Zusammenfassung

Für Studien auf Systemebene stellen Hersteller häufig Black-Box-Modelle zur Verfügung. Deren begrenzte Transparenz hinsichtlich Regelungsstrukturen und Parametrierung kann jedoch die Modellvalidierung, Interoperabilität und Stabilitätsbewertung erschweren. Zudem lassen sie sich oft nur schwer in Simulationen integrieren, sind rechenintensiv und für analytische Methoden wenig geeignet. Umgekehrt bieten generische Modelle, die ausschließlich durch Parameteroptimierung kalibriert wurden, oft nur eine begrenzte Genauigkeit außerhalb der in den verfügbaren Daten repräsentierten Betriebsbedingungen. Das Projekt Dynamic Power System Open Solutions for Hybrid Dynamic Equivalents (DyPSOS) zielt darauf ab, Black-Box-Modelle durch genaue, analysierbare und leicht zu integrierende dynamische Äquivalente zu ersetzen. Wir verfolgen einen hybriden, datengestützten Ansatz, der die automatische Parameteroptimierung bekannter Modellkomponenten mit Methoden der Neural Ordinary Differential Equations (NODEs) und Universal Differential Equations (UDEs) kombiniert. Wir nutzen das Open-Source-Ökosystem Julia SciML zusammen mit symbolischer Modellierung (ModelingToolkit.jl) und dem Stromnetz-Simulationsframework PowerDynamics.jl, um die Modelle zu trainieren und zu implementieren. Ziel ist die Entwicklung einer Optimierungs-Toolbox für dynamische Äquivalente mit hoher Genauigkeit, die auf bekannter Physik basieren und in bestehende DAE-Systeme (Differential-Algebraic Equation) integriert werden können.

Über den Vortragenden

Lars Bittcher ist Wissenschaftlicher Mitarbeiter im Bereich Netzregelung und Systemdynamik der Abteilung Systemstabilität und Netzintegration am Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik (IEE). Sein Forschungsschwerpunkt liegt auf der hybriden, datengestützten Modellierung der Dynamik von Energiesystemen, wobei er physikbasierte Modelle mit Ansätzen des maschinellen Lernens wie Neural Ordinary Differential Equations (NODEs) und Universal Differential Equations (UDEs) kombiniert.