Data gedreven optimalisatiemodellen voor veilige realtime werking van door hernieuwbare energie gedomineerde energiesystemen

Omwille van de toegenomen integratie van hernieuwbare energiebronnen in het electriciteitsnet en veranderende vraagkenmerken, ervaart het huidige elektriciteitssysteem een hoge mate van complexiteit en intense onzekerheden. Intermitterende energiebronnen, zoals fotovoltaïsche energie en windenergie, worden geïntegreerd in elektriciteitsnetwerken in het moderne elektriciteitsnet, wat nieuwe problemen en kansen voor de werking van het systeem met zich meebrengt. Traditioneel gezien werd de werking van het electriciteitssysteem uitgevoerd door gecentraliseerde en deterministische benaderingen vanwege de zekere aard van het transmissie netwerk. In het geval van intense onzekerheden en complexiteit is er echter behoefte aan geavanceerde datagestuurde tools om grootschalige problemen aan te pakken, aangezien traditionele optimalisatiemodellen niet in staat zijn om dergelijke complicaties op te lossen. Daarom is een geschikte probabilistische inputset, die de belastingsvraag en natuurlijke kenmerken van hernieuwbare energie beschrijft, nodig om de bestaande problemen in het elektriciteitssysteem op te lossen. Om te komen tot hoogwaardige datagestuurde tools voor het omgaan met de onzekerheden in de werking van het elektriciteitssysteem, is het doel van dit doctoraat om verschillende methoden te onderzoeken om deze onzekerheden correct te kwantificeren binnen het probabilistische optimale vermogensstroomprobleem. Er zal speciale aandacht worden besteed aan de representatie van discrete onzekerheden en discrete regelacties in het systeem, zoals schakelacties in het netwerk voor topologieverandering. Bovendien kunnen data gedreven modellen verder worden verbeterd door op reinforcement leaarning gebaseerde technieken op te nemen, omdat ze het verzamelen van informatie uit de gegevens ondersteunen om met de onzekerheidskenmerken om te gaan. Dientengevolge kan de ontoereikendheid van het systeemmodel, dat is gemaakt met beperkte kennis van het net en zijn parameters, worden overwonnen. In deze context zal dit doctoraat onzekerheden behandelen in door beveiliging beperkte optimale powerflow-problemen door gebruik te maken van een model gebaseerd op datagestuurd versterkend leren.