Diese Studie stellt eine dynamische Orchestrierungsstrategie für die Inbetriebnahme von Niederspannungsleitungen mithilfe eines kollaborativen Verstärkungslernens mit mehreren Agenten vor. Intelligente Agenten koordinieren den Leitungsbetrieb, das Engpassmanagement, die Spannungsstabilität und die Integration erneuerbarer Energien unter unsicheren Bedingungen. Der Ansatz wurde anhand von Simulationen mit den Datensätzen FeederBW und 236-bus evaluiert.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Multi-Agenten-RL-basierte dynamische Orchestrierung der Einspeiserakzeptanz unter Verwendung des FeederBW-Datensatzes und eines Niederspannungs-Verteilnetzes mit 236 Knoten
In diesem Artikel
Zusammenfassung
Zusammenfassung
Die umfassende Integration verteilter erneuerbarer Energiequellen und die schnelle Ausweitung von Niederspannungs- (LV-)Zuleitungen haben betriebliche Herausforderungen im Zusammenhang mit der Zuleitungsakzeptanz und der Koordination von Überlastungen hervorgerufen. Bestehende Ansätze zur Spannungsregelung und Zuleitungssteuerung weisen unter intermittierender Erzeugung aus erneuerbaren Quellen und sich ändernden Netzbedingungen möglicherweise begrenzte Skalierbarkeit und Anpassungsfähigkeit auf. Um diese Einschränkungen zu überwinden, schlägt diese Studie einen dynamischen Orchestrierungsrahmen für die Niederspannungs-Zuleitungsakzeptanz vor, der auf der Zusammenarbeit intelligenter Agenten innerhalb eines Multi-Agenten-Verstärkungslernansatzes basiert. Im Gegensatz zu spannungsorientierten Regelstrategien, die hauptsächlich auf die Spannungsstabilisierung abzielen, unterstützt der vorgeschlagene Rahmen dynamische Zuleitungsakzeptanz durch die koordinierte Steuerung von Agenten, die für die Überwachung der Zuleitungen, das Management von Überlastungen und die prioritätsbasierte Steuerung anhand von Spannungsempfindlichkeiten zuständig sind. Die Agenten beobachteten unabhängig voneinander den Zustand der Zuleitungen, bewerteten Überlastungen und Spannungsempfindlichkeiten und kooperierten bei Entscheidungen zur Zuleitungsakzeptanz. Der Rahmen wurde anhand von Simulationen unter Verwendung des FeederBW-Datensatzes und des 236-Knoten-Niederspannungs-Verteilnetz-Datensatzes bei unterschiedlichen Integrationsgraden erneuerbarer Energien und Lastbedingungen evaluiert. Der vorgeschlagene Rahmen erreichte eine Zuleitungsakzeptanzrate von 97 %, einen Spannungskonformitätsindex von 98 %, eine Orchestrierungslatenz von 98 ms, gemessen als reale Ausführungszeit des Orchestrierungsalgorithmus auf der verwendeten Hardware, sowie eine Konvergenzgeschwindigkeit von 98,5 % und übertraf damit die evaluierten zentralen Koordinationsmethoden. Die Ergebnisse zeigten zudem eine verbesserte Anpassungsfähigkeit, Betriebsresilienz und Effizienz dezentraler Entscheidungsfindung unter den simulierten Bedingungen im Niederspannungs-Verteilnetz.
Einleitung
Moderne Stromnetze stehen vor erheblichen betrieblichen Herausforderungen aufgrund steigender Stromnachfrage und der zunehmenden Nutzung verteilter Erzeugung. Ungleichgewichte zwischen Stromerzeugung und -verbrauch oder schnelle Zuwächse bei der dezentralen Energieerzeugung können finanzielle Belastungen für Versorger und Endverbraucher verursachen und die Netzstabilität gefährden. Die herkömmliche, zentral gesteuerte Infrastruktur auf fossiler Basis geht daher über zu einem dezentralen, auf erneuerbaren Energien basierenden Systemdesign. Dieser Wandel hat den Zugang zu kostengünstigeren und umweltverträglicheren Energiequellen verbessert. Aufgrund der intermittierenden und unvorhersehbaren Natur der photovoltaischen (PV-)Energieerzeugung bestehen jedoch Bedenken hinsichtlich der Netzverlässlichkeit1,2.
Der globale Energiewandel beschleunigt die Einführung von Photovoltaik aufgrund ihrer ökologischen Vorteile, Skalierbarkeit und sinkenden Kosten. Laut der Internationalen Agentur für Erneuerbare Energien wird die Photovoltaik-Kapazität bis 2050 voraussichtlich mehr als 22 % der weltweiten Stromversorgung ausmachen, und Solar-Photovoltaik dürfte bis 2030 zu einem wesentlichen Beitrag zur globalen Stromversorgung werden3. Diese umfassende Integration stellt erhebliche Herausforderungen für konventionelle Stromnetze dar, insbesondere hinsichtlich Betriebsstabilität und Zuverlässigkeit. Spannungsschwankungen sind ein zentrales Anliegen, da die Photovoltaik-Erzeugung intermittierend und nicht steuerbar ist, und ihre Auswirkungen werden umso deutlicher, je stärker der Durchdringungsgrad in Verteilungs- und Übertragungsnetzen zunimmt4.
Schwankungen der Sonneneinstrahlung beeinflussen direkt die Leistung von Photovoltaikanlagen und können schnelle Spannungsänderungen verursachen. Wolkenbewegungen, abrupte Änderungen der Einstrahlung und Lasttransienten können Spannungsschwankungen hervorrufen, die von bestehenden Netzarchitekturen nicht ausreichend ausgeglichen werden können5. Obwohl herkömmliche Technologien in zentralisierten und relativ stabilen Netzkonfigurationen wirksam waren, eignen sie sich weniger für zunehmend dezentrale Netze. Schnelle bidirektionale Spannungsänderungen können die Leistungsfähigkeit konventioneller Stromnetze übersteigen, insbesondere bei hohem Anteil von Photovoltaik6. Unkontrollierte Schwankungen können die zulässigen Spannungsgrenzen überschreiten, empfindliche Verbraucher beeinträchtigen und die Netzsicherheit gefährden.
Die Integration intelligenter Lasten und verteilter Ressourcen in Verteilnetze hat daher die Entwicklung fortschrittlicherer Steuerungsstrategien vorangetrieben. Intelligente Steuersysteme, die verteilte Anlagen kontinuierlich überwachen und koordinieren, können dazu beitragen, Herausforderungen in Niederspannungsnetzen (LV) mit hohem Anteil an verteilter Erzeugung zu verringern7. Die großskalige Integration von Photovoltaik (PV) verursacht zudem betriebliche Schwierigkeiten für die thermische Erzeugung, insbesondere dann, wenn die PV-Erzeugung zurückgeht und thermische Anlagen schnell reagieren müssen, wobei manchmal die Anfahr-Geschwindigkeitsgrenzen überschritten werden8. Gleichzeitig müssen Lastmanagementprogramme (DR) langfristige Nachhaltigkeit mit wirtschaftlicher Machbarkeit in Einklang bringen9.
Lastmanagementprogramme können die Integration dezentraler Erzeugung unterstützen und gleichzeitig zur Balance von Stromerzeugung und -verbrauch beitragen. Diese Programme werden in preisbasiertes Lastmanagement und anreizbasiertes Lastmanagement (IBDR) unterteilt. Preisbasiertes Lastmanagement motiviert Verbraucher, ihren Stromverbrauch als Reaktion auf zeitlich variierende Tarife anzupassen, während IBDR feste oder variable finanzielle Anreize bietet, um den Verbrauch auf Anfrage zu senken10. Allerdings setzt preisbasiertes Lastmanagement Verbraucher schwankenden Großhandelspreisen aus und bietet aus Sicht des Versorgungsunternehmens nur begrenzte betriebliche Flexibilität, was risikoscheue Teilnehmer abschrecken könnte11,12.
