jedermann zugänglich zu machen, nicht nur für Spezialisten im datenbasierten Bereich", argumentiert Shuo. "Auf diese Weise können mehr Menschen die neuesten Verbesserungen nutzen, um ihre eigenen Projekte zu verbessern."   

Einfaches Toolkit für Wissenschaft und Industrie   

Um diesen Bedarf zu decken, hat Shuo eine einzigartige Toolbox entwickelt. Daline (benannt nach datenbasierter Linearisierung) enthält mehr als 50 Linearisierungsmethoden, darunter 10 neue Vorschläge sowie eine Fülle von datenbasierten Modellen aus der Literatur und mehrere klassische physikalische Modelle. Die Toolbox geht jedoch noch weiter und ermöglicht die Erzeugung, Bereinigung, Verarbeitung und Visualisierung von Daten sowie das Testen und Vergleichen der verschiedenen Ansätze.   

Daline wurde entwickelt, um den Benutzern bei der Bewältigung komplexer Aufgaben mit nur wenigen, einfachen Befehlen zu helfen – die meisten Benutzer müssen nur drei lernen. Hinter der benutzerfreundlichen Oberfläche verbirgt sich ein komplexes System mit Hunderten von Dateien, die eine Reihe von Modulen mit mehr als 300 einstellbaren Parametern unterstützen. Das Toolkit wird mit einem umfangreichen Handbuch (über 150 Seiten) geliefert, das von Shuo und seinem Forschungsassistenten Wen Yi Chan erstellt wurde. Aber wenn das entmutigend klingt, seien Sie beruhigt: Shuo hat auch AgentDaline entwickelt, das auf grossen Sprachmodellen (“Large Language Models” oder LLMs) basiert, um die Zugänglichkeit weiter zu verbessern. Stellen Sie sich AgentDaline als einen automatischen Assistenten vor (wie J.A.R.V.I.S. aus den Iron Man Filmen), den Sie in natürlicher Sprache ansprechen und bitten können, die Verwendung verschiedener Parameter zu erklären und Daline-Funktionen zu demonstrieren. Noch wichtiger ist, dass AgentDaline auch Simulationsaufgaben mit Daline durchführen, eventuelle Programmierfehler korrigieren und Simulationsergebnisse an den Benutzer zurückgeben kann. 

Die Entwicklung von AgentDaline bedeutete die Schaffung eines allgemeinen Rahmens, der es LLMs ermöglicht, auf Anfrage Simulationen von Stromversorgungssystemen unter Verwendung von Toolboxen wie Daline durchzuführen, auch wenn diese KI-Modelle diese Toolboxen noch nie gesehen haben. "LLMs in die Lage zu versetzen, Energiesystem-Simulationen (wie Daline) durchzuführen, könnte ein neues Forschungsparadigma darstellen und diese KI-Modelle zu effektiven Forschungsassistenten für menschliche Wissenschaftler machen", sagt Shuo. 

Wie kann die Toolbox ein nachhaltiges Netz fördern? 

In der Praxis bedeuten bessere Modelle eine bessere Planung. Ausgestattet mit genaueren Daten können die Betreiber von Stromnetzen täglich bessere Entscheidungen treffen (welche Generatoren sollen laufen und wie viel Strom soll erzeugt werden?) und bessere langfristige Strategien entwickeln. In Anbetracht der Tatsache, dass die besten Modelle, die über Daline verfügbar sind, oft um mehr als drei Grössenordnungen genauer sind als die am häufigsten verwendeten Modelle, DC oder PTDF, hat die Toolbox grosse Auswirkungen auf das Management des nationalen Stromnetzes. Es wird möglich, eine weitaus zuverlässigere und effizientere Einspeisung von Blöcken zu gewährleisten; und da es nicht notwendig ist, Geld für die Bestimmung der physikalischen Parameter auszugeben, ist es auch breiter einsetzbar.   

Wenn wir in die Zukunft blicken, sehen wir natürlich sofort einen wichtigen Grund, diese Entwicklung der Leistungsflusslinearisierung zu feiern. Die erneuerbaren Energiequellen bringen weitaus mehr Unsicherheiten und Schwankungen in das Stromnetz. Das unterstreicht die Grenzen der physikbasierten Linearisierungsmodelle. Da die erneuerbaren Energien eine grössere Rolle bei der Energieversorgung spielen, steigt die Komplexität des Netzmanagements. Die Betreiber werden datenbasierte Modelle benötigen, um dieser Komplexität gerecht zu werden. Sie müssen ein Modell entwickeln oder identifizieren, das allgemein genug ist, um alle Fluktuationen, die erneuerbare Energien mit sich bringen, zu berücksichtigen, und da historische Daten (aus einem Netz mit geringerer Abhängigkeit von erneuerbaren Energien) schnell veraltet sein werden, müssen sie ihr Modell auf der Grundlage aktueller Daten ständig neu trainieren. Glücklicherweise macht Daline dies einfach.     

