Zusammenfassung

Die Integration erneuerbarer Energien wandelt Stromnetze in dezentrale Systeme mit komplexen, multidirektionalen Dynamiken und verringerten Stabilitätsreserven um. Dieser Vortrag stellt einen Machine-Learning-Ansatz zur schnellen und skalierbaren dynamischen Stabilitätsbewertung in zukünftigen Stromnetzen vor. Während verschiedene Modelle untersucht werden, erweisen sich Graph Neural Networks als besonders effektiv: Sie lassen sich von kleinen synthetischen Netzen auf Systeme von realer Größe verallgemeinern. Ein zentraler Beitrag ist eine neuartige Graph-Schicht – das Dirac-Bianconi Graph Neural Network –, die gezielt entwickelt wurde, um weitreichende Wechselwirkungen in Stromnetzen zu erfassen. Zudem führt die Arbeit die Vorhersage vollständiger Stabilitätslandschaften anstelle eines einzelnen skalaren Werts ein, was Netzbetreibern interpretierbare Einblicke bietet. Diese Methoden können den Rechenaufwand für probabilistische Stabilitätsanalysen erheblich reduzieren und eine effizientere Entscheidungsfindung in modernen Energiesystemen unterstützen.

Über den Vortragenden

Christian Nauck ist Doktorand am Potsdam-Institut für Klimafolgenforschung (PIK), wo er in der Arbeitsgruppe Infrastruktur und Komplexe Netzwerke innerhalb der Forschungsabteilung Komplexitätswissenschaften tätig ist. Sein Forschungsschwerpunkt liegt auf maschinellem Lernen für nachhaltige Energiesysteme, insbesondere auf Graph Neural Networks zur Bewertung der dynamischen Stabilität von Stromnetzen. Er hält zwei Masterabschlüsse der RWTH Aachen in Luft- und Raumfahrttechnik sowie Allgemeinem Maschinenbau mit dem Schwerpunkt Simulationstechnik.