Mehrere Studien haben die IBDR in netzgekoppelten Systemen mit hohem PV-Anteil untersucht. Eine Studie bewertete die Herausforderungen und Vorteile der Kombination von IBDR mit hohem PV-Einspeisungsgrad, konzentrierte sich jedoch auf aggregierten Stromverbrauch statt auf energiemanagementsysteme auf haushaltsbasis13. Eine andere schlug ein anreizbasiertes Spannungsmanagementverfahren vor, bei dem Preissignale indirekt den Betrieb von Batterien steuerten, um Spannungsgrenzen einzuhalten, wobei der Haushaltsbedarf jedoch nicht explizit modelliert wurde14. Ein auf Fuzzy-Logik basierendes Verfahren zur Bestimmung von Anreizzahlungen berücksichtigte die Kundenzufriedenheit und die Kosten der Integration erneuerbarer Energien, beinhaltete jedoch keine Analyse auf Ebene der Verteilerstränge15. Die langfristige Erzeugungsplanung unter Einbeziehung sowohl preisbasierter als auch anreizbasierter Lastmanagementmaßnahmen wurde ebenfalls untersucht, einschließlich thermischer und erneuerbarer Erzeugung, jedoch ohne Berücksichtigung des Nutzerkomforts oder des Lastprofils auf Haushaltsebene16.
Das tiefe Verstärkungslernen (RL) wurde ebenfalls auf den Bereich der Haushaltslaststeuerung (DR) angewendet. Es wurden Methoden des tiefen RLs für die Steuerung aggregierter Lasten im Rahmen von Zeitnutzungs-Tarifen vorgeschlagen, wobei ihre Übertragbarkeit jedoch durch kleine Nutzergruppen und das Fehlen einer geräteweisen Terminplanung eingeschränkt war17. Ein Multi-Agenten-Verstärkungslernansatz, der DR und Spannungsregelung kombinierte, verwendete Long-Short-Term-Memory-Netzwerke zur Lastprognose, löste jedoch nicht die Unzufriedenheit der Kunden aufgrund von Lastbeschränkungen18. Andere Arbeiten konzentrierten sich auf die DR-Koordination von Klimaanlagen in gewerblichen Gebäuden mittels eines Markov-Entscheidungsprozesses, berücksichtigten dabei jedoch keine weiteren Haushaltslasten19. Bisherige Studien zum tiefen RL in der Spannungsregelung haben im Allgemeinen weder DR noch die Integration von PV-Anlagen berücksichtigt20,21.
Intelligente Wechselrichter können schnell auf plötzliche und unregelmäßige Änderungen der PV-Leistung reagieren22. Bei Spannungsverletzungen können PV-Wechselrichter innerhalb von Millisekunden reagieren, während herkömmliche Geräte mehrere Sekunden benötigen können23. Einige Studien haben Modifikationen der Standardsteuerungsverfahren vorgeschlagen, darunter Mehragentenansätze zur Koordination von Spannungsreglern und Anpassungen herkömmlicher Spannungsregleraktionen24. Dennoch kann die alleinige PV-Stromerzeugung ohne lokal gekoppelte Speicher die Spannungsschwankungen verschärfen und Abendspitzenlasten nicht verringern, selbst wenn sie den Nettoimport tagsüber reduziert24,25. Haushaltsbatterien können während Phasen mit überschüssiger PV-Erzeugung tagsüber entladen werden und stehen dann nachts möglicherweise nicht für das Laden von Elektrofahrzeugen zur Verfügung, wenn ihre Einsatzplanung nicht mit der lokalen Nachfrage und Erzeugung koordiniert ist26,27. Die kombinierten Effekte stochastischer Nachfrage, intermittierender Erzeugung und unterschiedlichen Speicherverhaltens machen die Kapazitätssteuerung, die Lebensdauer der Anlagen sowie die Resilienz zu wichtigen Anliegen für Betreiber von Verteilnetzen28. Energiesysteme für den Haushalt (Home Energy Management Systems) bieten eine mögliche Möglichkeit, automatisierte Steuerung auf Kundenseite umzusetzen. RL eignet sich gut für solche Anwendungen, da Agenten Steuerungsstrategien durch Interaktion mit der Umgebung erlernen können, Unsicherheiten bewältigen und Entscheidungen mit geringer Latenz treffen können.
Fortschritte in der Routenplanung für Elektrofahrzeuge verdeutlichen ebenfalls, wie tiefes Verstärkungslernen dynamische Energiebeschränkungen bewältigen kann. Das auf heterogenen Fahrzeugflotten basierende kapazitierte Routenplanungsproblem für Elektrofahrzeuge berücksichtigt Fahrzeugdynamik, Straßencharakteristika, kinetischen Widerstand und Ladeeffizienz, während der maximale Energieverbrauch über eine vielfältige Fahrzeugflotte minimiert wird29. Eine dynamikbewusste Methode des tiefen Verstärkungslernens formuliert dieses Problem als maßgeschneiderten Markovschen Entscheidungsprozess und verwendet eine Encoder-Updater-Decoder-Architektur. In diesem Design entwickelt der Encoder rollenspezifische Darstellungen für Knotenpunkte und Fahrzeuge, der Updater verfeinert Fahrzeug-Token, wenn sich kontextuelle Informationen ändern, und der Decoder trennt die Fahrzeugauswahl von der fahrzeugspezifischen Knotenauswahl, um eine adaptive Entscheidungsfindung zu ermöglichen. Ebenso verwendet ein energieoptimaler Routenplanungsansatz für Elektrofahrzeuge mit Abholung, Zustellung und Zeitfenstern ein hochauflösendes Energieverbrauchsmodell, das Ladeverhalten, zeitabhängige Fahrzeugdynamik und detaillierte Routeninformationen einschließt30. Ein heterogenes, auf Aufmerksamkeitsmechanismen basierendes Framework des tiefen Verstärkungslernens stellt die Routenplanungsaufgabe als Markovschen Entscheidungsprozess dar, mit einem Encoder, der rollenspezifische Interaktionen zwischen Depots, Kunden und Ladestationen erfasst, und einem Decoder, der Zustandsübergänge und zeitliche Machbarkeit verfolgt.
Trotz dieser Entwicklungen konzentrieren sich die meisten Studien zum Lastverteilungs-Management auf die Spannungsstabilisierung und Optimierung der Blindleistung, anstatt auf die dynamische Steuerung der Leitungsannahme unter Unsicherheiten erneuerbarer Energien. Verteilte Spannungsregelverfahren, die auf intelligenten Wechselrichtern und maschinellem Lernen basieren, konzentrieren sich im Allgemeinen auf die Spannungskompensation und Optimierung der Blindleistung, berücksichtigen jedoch weder die adaptive Steuerung der Leitungsannahme noch die auf Staus basierende Orchestrierung in komplexen Niederspannungsnetzen. Ebenso adressieren spannungsbeschränkte Ansätze des verstärkenden Lernens mit mehreren Agenten für Lastmanagement (DR) nicht direkt das kooperative Management der Leitungsannahme, die dezentrale, stauorientierte Orchestrierung oder die zellweise Zulassungssteuerung in vernetzten Niederspannungsverteilungssystemen. Kooperative Spannungsregelverfahren, die auf der Koordination mehrerer Agenten basieren, minimieren typischerweise Spannungsabweichungen und Schaltvorgänge von Stufenschaltern mithilfe von PV-Wechselrichtern, berücksichtigen jedoch weder die adaptive Zulassung von Leitungen, die durch erneuerbare Energien verursachten Instabilitäten bei der Annahme noch die dezentrale Orchestrierung unter dynamischen Netzbedingungen.