Praxistest mit Swissgrid  

Die Werkzeuge wurden bereits in der Zusammenarbeit von Shuo mit Swissgrid auf die Probe gestellt. Gemeinsam setzten sie datenbasierte Linearisierungsmethoden ein, um Abhilfemassnahmen für ein europäisches Stromnetz zu unterstützen, das mehr als 11.000 Anschlusspunkte und 18.000 Stromleitungen umfasst, um die Netzzuverlässigkeit bei der Einbindung erneuerbarer Energien zu verbessern. Die Ergebnisse, die die Überlegenheit datengestützter Methoden zeigen, werden auf der bevorstehenden Generalversammlung der IEEE Power & Energy Society von Aline Scherrer (einer von Shuo betreuten Studentin) im July 2024 vorgestellt.   

Daline ist ein praktisches Produkt einer sehr akademischen Arbeit über Linearisierung. Sowohl die zugrundeliegende umfassende Bewertung aller verfügbaren Methoden als auch die benutzerfreundlichen Werkzeuge selbst dienen dem Ziel, Grundlagenforschung und Werkzeuge zur Unterstützung anderer Forscher und Ingenieure für andere zugänglich zu machen. Die Arbeit war anspruchsvoll, hat aber auch unerwartete Entdeckungen mit sich gebracht. "Bei der Entwicklung der gesamten Toolbox habe ich ein Problem in diesem Bereich erkannt und gelöst. Und dadurch habe ich auch mehrere neue Methoden entwickelt", sagt Shuo. "Viele ungelöste Probleme und neue Methoden zu ihrer Lösung sind in meiner Forschung aufgetaucht."  

Eine dieser neuen Erkenntnisse  brachte Shuo ein Stipendium des Schweizerischen Nationalfonds ein, mit dem er den Linearitätsmechanismus in Energiesystemen untersuchen konnte. Dabei handelt es sich um ein rein theoretisches Thema, das mit vielen Aspekten des Energiebereichs zusammenhängt. Er hofft, dass diese Arbeit, ähnlich wie Daline, zu grundlegenden Erkenntnissen führen wird, die dem gesamten Bereich zugute kommen können. "Es ist wie bei einem Spiel, aber mein Ziel ist nicht, zu gewinnen", sagt Shuo. "Ich möchte anderen ermöglichen, besser zu spielen."   

Referenzen: 

[1]  Daline: https://www.shuo.science/daline.

[2]  Mengshuo Jia, Gabriela Hug, “Overview of Data-driven Power Flow Linearization,” 2023 IEEE PowerTech Conference, Belgrade, Serbia. 

[3]  Mengshuo Jia, Gabriela Hug, Ning Zhang, Zhaojian Wang, Yi Wang, Chongqing Kang. “Data-driven Power Flow Linearization: Theory”.  

[4]  Mengshuo Jia, Gabriela Hug, Ning Zhang, Zhaojian Wang, Yi Wang, Chongqing Kang. “Data-driven Power Flow Linearization: Simulation”.  

[5]  Mengshuo Jia, Wen Yi Chan, Gabriela Hug. “Daline: A Data-driven Power Flow Linearization Toolbox for Power Systems Research and Education,” ETH Research Collection.   

[6] Mengshuo Jia, Zeyu Cui, Gabriela Hug. “Enabling Large Language Models to Perform Power System Simulations with Previously Unseen Tools: A Case of Daline”. 

[7]  Mengshuo Jia, Wen Yi Chan, Gabriela Hug. “User Manual for Daline 1.1.5,” ETH Research Collection.  

[8]  Aline Scherrer, Georgia Pierrou, Mengshuo Jia, Marc Hohmann, Gabriela Hug. “Physics-Data-Driven Power Flow Linearization Considering Topological Remedial Actions,”

 IEEE PES General Meeting 2024, Seattle, WA, USA. 

[9]  Mengshuo Jia, “Rethinking Power Systems Computation: Uncovering Linearity/Nonlinearity Mechanism,” Swiss National Science Foundation, Principal Investigator, No.221126.