Advertisement

Effiziente Bewertung des Anschlusspotenzials von Niederspannungsnetzen für dezentrale Erzeugungsanlagen: Klassifikation mit Methoden der Computational Intelligence

  • Sebastian Breker
  • Bernhard Sick
Conference paper

Kurzfassung

Die Entwicklung optimierter Verteilnetze erfordert einen hohen Bedarf an Investitionsmitteln. Insbesondere auf der Niederspannungsebene gestaltet sich die Steuerung der im regulierten Netzgeschäft verfügbaren Investitionsmittel zur Verstärkung von Netzen auf Grund ihrer sehr hohen Zahl und historisch in Abhängigkeit von lokalen Gegebenheiten gewachsenen Netzstrukturen schwierig. Durch eine Klassifikation der Netze hinsichtlich ihres Aufnahmevermögens für dezentrale Erzeugungsanlagen, wie in diesem Artikel vorgestellt, kann die Menge der zu beobachtenden Netze automatisiert auf eine geringere Zahl „schwacher“ Netze reduziert werden. Weiterhin wird eine strukturierte Möglichkeit zur Auswahl von relevanten NS-Netzen für detaillierte Untersuchungen geschaffen (z. B. Smart Grids oder Flexibilität im Verteilnetz: gelbe Ampelphase). Es wird anhand von 300 realen, ländlichen und vorstädtischen Netzen gezeigt, dass durch Einsatz von Support Vector Machines (SVM) die Klassifikation effizient gestaltet werden kann, da nur eine Teilmenge der zu klassifizierenden Netze bewertet werden muss. Der restliche (große) Teil der Netze kann dann anhand von Merkmalen der Netze automatisch bewertet werden. Der Anteil falsch klassifizierter Netze ist mit 18 % gering.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1]
    Li, B.; Gandahar, S.; Cheng, S.; Verma P. K.: Predicting User Comfort Level Using Machine Learning for Smart Grids. IEEE PES Inn. Smart Grid Techn. (2011), pp. 1–6.Google Scholar
  2. [2]
    Yuanzhe, C.; Quing, X.; Chengquiang, W.; Fangcheng, L.: Short-Term Load Forecasting for City Holidays Based on Genetic Support Vector Machines. Int. Conf. on Electrical and Control Engineering (2011), pp. 3144–3147.Google Scholar
  3. [3]
    Chandler, S. A.; Hughes, J. G.: Smart Grid Distribution Prediction and Control Using Computational Intelligence. IEEE Conf. on Techn. for Sustainability (2013), pp. 86–89.Google Scholar
  4. [4]
    Rudin, C.; Waltz, D.; Anderson, R. N.; Boulanger, A.: Machine Learning for the New York City Power Grid. IEEE Trans. on Pattern Analysis and Machine Intelligence 34 (2012), No. 2, pp. 328–345.CrossRefGoogle Scholar
  5. [5]
    Stark, M.; Krost, G.: Design Tool for Isolated Micro-Grids Based on Methods of Computational Intelligence. Int. Conf. on Intelligent System Application to Power Systems (2011), pp. 1–6.Google Scholar
  6. [6]
    Gross, P.; Salleb-Aouissi, A.; Dutta, H.; Boulanger, A.: Ranking Electrical Feeders of the New York Power Grid. Int. Conf. on Machine Learning and Applications (2009), pp. 359–365.Google Scholar
  7. [7]
    Pisica, I.; Eremia, M.: Making Smart Grids Smarter by Using Machine Learning. Proc. of Int. Universities’ Power Engineering Conf. (2011), pp. 1–5.Google Scholar
  8. [8]
    Shahid, N.; Aleem, S. A.; Naqvi, I. H.; Zaffar, N.: Support Vector Machine Based Fault Detection & Classification in Smart Grids. IEEE Globecom Workshops (2012), pp. 1526–1531.Google Scholar
  9. [9]
    Haruna, Y.; Bakare, G. A.; Aliyu, U. O.: Adaptive Static Load Shedding Schemes for Nigerian Grid System Based on Computational Intelligence Techniques. Power Systems Conf. (2014), S. 1–6.Google Scholar
  10. [10]
    Haibo, H.: Toward a Smart Grid: Integration of Computational Intelligence Into Power Grid. Int. Joint Conf. on Neural Networks (2010), pp. 1–6.Google Scholar
  11. [11]
    Cartes, D.; Chow, J. H.; McCaugherty, D.; Widergren, S.: The IEEE Computer Society Smart Grid Vision Project Opens Opportunites for Computational Intelligence. IEEE Conf. on Evolving and Adaptive Intelligent Systems (2013), pp. 144–150.Google Scholar
  12. [12]
    Byung-Gook, K.; Yu, Z.; Schaar, M. van d.; Lee, L. J.: Dynamic Pricing for Smart Grid with Reinforcement Learning. IEEE Conf. on Computer Communications Workshops (2014), pp. 640–645.Google Scholar
  13. [13]
    Breker, S.; Claudi, A.; Sick, B.: Capacity of Low-Voltage Grids for Distributed Generation: Classification by Means of Stochastic Simulations. IEEE Trans. on Power Systems 30 (2015), No. 2, pp. 689–700.Google Scholar
  14. [14]
    Li, G.; Semerci, M.; Yener, B.; Zaki, M. J.: Graph Classification via Topological and Label Attributes. MLG, San Diego (2011), pp. 1–9.Google Scholar
  15. [15]
    Bortz, J.; Lienert, G. A.; Boehnke, K.: Verteilungsfreie Methoden in der Biostatistik. Springer Heidelberg (2008).Google Scholar
  16. [16]
    Shafer, G.: A Mathematical Theory of Evidence. Princeton University Press (1976).Google Scholar
  17. [17]
    Abe, S.: Support Vector Machines for Pattern Classification. Adv. in Pattern Recognition, Springer London (2010).Google Scholar
  18. [18]
    Steinwart, I.; Christmann, A.: Support Vector Machines. Information Science and Statistics, Springer London (2008).Google Scholar
  19. [19]
    Chang, C.-C.; Lin, C.-J.: LIBSVM: A Library for Support Vector Machines. ACM Trans. on Intelligent Systems and Technology 2 (2011), pp. 1-27. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm(last access: 02/13/2015)
  20. [20]
    Chang, C.-C.; Lin, C.-J.: A Practical Guide to Support Vector Classification. Technical Report, National Taiwan University. (2010), pp. 1–16.Google Scholar
  21. [21]
    Bortz, J.; Lienert, G. A.; Boehnke, K.: Verteilungsfreie Methoden in der Biostatistik. Springer Heidelberg (2008).Google Scholar
  22. [22]
    Liu, H.; Motoda, H.: Computational Methods of Feature Selection. Chapman & Hall (2008).Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  • Sebastian Breker
    • 1
  • Bernhard Sick
    • 2
  1. 1.EnergieNetz Mitte GmbHKasselDeutschland
  2. 2.FG Intelligent Embedded SystemsKasselDeutschland

Personalised recommendations