Aktuelle verteilte und mehragentenbasierte Methoden zur Ressourcenkoordination weisen ebenfalls Einschränkungen hinsichtlich der Stauerkennung, zeitlichen Anpassungsfähigkeit und Skalierbarkeit auf. Die meisten legen den Schwerpunkt auf die Analyse von Überlastungen, Wechselwirkungen verteilter Energiequellen oder tarifbasiertes Energiemanagement, anstatt auf adaptive, spannungs- und stauabhängige Steuerung auf Ebene der Speisepunkte. Ihre Abhängigkeit von teilweiser Zentralisierung und statischen Prioritäten kann die dezentrale Entscheidungsfindung, die schnelle Reaktion auf die Ausbreitung von Staus sowie die Anpassung an die Variabilität erneuerbarer Energien zusätzlich einschränken. Daher ist ein vollständig dezentraler, auf Verstärkendem Lernen basierender Ansatz erforderlich, der kooperative Agentenkoordination mit der Analyse von Spannungs- und Stauempfindlichkeit verbindet, um ein adaptives Management der Speisepunkt-Aufnahmefähigkeit unter Nutzung umfangreicher Datensätze wie FeederBW und des 236-Knoten-Niederspannungs-Verteilnetzes zu ermöglichen.
In dieser Studie bezeichnet die Anschlussannahme den adaptiven Betriebsprozess zur Bestimmung, ob ein Niederspannungsstrang zusätzliche dezentrale Energiequellen oder elektrische Lasten aufnehmen kann, während die Netzwerksicherheit, die Spannungsanforderungen, die thermischen Belastungsgrenzen und die Betriebszuverlässigkeit gewahrt bleiben. Die Betriebsgrenze für die Anschlussannahme umfasst die Bewertung der Strangkapazität, der Spannungsempfindlichkeit, der Netzüberlastungssituationen und der Variabilität erneuerbarer Energien, bevor neue Stranganschlüsse genehmigt oder priorisiert werden. Im Gegensatz zur herkömmlichen Spannungsregelung, die Spannungsprofile regelt, zur Koordination dezentraler Energiequellen, die den Betrieb der Ressourcen steuert, oder zum Management von Netzüberlastungen, das Netzüberlastungen vermindert, integriert die Anschlussannahme diese Funktionen in einem kollaborativen Rahmenwerk des verstärkenden Lernens mit mehreren Agenten, um eine dynamische, dezentrale und adaptive Steuerung unter bedingt reichhaltiger Einspeisung aus erneuerbaren Energien zu unterstützen.
Das Ziel dieser Studie ist die Entwicklung einer kollaborativen, intelligenten, agentenbasierten dynamischen Orchestrierungsstrategie für die Niederspannungs-Netzanschlussfreigabe unter wechselnden Betriebsbedingungen und Unsicherheiten erneuerbarer Energien. Der vorgeschlagene Rahmen ermöglicht eine dezentrale Orchestrierung der Netzanschlussfreigabe, indem er Zustände der Speiseseiten, Spannungsempfindlichkeit, Engpassempfindlichkeit und Aufnahmekapazität dynamisch bewertet und dadurch eine adaptive Priorisierung und Entscheidungsfindung ermöglicht, die über statische Spannungsregelverfahren hinausgeht. Unter Verwendung des FeederBW-Datensatzes und des 236-Knoten-Niederspannungs-Verteilnetz-Datensatzes entwickelt die Studie außerdem eine skalierbare, mehragentenbasierte Verstärkungslernarchitektur für großskalige Niederspannungssysteme. Durch verstärkungsbasiertes Lernen und latenzarme, kollaborative Optimierung, die in jedem simulierten Betriebsintervall durchgeführt wird, soll der Rahmen die Ausbreitung von Netzengpässen verringern, die Spannungscompliance verbessern, die Orchestrierungslatenz senken und die Effizienz der dezentralen Koordination erhöhen.
Der Ansatz liefert einen dynamischen Ansatz zur Orchestrierung der Zulassung von Niederspannungsleitungen, der statische, spannungssteuerbasierte Strategien für das Leitungsmanagement ersetzt; eine dezentrale Multi-Agenten-Verstärkungslernarchitektur für Unsicherheiten bei erneuerbaren Energien und wechselnde Lastbedingungen; ein dezentrales Zulassungsmanagement basierend auf Niedriglatenzbedingungen und dynamischer Leitungspriorisierung; gemeinsame Spannungs- und Stauempfindlichkeitsindizes zur Identifizierung kritischer Leitungen und zur Priorisierung von Zulassungsentscheidungen; kollaborative Kommunikation zwischen benachbarten Agenten; kontinuierliche, verstärkungsbasierte Optimierung der Entscheidungsstrategien zur Verbesserung der Leitungsstabilität, Stauverringerung, Spannungsverträglichkeit und Konvergenz; sowie eine großskalige, simulationsbasierte Validierung anhand der Datensätze FeederBW und 236-Bus-LV. Vergleichende Ergebnisse zeigen eine verbesserte Leitungszulassung, Stauverringerung, Orchestrierungsverzögerung, Konvergenzgeschwindigkeit und Spannungsverträglichkeit im Vergleich zu herkömmlichen zentralen Koordinationsmethoden.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
An menschlichen Probanden, Wirbeltieren, menschlichem Gewebe oder tierischem Gewebe wurde im Rahmen dieser Untersuchung nicht gearbeitet. Es wurden lediglich öffentlich zugängliche Datensätze (der FeederBW-Datensatz und der 236-Bus-Niederspannungs-Verteilnetz-Datensatz) sowie computergestützte Simulationen verwendet. Daher war für diese Studie keine Genehmigung durch eine institutionelle Ethikkommission (IRB), keine ethische Bewertung und keine Einholung einer informierten Einwilligung erforderlich.
Die dynamische Orchestrierungsstrategie für die Niederspannungsanschlussfreigabe basierend auf Agentenzusammenarbeit wurde unter Verwendung des multiagentenbasierten Verstärkungslernens (MARL) für betriebliche Bedingungen mit hohem Anteil erneuerbarer Energien entwickelt. Die Datensätze FeederBW und 236-Bus-Niederspannungsnetz wurden vorverarbeitet, normalisiert und zeitlich synchronisiert, um ein dynamisches Netzwerkmodell zu erstellen, das Zustände der Leitungsabschnitte, dezentrale Energieerzeuger, spannungssensitive Bereiche und Überlastbedingungen abbildet. Intelligente Agenten wurden Leitungsabschnitten und Netzwerkknoten zugeordnet, um lokale Spannung, Überlast, Unsicherheiten bei der Erzeugung aus erneuerbaren Quellen und die Anschlusskapazität der Leitungen zu überwachen, Informationen mit benachbarten Agenten auszutauschen und Orchestrierungsstrategien durch dezentralisiertes Verstärkungslernen zu aktualisieren. Die Belohnungsfunktion wurde so gestaltet, dass sie die Anschlusskapazität der Leitungen verbessert, gleichzeitig aber Überlast, Spannungsinstabilität und Koordinationsverzögerungen begrenzt. Es wurden Einschränkungen bezüglich Spannung, Leitungsbelastung, Transformatorenbelastung und Überlast berücksichtigt, während dreiphasig unsymmetrischer Betrieb, fortschrittliche Steuerung von Photovoltaik-Wechselrichtern und Blindleistungskompensation nicht explizit modelliert wurden. Der gesamte Rahmen ist in Abbildung 1 dargestellt. Die in dieser Studie verwendeten Forschungswerkzeuge sind in der Tabelle der Materialien aufgelistet.
