Die Landschaft der Stromerzeugung hat in den letzten Jahren eine tiefgreifende Veränderung durchlaufen, angetrieben von der dringlichen globalen Klimabewegung. Dies hat zu einem deutlichen Anstieg der Erzeugung von erneuerbarer Energie (EE) geführt, was zu einem Netz geführt hat, das zunehmend schwankenden Eingängen ausgesetzt ist. Der Aufstieg von Wärmepumpen und Elektrofahrzeugen hat die Nachfrage der Verbraucher nach Strom weiter erhöht, während Benutzer auch dazu beginnen, zum Netz beizutragen, indem sie ihren eigenen Strom durch Photovoltaikanlagen erzeugen.
Übertragungsnetzbetreiber (TSO) müssen ihre Energieinfrastruktur auf innovative Weise an die Unvorhersehbarkeit anpassen. Das Busumschalten auf der Unterstationsebene, um die Topologie des Netzes zu ändern, ist eine vielversprechende Methode, die in der akademischen Gemeinschaft immer mehr Aufmerksamkeit findet. Durch intelligentes Umschalten an Schlüsselstellen kann das Netz bis zu einem gewissen Grad stabilisiert werden. Insbesondere in Deep Reinforcement Learning (DRL) könnten Deep-Learning-Technologien die Rechenkosten erheblich senken, weshalb Wissenschaftler vorschlagen, diese zur Lösung dieses Problems zu verwenden. Der französische TSO RTE war der Erste, der solche Methoden in der L2RPN-Herausforderung getestet hat.
Das Problem entsteht, wenn diese Verhaltensweisen häufig unabhängig voneinander untersucht werden. Obwohl sie für die nächste Phase nützlich sein könnten, könnten sie zu weniger als idealen Topologien führen. Im Gegensatz zur landläufigen Meinung berücksichtigen Netzbetriebseingriffe nicht die autonomen Unterstationsaktivitäten. Als Alternative wird in Betracht gezogen, mehrere Unterstationen in Stufen auszuschalten. Dennoch gehen DRL-Studien, die darauf abzielen, Netze zu optimieren, kaum auf diese umfassenden Topologie-Techniken ein.
Forscher der Universität Kassel erkunden in ihrer aktuellen Studie eine neue Richtung, die sich auf die Topologie des Stromnetzes konzentriert, nicht auf einzelne Unterstationsumschaltvorgänge, sondern auf die Anordnung aller Busse an allen Unterstationen. Das Grundprinzip ist, dass einige Topologien (TTs) stabiler sind als andere. Der Versuch, nahe TTs zu erreichen, hat Vorrang, wenn der gegenwärtige topologische Zustand nicht ausreichend stabil ist.
Die Studie präsentiert eine Suchtechnik für TTs, die den Kriterien entsprechen. Die Ergebnisse zeigen, dass TTs gegen Instabilität stabil sind, wenn die Technik verwendet wird, basierend auf einer Sammlung bereits vorhandener Unterstationsaktivitäten. Darüber hinaus integrieren die Forscher einen gierigen Suchkomponenten mit TTs in ihre zuvor berichtete CAgent-Technik, um einen Topologie-Agenten (TopoAgent85-95%) zu erstellen. Der Agent wurde auf dem Validierungsnetz der WCCI 2022 L2RPN-Herausforderung ausgeführt, um zu überprüfen, ob ihre Methode zur Optimierung des Netzes nützlich ist.
