Am Forschungsprojekt GNN4GC (Graph Neural Networks for Grid Control) des Fachgebiets Intelligente Eingebettete Systeme der Universität Kassel sind auch das Fraunhofer In Zusammenarbeit mit dem Fraunhofer IEE und drei Übertragungsnetzbetreibern beteiligt – TenneT TSO GmbH, 50Hertz (Deutschland) und TenneT TSO BV (Niederlande). Die Forschenden wollen mit Hilfe von KI-basierten Ansätzen die Steuerung der Stromnetze verbessern, um sie effizienter zu machen und zugleich die Resilienz zu erhöhen. Dabei kommen unter anderem Graph Neural Networks (GNNs) und Deep Reinforcement Learning (DRL) zum Einsatz.

Angesichts des steigenden Anteils an erneuerbaren Energien stehen die Stromnetzbetreiber vor neuen Herausforderungen. Erzeugung und Nachfrage unterliegen zunehmenden Schwankungen, gleichzeitig speisen immer mehr Haushalte dezentral Strom ins Netz ein. Grundsätzlich müssen alle Stromanbieter dafür sorgen, dass sie jederzeit so viel Strom ins Netz einspeisen, wie ihre eigenen Kunden abnehmen. Doch das letzte Ausbalancieren liegt in der Verantwortung der Netzbetreiber, die auf diesem Wege eine konstante und zuverlässige Versorgung zu gewährleisten müssen.

„Unser Ziel ist eine enge Zusammenarbeit zwischen Forschung und Industrie, um praxistaugliche Lösungen für diese Herausforderungen der Energiewende zu entwickeln“, erklärt Dr. Christoph Scholz, Leiter des Projekts an der Universität Kassel. Das Projektteam der Uni Kassel ergänzen außerdem Pawel Lytaev, Clara Holzhüter und Mohamed Hassouna.

Graph Neural Networks (GNNs) sind laut der Uni Kassel besonders leistungsfähig bei der Analyse von Netzwerkstrukturen, wie sie auch in Stromnetzen vorkommen. Sie sollen helfen, die Netzlasten schneller zu berechnen und zu untersuchen, wie sich die Netztopologie während des Betriebs dynamisch anpassen lässt. Parallel soll Deep Reinforcement Learning (DRL) helfen, selbstlernende Agenten zu entwickeln, die netzdienliche Zustände identifizieren können. Die Forschenden wollen die Modelle zunächst in Simulationen trainieren, um potenzielle Lösungen für die Steuerung und Optimierung der Stromnetze zu erforschen.

Der erste Schritt zur praktischen Umsetzung war bereits vielversprechend, so die Uni Kassel. In einer aktuellen Publikation präsentieren sie einen Algorithmus, der die Identifizierung und Integration solcher Topologien in ein bestehendes Deep Reinforcement Learning Modell ermöglicht. Die Ergebnisse zeigen, dass diese Zieltopologien eine signifikante Steigerung der Resilienz des Stromnetzes bewirken können.

Auf welche Entwicklungen der Energiewende sich die Stromnetze in der Zukunft einstellen müssen, zeigt der Anfang September vorgelegte Szenariorahmen.

Quelle: Uni Kassel | www.solarserver.de © Solarthemen Media GmbH