Abbildung 1: Architektur des vorgeschlagenen Frameworks. Schematische Darstellung des dynamischen Orchestrierungs-Frameworks, das intelligente Agenten, Verstärkendes Lernen, Stauanalysen und adaptive Leiterkoordination integriert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
1. Datenerfassung
Die Daten wurden aus dem FeederBW-Datensatz31 und dem 236-Bus-Niederspannungs-Verteilungsdatensatz32 gewonnen. Diese Datensätze wurden ausgewählt, da sie Informationen zur Speisernetz-Topologie, Spannungsbedingungen, Verhalten erneuerbarer Erzeugung, Lastnachfrage, Überlastung und dynamischen Betriebsprofilen enthalten, die für die dezentrale Steuerung und das verstärkende Lernen von Agenten erforderlich sind.
Der FeederBW-Datensatz wurde hauptsächlich zur Modellierung des Betriebs von Speisern, der Schwankungen erneuerbarer Energien, von Spannungsabweichungen und der Ausbreitung von Überlastungen in Niederspannungsnetzen verwendet. Er enthielt Betriebsdaten von Speisern, das Verhalten verteilter Erzeugung, Spannungsmessungen an Knotenpunkten sowie Lastschwankungen, die die adaptive Orchestrierungsanalyse unterstützten. Der 236-Knoten-Niederspannungsdatensatz diente der Bewertung von Skalierbarkeit und dezentraler Koordination. Er enthielt Informationen zu Busverbindungen, Belastungszuständen der Speiser, Spannungscharakteristiken der Knotenpunkte, dem Anteil verteilter erneuerbarer Erzeugung und betriebsrelevanten Fällen mit überlastungsanfälligen Bedingungen. Zusammen ermöglichten die beiden Datensätze Analysen auf Ebene der Speiser sowie großskalige Analysen unter Bedingungen hoher Einspeisung erneuerbarer Energien. Die Merkmale der Datensätze und ihre Verwendung im Rahmenwerk sind in Tabelle 1 zusammengefasst.
| Name des Datensatzes | Typ des Datensatzes | Anzahl der Knoten/Busse | Datenattribute | Zweck in der vorgeschlagenen Arbeit |
| FeederBW-Datensatz | Betriebsdatensatz für Niederspannungsleitungen | Mehrere Leitungsknoten | Spannungsprofile, Erzeugung aus erneuerbaren Quellen, Lastnachfrage, Zustände der Überlastung, Betriebsverhalten der Leitungen | niedriglatenzfähige Leitungssteuerung, Analyse der Überlastung, adaptive Priorisierung der Aufnahmefähigkeit |
| 236-Bus-Niederspannungsdatensatz | Großskaliger Niederspannungsverteilungsdatensatz | 236 Busse | Bus-Topologie, Leitungsbelastung, Spannungsempfindlichkeit, Anteil erneuerbarer Energien, Dynamik der Überlastung | Validierung der Skalierbarkeit, Bewertung dezentraler Koordination, Analyse der großskaligen Steuerung |
Tabelle 1: Datensatzmerkmale. Beschreibung der Datensätze, betrieblicher Attribute und ihrer Verwendung im vorgeschlagenen Orchestrierungsrahmenwerk für Niederspannung.
2. Datenvorverarbeitung
Die erfassten Datensätze wurden vorverarbeitet, um Konsistenz, zeitliche Abstimmung und Stabilität des Verstärkungslernens zu verbessern. Fehlende Einträge, fehlerhafte Messungen, doppelte Datensätze und inkonsistente Speisermanndaten wurden mithilfe statistischer Vorverarbeitungsverfahren herausgefiltert. Dieser Schritt diente dazu, die Konsistenz zwischen den Betriebsdaten der Speisemänner, den Profilen der erneuerbaren Erzeugung, Spannungsmessungen und Daten zum Netzüberlastungszustand aufrechtzuerhalten. Alle Betriebsvariablen wurden mittels Min-Max-Normalisierung skaliert, sodass die Eingangsmerkmale in einen gemeinsamen, für das Lernen des Agenten geeigneten Bereich überführt wurden. Zu den normalisierten Variablen gehörten die Speisemannspannung, der Wirkleistungsbedarf, die Erzeugung aus erneuerbaren Quellen, der Überlastungszustand und die Einspeisekapazität des Speisemanns. Die mathematische Formulierung des Vorverarbeitungsverfahrens ist in Supplementary File 1 (Abschnitt 1) enthalten.
3. Dynamische Modellierung von Niederspannungsnetzen
Nach der Datenerfassung und -vorverarbeitung wurde ein dynamisches Niederspannungs-Netzwerkmodell erstellt, um das Verhalten eines Verteilnetzes mit einem hohen Anteil an erneuerbarer Erzeugung unter wechselnden Last- und Erzeugungsbedingungen zu simulieren. Das Modell verfolgte dynamisch die Speisernetz-Topologie, das Verhalten dezentraler Energiequellen, spannungsensitive Bereiche und die Ausbreitung von Überlastungen.
Im Gegensatz zu einer statischen Netzdarstellung aktualisiert das Modell das Verhalten der Speisepunkte entsprechend der Schwankungen erneuerbarer Energien, des Verbraucherbedarfs und der Netzüberlastung. Die FeederBW- und die 236-Bus-Niederspannungs-Datensätze wurden verwendet, um vernetzte Speisepunkte zu konstruieren, bei denen Knotenpunkte, Transformatoren, dezentrale erneuerbare Energiequellen und Lasten als Netzwerkknoten abgebildet wurden. Jeder Speisepunkt-Knoten lieferte aktualisierte Informationen über Spannungsamplitude, Wirkleistungsbedarf, Erzeugung durch erneuerbare Energien, Belastungszustand des Speisepunkts und Überlastungszustand. Diese Variablen wurden von intelligenten Agenten genutzt, um das Verhalten der Speisepunkte zu überwachen und dezentrale Orchestrierungsentscheidungen zu treffen. Das Netzmodell ermöglichte zudem die Identifizierung empfindlicher Bereiche und die Priorisierung der Zulassung von Speisepunkten durch kontinuierliche Sensitivitätsanalyse.
Das Niederspannungs-Verteilungsnetz wurde als graphenbasiertes Netzwerk dargestellt, das Busstationen, Speiseleitungen, Transformatoren, erneuerbare Energiequellen und Verbraucherlastknoten enthält. Ausführliche mathematische Herleitungen des Netzwerkmodells sind in Zusatzdatei 1 (Abschnitt 2) enthalten. Der dynamische Netzwerkzustand und der Überlastungsindex wurden kontinuierlich überwacht. Der Überlastungsindex wurde auf den Bereich [0,1] normalisiert, und eine kooperative Orchestrierung der Zuleiterakzeptanz wurde eingeleitet, wenn der Überlastungsindex 0,80 überschritt.
4. Initialisierung der Multi-Agenten-Umgebung
Nachdem das dynamische Niederspannungs-Netzwerkmodell erstellt worden war, wurde die Multi-Agenten-Umgebung initialisiert, um die dezentrale Anbindung von Abzweigen zu unterstützen. Intelligente Agenten wurden Abschnitten der Abzweige, Anschlusspunkten dezentraler Energieerzeugungsanlagen, Transformatorenstandorten und knotenintensiven Bereichen innerhalb des Niederspannungsnetzes zugewiesen.
