Prime
Die in Deutschland angestrebte Reduktion der Treibhausgasemissionen durch starken Ausbau der erneuerbaren Energien und die damit einhergehende Zunahme der Komplexität stellt die Stromnetze in der Zukunft vor große Aufgaben.
Viele der Aufgabenstellungen beruhen dabei auf im Kern probabilistische Problemstellungen. Diese können häufig vereinfachend durch deterministische Betrachtungen - Mittelwert und ggf. Worst-Case - angenähert gelöst werden. In wichtigen Aufgabenstellungen muss für belastbare Aussagen aber der probabilistische Problemraum insgesamt untersucht werden. Eine solche Untersuchung des gesamten Problemraums geschieht typischerweise durch eine Monte-Carlo-Simulation. Dieses Verfahren ist aber sehr rechenzeit- und ressourcenaufwändig und bereits bei heutigen Aufgabenstellungen müssen vielfach Vereinfachungen getroffen werden, die die Belastbarkeit der Ergebnisse und insbesondere die Extrapolierbarkeit der Ergebnisse einschränken.
Ein typischer Anwendungsfall für solche probabilistische Aufgabenstellungen in der Energiesystemtechnik ist beispielsweise die Netzausbauplanung. Der weitere Umbau der Verteilnetze zu Smart Grids mit mehr volatilen Erzeugern, dezentralen Speichern und intelligenten aktiven Betriebsmitteln im elektrischen Versorgungsnetz führt zu einer zunehmenden Unsicherheit sowohl in der räumlichen Planung (Wo entstehen neue Anlagen?), der Menge (Wie viel neue Anlagen wird es geben?) als auch der zeitlichen Planung (Wie wird die Einspeise- und Nachfrage-Charakteristik der Anlagen im Hinblick auf zeitliche Gradienten, sowie Maximal- und Minimalwerte zukünftig aussehen?). Diese und ähnliche Unsicherheiten müssen jeweils durch Wahrscheinlichkeitsverteilungen modelliert werden, wodurch alle potentiell vorkommenden Szenarien für den Ausbau erneuerbarer Energie entstehen.
In der Regel werden dabei aber viele dieser Berechnungen aufgrund gleicher oder doch sehr ähnlicher Eingangsdaten redundant sein. Daher sind neue, effiziente probabilistische Methoden notwendig, um den gesamten Lösungsraum für die Netzausbauplanung abbilden zu können. Daher sollen im Projekt PrIME Methoden für probabilistische Aufgabenstellungen in der Energiesystemtechnik betrachtet und grundlagenorientiert entwickelt werden. Die Methodenentwicklung soll sich exemplarisch an typischen probabilistischen Anwendungsfällen aus der Energiesystemtechnik orientieren, um eine hohe Praxisrelevanz für die Ergebnisse der grundlagenorientierten Forschung sicherzustellen. Solche Methoden bieten dann ein großes Anwendungspotenzial, sowohl in der Netzplanung als auch in der Netzbetriebsführung (bspw. Day-Ahead-Congestion-Forecast, DACF).
Als Teil eines Konsortiums bestehend aus Fraunhofer IEE, dem Fachgebiet e²n der Universität Kassel sowie einigen assozierten Netzbetreibern stellt das Fachgebiet Intelligente Eingebette Systeme die Anwendbarkeit sowie Weiterentwicklung der möglichen Methoden sicher. Die entwickelten Methoden werden mit verschiedenen Netzberechnungsarten, wie z. B. Lastflussberechnungen, validiert, bewertet und optimiert.