Nieuwe en praktische data science technieken en algoritmes voor laagspanningsnet beslissingsondersteuning

Laagspanningsdistributienetwerken (LV) zijn oorspronkelijk ontworpen om stroomoverdracht van generatoren naar de consument op een unidirectionele manier mogelijk te maken. In het afgelopen decennium is de penetratie van hernieuwbare energiebronnen (RES) en elektrische voertuigen (EV) aanzienlijk toegenomen als gevolg van de wereldwijde bezorgdheid over klimaatverandering en hoge prijzen voor fossiele brandstoffen. De grote integratie van RES en EV met het LV-distributienet brengt echter enkele technische problemen met zich mee die kunnen leiden tot grote netwerkbeperkingen, zoals variaties in voedingsspanning en snelle stroomschommelingen. Congestie in LV-netten treedt op wanneer de stroom door een netwerkcomponent zijn overdrachtscapaciteit overschrijdt. Traditioneel wordt het risico van netcongestie in de planningsfase geminimaliseerd door voldoende grote capaciteitsmarges toe te wijzen aan verschillende netsegmenten (d.w.z. fit-and-forget-strategie). Gelijktijdige activering van het grote aantal RES en EV's kan echter leiden tot hogere capaciteitsvereisten, en daarom zou de fit-and-forget-benadering van het versterken van het net een enorme investering en overdimensionering van LV-netwerken vereisen. Bovendien worden de individuele belastingsprofielen volatieler en onvoorspelbaarder als gevolg van bidirectionele vermogensstroom en nieuwe vormen van belastingen in LV-netten. Daarom is er een duidelijke behoefte aan de ontwikkeling van geavanceerde algoritmen die de vraagpatronen van individuele klanten nauwkeurig kunnen inschatten en toekomstige scenario's voor netcongestie kunnen voorspellen. Het voorspellen van de toestand van LV-netwerken is echter geen eenvoudige taak vanwege hun radiale configuratie, een groot aantal knooppunten, gebrek aan realtime metingen en ongebalanceerde belastingen enz. Op dit moment zijn de Distributienetbeheerders (DNB) niet uitgerust met congestievoorspellingstools voor gedeeltelijk bewaakte LV-netwerken, althans niet op operationeel niveau. In dit opzicht zal dit doctoraatsonderzoek zich toespitsen op de ontwikkeling van een geavanceerd congestievoorspellingskader voor laagwaarneembare distributienetwerken, dat kan worden gebruikt om die LV-feeders te identificeren die een hoger risico lopen om in de toekomst te maken te krijgen met congestie en dat ook waardevolle inzichten kan bieden aan DNB's voor het maken van betere beslissing over netwerkversterking door verbeterde zichtbaarheid van het net en congestiebeheer. Dit zal ook een optimale integratie van hernieuwbare energiebronnen en een beter gebruik van de netwerkinfrastructuur mogelijk maken en zal ook helpen om de parameters van de LV-distributienetten, zoals spanningen en stromen, binnen de toegestane limieten te houden.