Jeder Agent fungierte als eigenständige Entscheidungseinheit, die den lokalen Leiterbetrieb überwachte, Informationen mit benachbarten Agenten austauschte und adaptive Koordinierungsmaßnahmen durchführte. Die Agenten wurden Schlüsselleiterknoten entsprechend der Spannungsempfindlichkeit, des Anteils erneuerbarer Energien, des Auslastungsgrads und der Leiterwichtigkeit zugeordnet. Das Niederspannungsnetz wurde als agentenbasierte Umgebung konfiguriert, in der die Agenten kontinuierlich die Leiterspannung, den Wirkleistungsbedarf, die Schwankungen der Erzeugung aus erneuerbaren Quellen, den Auslastungszustand und die Aufnahmekapazität der Leiter überwachten. Die mathematische Formulierung der multiagentenbasierten Umgebung ist in Supplementary File 1(Section 3) enthalten.
5. Verstärkungsgesteuertes Lernen eines Agenten
Nach der Initialisierung der Multi-Agenten-Umgebung wurde ein durch Verstärkung gelerntes Lernen implementiert, um den Agenten das Erlernen von Steuerungsstrategien für die Netzabschnitte durch Interaktion mit sich ändernden Betriebsbedingungen der Niederspannungsnetze (LV) zu ermöglichen. Während jeder Interaktion beobachtete ein Agent den aktuellen Zustand des Netzabschnitts, wählte eine Steuerungsmaßnahme aus und erhielt eine Belohnung oder Bestrafung. Der dezentrale Lernprozess ermöglichte es den Agenten, sich an die Unsicherheit der erneuerbaren Erzeugung, wechselnde Engpässe, Spannungsschwankungen und Änderungen der Einspeisekapazität der Netzabschnitte anzupassen. Jeder Agent wählte eine Steuerungsmaßnahme gemäß seiner erlernten Strategie aus. Die zugehörigen mathematischen Herleitungen sind in Supplementary File 1 (Abschnitt 4) enthalten.
Insgesamt wurden 64 intelligente Agenten eingesetzt. Basierend auf der Speisernetz-Topologie, dem Anteil erneuerbarer Energien, der Spannungsempfindlichkeit und der Schwere der Überlastung wurde jeder Agent einem Abschnitt des Speisenetzes, einem Transformatorstandort, einem Anschlusspunkt für dezentrale Energieerzeugung oder einem netzseitigen Knoten mit Überlastungsanfälligkeit zugewiesen. Bei beibehaltener angemessener rechnerischer Komplexität ermöglichte die dezentrale Verteilung eine kooperative Überwachung und adaptive Anpassung der Speisezulässigkeit im gesamten 236-Knoten-Niederspannungsverteilungsnetz. Jeder Agent beobachtete einen fünfdimensionalen Zustandsvektor, der aus Spannungsamplitude, Lastnachfrage im Speisezweig, Erzeugung durch erneuerbare Energien, Überlastungsstatus und der Zulässigkeitskapazität des Speisezweigs bestand. Der Aktionsraum umfasste fünf Orchestrierungsmaßnahmen: Priorisierung der Speisezulässigkeit, Minderung von Überlastungen, Koordination erneuerbarer Erzeuger, Lastausgleich und Spannungsregelung. Die kooperative Entscheidungsfindung wurde durch eine dezentrale, nachbarschaftliche Kommunikationstopologie unterstützt, bei der jeder Agent Sensitivitätsindizes und lokale Betriebsinformationen ausschließlich mit benachbarten Speisezweig-Agenten austauschte.
Eine auf Q-Lernen basierende MARL-Methode wurde mithilfe eines vollständig vermaschten neuronalen Netzwerks mit zwei verdeckten Schichten, die 128 bzw. 64 Neuronen enthielten, implementiert. In den verdeckten Schichten wurde die ReLU-Aktivierungsfunktion (Rectified Linear Unit) verwendet. Die Netzwerkparameter wurden mit dem Adam-Optimierer bei einer Lernrate von 0,001 und einem Diskontfaktor von 0,99 optimiert. Es wurde eine Mini-Batch-Größe von 64 verwendet, und der Erfahrungsspeicher (Experience-Replay-Buffer) hatte eine Kapazität von 100.000 Übergängen. Das Training galt als konvergiert, wenn sich der gleitende Durchschnitt der kumulativen Belohnung über die letzten 20 Episoden über 10 aufeinanderfolgende Evaluationsfenster hinweg um weniger als 0,1 % veränderte. Falls dieses Kriterium nicht erfüllt war, wurde das Training fortgesetzt, bis maximal 500 Episoden erreicht waren. Der Ablauf des Verstärkungslernens ist in Abbildung 2 dargestellt.
Abbildung 2: Ablaufdiagramm des durch Verstärkungslernen gesteuerten Agentenlernens. Ablaufdiagramm, das den auf Verstärkungslernen basierenden Lernprozess von Agenten zur dezentralen Steuerung von Zuführsystemen und zur Optimierung von Entscheidungen veranschaulicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Der Lernprozess begann mit der Initialisierung der LV-Verteilungsumgebung, der Agentenzustände und der Lernparameter. Intelligente Agenten wurden in Speisergebieten, an Standorten dezentraler Energieerzeugungsanlagen und an störanfälligen Knotenpunkten platziert. Anschließend wurden der Beobachtungsraum, die Lernrate, die Erkundungsstrategie, Belohnungsfaktoren und die Politikfunktionen definiert. In jedem Interaktionsschritt beobachtete jeder Agent den aktuellen Zustand seines zugewiesenen Speisergebiets. Der Zustand setzte sich aus Knotenspannungsamplitude, Lastanforderung des Speisers, Merkmalen der erneuerbaren Energieerzeugung, Grad der Überlastung und der Aufnahmekapazität des Speisers zusammen. Diese Beobachtungen bildeten den Umgebungszustand, der für Entscheidungen zur Koordinierung herangezogen wurde. Jeder Agent wählte eine Aktion gemäß seiner Verstärkungslern-Politik aus. Zu den verfügbaren Aktionen gehörten die Priorisierung der Speiseraufnahme, die Überlastungsmanagement, die Koordination erneuerbarer Energien, die Lastverteilung und das Spannungsmanagement. Die ausgewählte Aktion wurde auf die dynamische Niederspannungsumgebung angewandt, woraufhin der Zustand des Speisers aktualisiert wurde.
Nach jeder Aktion wurde eine Belohnung berechnet. Eine positive Belohnung wurde vergeben, wenn die ausgewählte Aktion die Annahme durch den Feeder verbesserte, die Ausbreitung von Staus verhinderte, die Spannungsverträglichkeit aufrechterhielt oder die Netzstabilität verbesserte. Eine Bestrafung wurde angewandt, wenn die Aktion zu einer Überlastung des Feeders, zu Spannungsverletzungen oder zu Koordinationsverzögerungen führte oder diese nicht verhinderte. Die berechnete Belohnung wurde verwendet, um die Wertfunktion und die Entscheidungsstrategie des Agenten durch Verstärkungsoptimierung zu aktualisieren. Die Abfolge aus Beobachtung, Aktionsauswahl, Umzustandsübergang, Belohnungsberechnung und Strategieaktualisierung wurde wiederholt, bis das Abbruchkriterium erfüllt war.
6. Bewertung der Spannungs- und Überlastungsempfindlichkeit
Nach lernbasierten Verstärkungsmaßnahmen wurden Spannungs- und Belastungsempfindlichkeiten bewertet, um anfällige Speiserbereiche zu identifizieren und dynamische Entscheidungen zur Zulässigkeit von Speisern unter Unsicherheiten erneuerbarer Energien zu unterstützen.
In jedem Betriebsintervall wurden die Auswirkungen von Änderungen der Einspeiseleistung, der erneuerbaren Erzeugung und des Lastbedarfs auf die Knotenspannung und die Netzüberlastung ermittelt. Die Empfindlichkeitsindizes für Spannung und Überlastung wurden in jedem simulierten Betriebsintervall neu berechnet, anstatt ausschließlich aus statischen Netzbedingungen abgeleitet zu werden. Die Sensitivitätsindizes für jeden Speiserknoten wurden basierend auf den aktuellen Netzbedingungen, der Variation der erneuerbaren Erzeugung und dem Lastzustand des Speisers aktualisiert. Die resultierenden Werte wurden verwendet, um Speiserknoten für Maßnahmen zur Aufnahme weiterer Einspeiser, zur Überlastungsmanagement und zur Spannungsregelung zu bewerten.
Der Spannungsempfindlichkeitsindex quantifizierte die Änderung der Knotenspannung infolge einer Änderung des Wirkleistungsflusses. Nachdem die Indizes für Spannungs- und Engpassempfindlichkeit berechnet worden waren, wurden sie zu einem zusammengesetzten Empfindlichkeitswert kombiniert, um die Zulassung von Abzweigen adaptiv zu priorisieren. Die Methode zur zusammengesetzten Bewertung ist in Zusatzdatei 1 (Abschnitt 5) beschrieben. Abzweigknoten mit höheren Empfindlichkeitswerten erhielten während Maßnahmen zur Entlastung von Engpässen, zur Korrektur der Abzweigzulassung und zur Spannungsregelung höhere Orchestrierungsprioritäten. Die Empfindlichkeitswerte wurden in jedem Betriebsintervall neu berechnet und über die kollaborative Kommunikationsumgebung an benachbarte Agenten weitergegeben.
7. Kollaborative Akzeptanzsteuerung und adaptive Entscheidungsoptimierung in jedem simulierten Betriebsintervall
Nach einer Empfindlichkeitsbewertung wurde eine kooperative Akzeptanzsteuerung durchgeführt, um dezentralen Agenten die koordinierte Entscheidung über die Annahme von Einspeisungen unter Unsicherheiten erneuerbarer Energien und dynamischen Stauungsbedingungen zu ermöglichen. Die Agenten tauschten lokale Zustände der Einspeiseleitungen, Empfindlichkeitsindizes, Stauungswarnungen und Betriebsprioritäten aus. Jeder Agent bewertete unabhängig seine lokale Einspeiseleitungsbedingung und koordinierte dabei mit benachbarten Agenten, um die Stabilität des gesamten Netzwerks zu unterstützen.
Die Annehmbarkeit von Abgängen wurde entsprechend der Spannungsempfindlichkeit, der Schwere der Überlastung, der Variabilität der erneuerbaren Erzeugung und der verfügbaren Abgangskapazität priorisiert. Lokale, empfindlichkeitsbewusste Beobachtungen wurden über mehrere Agenten hinweg aggregiert, und koordinierte Maßnahmen zur Annahme von Abgängen wurden generiert. Die mathematische Formulierung des kollaborativen Orchestrierungsprozesses ist in Zusatzdatei 1 (Abschnitt 6) enthalten. Die dynamische Niederspannungsnetzumgebung wurde mit kollaborativen Agenten in Abgangsbereichen, Integrationspunkten erneuerbarer Energien und überlastungsanfälligen Knotenpunkten bereitgestellt, wie in Zusatzdatei 1 (Algorithmus 1) beschrieben. In jedem Betriebsintervall erfasste jeder Agent lokale Abgangsparameter, darunter Spannungsamplitude, Variation der Erzeugung aus erneuerbaren Energien, Abgangsauslastung, Überlastungsgrad und Kapazität zur Annahme von Abgängen.
Die spannungsabhängigen und stauanfälligen Indizes wurden anschließend berechnet, um Speiseregelbereiche zu identifizieren, die anfällig für Spannungsinstabilität oder Stauausbreitung sind. Diese Indizes wurden zu einer Gesamtbewertung der Empfängerempfindlichkeit kombiniert, die die Akzeptanz der Speiser und deren Orchestrierungspriorität bestimmte. Lokale Zustandsinformationen, Staupegel, Indikatoren für Spannungsinstabilität sowie Akzeptanzprioritäten wurden zwischen benachbarten Agenten ausgetauscht. Basierend auf lokalen Beobachtungen und geteilten Informationen wählte jeder Agent eine adaptive Orchestrierungsmaßnahme aus und setzte sie um. Nach jeder Maßnahme wurde Verstärkungsrückmeldung aus der dynamischen Niederspannungsnetzumgebung entsprechend der Stabilität der Speiser, der Stauverringerung, der Spannungsanforderungen und der Effizienz der Speiserakzeptanz erhalten. Diese Rückmeldung wurde verwendet, um die Strategie jedes Agents durch verstärkungsbasierte Optimierung zu aktualisieren. Die globale Orchestrierungszielfunktion lieferte gleichzeitig koordinierte Rückmeldungen für adaptive Optimierung innerhalb der Agentenpopulation. Die Aktualisierung der Strategien erfolgte solange, bis sich die Agentenstrategien einer optimalen dezentralen Orchestrierungsstrategie annäherten.
8. Validierung im großen Maßstab
Die dynamische Orchestrierungsstrategie wurde anhand des FeederBW-Datensatzes und des 236-Bus-Niederspannungs-Verteilnetz-Datensatzes unter Betriebszenarien mit hohem Anteil erneuerbarer Energien validiert. Die Validierung bewertete die Fähigkeit des dezentralen Orchestrierungs-Frameworks, die dynamische Anschlusskapazität von Leitungen, die Schwankungen erneuerbarer Energien, die Ausbreitung von Überlastungen und Spannungsinstabilitäten in vernetzten Niederspannungs-Verteilnetzen zu steuern. Die untersuchten Betriebszenarien umfassten einen hohen Anteil erneuerbarer Energien, wechselnde Lastanforderungen, dynamische Ausbreitung von Überlastungen, spannungssensitive Bedingungen sowie variable Anschlusskapazitäten der Leitungen.
Die Leistung des Frameworks wurde anhand der Zulassungsrate der Speisestränge, des Spannungsverträglichkeitsindex, der Entlastungsrate von Überlastungen, der Orchestrierungslatenz, der Konvergenzgeschwindigkeit, der Effizienz der dezentralen Koordination sowie der Fähigkeit zur Integration erneuerbarer Energien bewertet. Diese Maße wurden verwendet, um Skalierbarkeit, Robustheit, Anpassungsfähigkeit und Koordinationsleistung zu beurteilen. Das vorgeschlagene Framework wurde mit traditionellen zentralisierten Ansätzen zur Speisermanagement-Orchestrierung unter identischen Netzwerkkonfigurationen verglichen. Für die Vergleichsmethoden wurden äquivalente Datensätze, Betriebsszenarien, Evaluationsbedingungen und Leistungskennzahlen angewandt.
Tabelle 2 fasst die Datensätze, Betriebsbedingungen, Orchestrierungsumgebungen und Leistungsvariablen zusammen, die für die experimentelle Validierung verwendet wurden. Der FeederBW-Datensatz wurde verwendet, um die Betriebsdynamik von Verteilern, die Schwankungen erneuerbarer Energien, die Entstehung von Überlastungen, die Variation der Wohnlasten und Spannungsschwankungen unter Niederspannungs-Verteilerbedingungen zu bewerten. Der 236-Bus-Niederspannungsdatensatz diente der Bewertung dezentraler Orchestrierung in einem größeren vernetzten Netzwerk. Die Architektur wurde unter wechselnden Bedingungen bezüglich der Erzeugung aus erneuerbaren Quellen, des Lastbedarfs, der Spannung und der Überlastung validiert. Dezentrale Koordination und die auf Verstärkendem Lernen basierende Optimierung von Steuerungsstrategien wurden gemeinsam über die intelligenten Agenten hinweg bewertet.
Die Leistung unter dynamischen Betriebsbedingungen in erneuerbaren Energiesystemen wurde anhand der Fütterungsannahmerate, des Spannungsverträglichkeitsindex, der Stauabschwächungsrate, der Konvergenzgeschwindigkeit und der Orchestrierungslatenz quantifiziert.
| Experimenteller Parameter | FeederBW-Datensatz | 236-Bus-Niederspannungs-Datensatz | Validierungszweck |
| Netzwerktyp | Niederspannungs-Feeder-Netzwerk | Großskaliges Niederspannungs-Verteilnetz | Bewertung der dynamischen Orchestrierung |
| Anzahl der Knoten/Busse | Mehrere Feeder-Knoten | 236 Busse | Skalierbarkeitsanalyse |
| Integration erneuerbarer Energien | Photovoltaik und dezentrale erneuerbare Quellen | Busse mit hohem Anteil erneuerbarer Energien | Validierung der Unsicherheit bei erneuerbaren Energien |
| Lastverhalten | Dynamische Haushaltslastprofile | Großskalige Lastschwankungen im Feeder | Adaptive Lastorchestrierung |
| Überlastszenarien | Überlastung und Überlastzustände im Feeder | Ausbreitung von Überlastungen über mehrere Busse | Analyse der Überlastminderung |
| Spannungsbedingungen | Spannungsschwankungsprofile | Spannungsempfindliche Busbedingungen | Bewertung der Spannungscompliance |
| Intelligente Agenten | Verteilte Feeder-Agenten | Großskalige kooperative Agenten | Analyse der dezentralen Koordination |
| Lernumgebung | Verstärkungsbasierte Orchestrierung | Adaptives Lernen mit Multi-Agenten | Validierung der Optimierung von Steuerungsstrategien |
| Simulationsbedingungen | Dynamische Variabilität erneuerbarer Energien | Großskaliger dynamischer Betrieb | Test der Orchestrierung mit geringer Latenz |
| Leistungskennzahlen | Akzeptanzrate, Reduktion von Überlastungen | Spannungscompliance, Konvergenzgeschwindigkeit | Gesamtleistung der Orchestrierung |
Tabelle 2: Großskalige experimentelle Validierung. Experimentelle Einstellungen, die zur Bewertung der Skalierbarkeit, der Unsicherheit erneuerbarer Energien und der dezentralen Koordination verwendet wurden.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Alle Experimente wurden fünfmal mit verschiedenen zufälligen Startwerten durchgeführt, um den Einfluss des stochastischen Lernens zu verringern. Die Mittelwerte wurden über die fünf Durchläufe berechnet. Für alle Methoden wurden dieselben Datensätze, Simulationsparameter, Hyperparameter, Abbruchkriterien und Evaluierungsverfahren verwendet. Als Vergleichsmethoden dienten die zentrale Spannungsregelung (CVC)33, die konventionelle Mehragentensteuerung (CMAC)21, die auf Verstä...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Die experimentellen Ergebnisse zeigten, dass die vorgeschlagene dynamische Orchestrierungsstrategie die dezentrale Speisermanagementkoordination, die Integration erneuerbarer Energien, die Spannungsstabilität, das Engpassmanagement und die Orchestrierung mit geringer Latenz im Vergleich zur zentralisierten Spannungsregelung (CVC)33, der herkömmlichen multiagentenbasierten Steuerung (CMAC)21, der spannungsregelungsbasierten Verstärkungslernmethode (RLVR)20<...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.
Danksagungen
Diese Forschung wurde vom Guangzhou Power Supply Bureau der Guangdong Power Grid Company im Rahmen des Projekts „Forschung zur Automatisierungsannahmetechnologie von Niederspannungsmessgeräten basierend auf Prozessautomatisierung“ (Projektnummer: 030100KC24120100) unterstützt.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Datensatz für Niederspannungsverteilungsnetz mit 236 Knoten | Canizes et al. | DOI: 10.5281/zenodo.8274780 | Öffentlicher Benchmark-Datensatz zur Skalierbarkeitsanalyse und großflächigen Validierung des vorgeschlagenen Frameworks |
| Zentralprozessor (CPU) | Intel Corporation | Intel Core i9-12900K (16-Core) | Wird für die Simulationsteuerung und die Ausführung der Umgebung verwendet |
| Modul zur Analyse der Staugefährdung | Individuell entwickeltes Modul | Zenodo DOI: 10.5281/zenodo.21423239 | Führt die Echtzeit-Berechnung der Staugefährdung und die Priorisierung von Leitungen durch |
| CUDA Toolkit | NVIDIA Corporation | CUDA 12.1 | GPU-Rechenplattform zur beschleunigten PyTorch-Modelltrainierung |
| cuDNN-Bibliothek | NVIDIA Corporation | cuDNN 9.3.0 | Bibliothek zur Beschleunigung tiefer neuronaler Netze, verwendet in Kombination mit CUDA |
| Individueller dynamischer Niederspannungsnetz-Simulator | Individuell entwickeltes Modul | Version 1.0 | Vom Autor entwickelte Simulationsplattform, implementiert in Python und PyTorch für Experimente zur dynamischen Leitungssteuerung. Detaillierte Informationen zur Implementierung finden sich in den Abschnitten Methoden und Verfügbarkeit der Daten. |
| Bibliothek zur Datenverarbeitung | pandas-Entwicklungsteam | pandas 2.2.2 | Wird zur Vorverarbeitung, Merkmalsextraktion, Normalisierung und Verwaltung von Zeitreihendaten verwendet |
| Tiefenlern-Framework | PyTorch Foundation | PyTorch 2.3.1 | Wird zur Implementierung des Multi-Agenten-Verstärkungslernmodells (MARL), zum Training neuronaler Netze und zur Optimierung von Steuerungsstrategien verwendet |
| Modul für verteilte Agentenkommunikation | Individuell entwickeltes Framework | Zenodo DOI: 10.5281/zenodo.21423239 | Ermöglicht dezentrale Kommunikation und den Austausch von Steuerungsstrategien zwischen intelligenten Agenten |
| FeederBW-Datensatz | Treutlein et al. | DOI: 10.5281/zenodo.17831177 | Öffentlicher Datensatz mit realen Messwerten von Niederspannungsleitungen, erneuerbaren Erzeugungsanlagen und Betriebsprofilen |
| Graphikprozessor (GPU) | NVIDIA Corporation | GeForce RTX 3090, 24 GB GDDR6X | Hardware-Beschleuniger für das Training neuronaler Netze und parallele Berechnungen |
| Umgebung für Multi-Agenten-Verstärkungslernen | Farama Foundation | Gym 0.26.2 | Angepasste Verstärkungslernumgebung für die kooperative Interaktion und das Training intelligenter Agenten |
| Bibliothek für numerische Berechnungen | NumPy-Entwickler | NumPy 1.26.4 | Wird für numerische Berechnungen, Tensor-Manipulationen und Matrixoperationen verwendet |
| Betriebssystem | Canonical Ltd. | Ubuntu 22.04.5 LTS (64-Bit) | Betriebssystem für alle Simulationen und Verstärkungslernexperimente |
| Programmiersprache Python | Python Software Foundation | Python 3.11.9 | Hauptsächliche Programmiersprache für die Implementierung von Algorithmen, Simulationen und Modellentwicklung |
| Arbeitsspeicher | Lenovo | 64 GB DDR5 RAM | Installierter Arbeitsspeicher für großflächige MARL-Simulationen und Datenverarbeitung. |
| Modul zur Überwachung der Spannungsstabilität | Individuell entwickeltes Modul | Zenodo DOI: 10.5281/zenodo.21423239 | Überwacht kontinuierlich die Spannungsstabilität und -konformität während der Leitungssteuerung |
Referenzen
- Ahmed F, et al. A multi-agent reinforcement learning framework for voltage-constrained incentive demand response in PV-rich low-voltage distribution systems. IEEE Access. 2026;14:45410–22.
- Lamsal D, Sreeram V, Mishra Y, Kumar DS. Smoothing control strategy of wind and photovoltaic output power fluctuation by considering the state of health of battery energy storage system. IET Renew Power Gener. 2019;13:578–86.
- Allahmoradi S, et al. Data-driven Volt/VAR optimization for modern distribution networks: A review. IEEE Access. 2024;12:71184–204.
- O'Connell N, Pinson P, Madsen H, O'Malley M. Benefits and challenges of electrical demand response: A critical review. Renew Sustain Energy Rev. 2014;39:686–99.
- Hossain MS, Madlool NA, Al-Fatlawi AW, El Haj Assad M. High penetration of solar photovoltaic structure on the grid system disruption: An overview of technology advancement. Sustainability. 2023;15:1174. https://doi.org/10.3390/su15021174
- Rahmouni A. Impact of static reactive power compensator (SVC) on the power grid. WSEAS Trans Electron. 2020;11:96–104.
- Chandran CV, et al. Application of demand response to improve voltage regulation with high DG penetration. Electr Power Syst Res. 2020;189:106722. https://doi.org/10.1016/j.epsr.2020.106722
- Wang Q, et al. A demand response strategy in high photovoltaic penetration power systems considering the thermal ramp rate limitation. IEEE Access. 2019;7:163814–22.
- Wang Z, et al. How to effectively implement an incentive-based residential electricity demand response policy? Experience from large-scale trials and matching questionnaires. Energy Policy. 2020;141:111450. https://doi.org/10.1016/j.enpol.2020.111450
- van Tilburg J, Siebert LC, Cremer JL. MARL-iDR: Multi-agent reinforcement learning for incentive-based residential demand response. arXiv. 2023. https://arxiv.org/abs/2304.04086
- Bahrami S, Chen YC, Wong VWS. Deep reinforcement learning for demand response in distribution networks. IEEE Trans Smart Grid. 2021;12:1496–506.
- Li J, et al. Model-free reinforcement learning economic dispatch algorithms for price-based residential demand response management system. IEEE Trans Ind Cyber-Phys Syst. 2023;1:123–35.
- Zheng S, et al. Incentive-based integrated demand response for multiple energy carriers under complex uncertainties and double coupling effects. Appl Energy. 2021;283:116254. https://doi.org/10.1016/j.apenergy.2020.116254
- Nainar K, Pillai JR, Bak-Jensen B. Incentive price-based demand response in active distribution grids. Appl Sci. 2020;11:1–17.
- Nguyen Duc T, et al. Impact of renewable energy integration on a novel method for pricing incentive payments of incentive-based demand response program. IET Gener Transm Distrib. 2022;16:1648–67.
- Pourramezan A, Samadi M. A novel approach for incorporating incentive-based and price-based demand response programs in long-term generation investment planning. Int J Electr Power Energy Syst. 2022;142:108315. https://doi.org/10.1016/j.ijepes.2022.108315
- Mathew A, Roy A, Mathew J. Intelligent residential energy management system using deep reinforcement learning. IEEE Syst J. 2020;14:5362–72.
- Khan DA, Arshad A, Lehtonen M, Mahmoud K. Combined DR pricing and voltage control using reinforcement learning based multi-agents and load forecasting. IEEE Access. 2022;10:130839-49.
- Zhang X, et al. An edge-cloud integrated solution for buildings demand response using reinforcement learning. IEEE Trans Smart Grid. 2021;12:420–31.
- Duan J, et al. Deep-reinforcement-learning-based autonomous voltage control for power grid operations. IEEE Trans Power Syst. 2020;35:814–7.
- Wang S, et al. A data-driven multi-agent autonomous voltage control framework using deep reinforcement learning. IEEE Trans Power Syst. 2020;35:4644–54.
- Turitsyn K, Sulc P, Backhaus S, Chertkov M. Options for control of reactive power by distributed photovoltaic generators. Proc IEEE. 2011;99:1063–73.
- Bedawy A, et al. Optimal voltage control strategy for voltage regulators in active unbalanced distribution systems using multi-agents. IEEE Trans Power Syst. 2020;35:1023–35.
- Bedawy A, Yorino N, Mahmoud K. Management of voltage regulators in unbalanced distribution networks using voltage/tap sensitivity analysis. Presented at: International Conference on Innovative Trends in Computer Engineering (ITCE); Aswan, Egypt; 2018. https://doi.org/10.1109/itce.2018.8316651
- Smith O, et al. The effect of renewable energy incorporation on power grid stability and resilience. Sci Adv. 2022;8:eabj6734. https://doi.org/10.1126/sciadv.abj6734
- Charbonnier F, Morstyn T, McCulloch MD. Scalable multi-agent reinforcement learning for distributed control of residential energy flexibility. Applied Energy. 2022;314:118825. doi:10.1016/j.apenergy.2022.118825
- Dugan J, Mohagheghi S, Kroposki B. Application of mobile energy storage for enhancing power grid resilience: A review. Energies. 2021;14:6476. https://doi.org/10.3390/en14206476
- Panossian N, et al. Challenges and opportunities of integrating electric vehicles in electricity distribution systems. Curr Sustain Renew Energy Rep. 2022;9:27–40.
- Guan Q, et al. Dynamic-aware deep reinforcement learning for heterogeneous fleet-based capacitated electric vehicle routing problems. Applied Energy. 2026;413:127757. https://doi.org/10.1016/j.apenergy.2026.127757
- Guan Q, et al. Heterogeneous attention-driven deep reinforcement learning for solving EVRPs with pickup-delivery and time windows. Applied Energy. 2026;407:127355. https://doi.org/10.1016/j.apenergy.2026.127355
- Treutlein M, et al. Real-world energy data of 200 feeders from low-voltage grids with metadata in Germany over two years (Version v1.0) [Data set]. Zenodo; 2025. https://doi.org/10.5281/zenodo.17831177
- Canizes B, Castro F, Silveira V, Vale Z. 236-Bus Low Voltage Distribution Network Data [Data set]. Zenodo; 2023. https://doi.org/10.5281/zenodo.8274780
- Xi, Haikuo & Chen, Can & Bai, Xuesong & Ma, Yuan & Ding, Jiachao & Chen, Qifang. (2024). Centralized and decentralized combined voltage control for distribution network with high penetration PV connected. Journal of Physics: Conference Series. 2771. 012040. 10.1088/1742-6596/2771/1/012040.
- Singh AK, Parida SK. Congestion management with distributed generation and its impact on electricity market. International Journal of Electrical Power & Energy Systems. 2013;48:39–47. doi:10.1016/j.ijepes.2012.11.025.
- Gooi HB, Wang T, Tang Y. Edge intelligence for smart grid: A survey on application potentials. CSEE Journal of Power and Energy Systems. 2023;9(5):1623–1640. https://doi.org/10.17775/CSEEJPES.2022.02210
- Molokomme DN, Onumanyi AJ, Abu-Mahfouz AM. Edge intelligence in smart grids: A survey on architectures, offloading models, cyber security measures, and challenges. Journal of Sensor and Actuator Networks. 2022;11(3):47. https://doi.org/10.3390/jsan11030047
- Chang Z, Liu S, Xiong X, Cai Z, Tu G. A survey of recent advances in edge-computing-powered artificial intelligence of things. IEEE Internet of Things Journal. 2021;8(18):13849–13875.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.