earlyWARN – Ein ML-basiertes Echtzeit-Dynamisches Sicherheitsassessor- und Frühwarnsystem für TSOs

• Forschungsstelle: BFE
• Projektnummer: SI/502660
• Projekttitel Englisch: earlyWARN – A Data-Driven Real-Time Dynamic Security Assessor and Early Warning System for TSOs

Kurzbeschreibung (Deutsch)

Die starke Verbreitung von Stromrichteranlagen auf allen Spannungsebenen auf Kosten von weniger konventionellen Kraftwerken auf der Übertragungsebene wird sich auf die traditionellen Stabilitätsgrenzen auswirken, die durch Indizes wie Frequenzänderungsrate, Frequenznadir, Frequenzwiederherstellungszeit usw. definiert werden. In einem solchen Umfeld, in dem sich der Ort und die Menge der Stromerzeugung täglich und saisonal stochastisch ändern, besteht für die Übertragungsnetzbetreiber (ÜNB) ein dringender Bedarf an einem schnellen dynamischen Sicherheitsassessor. Im Rahmen des Projekts wird ein schneller AI/ML-basierter dynamischer Echtzeit-Sicherheitsassessor (rtDSA) entwickelt, der in der Betriebszentrale eines ÜNB als Teil des SCADA/EMS eingesetzt werden kann. Die Hauptaufgabe des rtDSA wird darin bestehen, die wichtigsten Performance-Indizes (KPIs) des Netzes kontinuierlich zu scannen und als "Frühwarnsystem" für die Betreiber zu fungieren, damit diese proaktiv vorbeugende Maßnahmen ergreifen können. Das AI/ML-Modell wird unter Verwendung des dynamischen Modells von ENTSO-E entwickelt, wobei die zukünftigen Szenarien für Energie/Infrastruktur und die Modellierung der auf niedrigeren Spannungsebenen angeschlossenen Ressourcen angemessen berücksichtigt werden. Die Beteiligung von Swissgrid wird sicherstellen, dass die entwickelte Lösung den praktischen Anforderungen entspricht und einsatzfähig ist, während Hitachi Energy die Erkenntnisse des Anbieters zur Skalierbarkeit beisteuert.

Kurzbeschreibung (Englisch)

The high proliferation of converter-interfaced generation at all voltage levels at the expense of fewer conventional plants at the transmission level will affect the traditional stability boundaries defined by indices such as rate-of-change-of-frequency, frequency nadir, frequency recovery time, etc. Transmission system operator’s (TSO) need for a fast dynamic security assessor is imminent in such a habitat where the location and the amount of electricity generation stochastically change daily and seasonally. The project will develop a fast AI/ML-based real-time dynamic security assessor (rtDSA) that can be deployed in the control room of a TSO as part of the SCADA/EMS. The primary role of the rtDSA will be to continuously scan grid’s key performance indices (KPIs) and act as an “early warning system” for operators to take preventive actions proactively. The AI/ML-model will be developed using the ENTSO-E dynamic model, while appropriately considering the future scenarios for energy/infrastructure, and modelling resources connected at lower voltage levels. Swissgrid’s involvement will ensure the developed solution satisfies practical requirements and is deployable, while Hitachi Energy will provide vendor insights for scalability.

Publikationen / Ergebnisse (Englisch)

Within the current reporting period, the first set of input-output pairs that will be used for the ML-model are selected, along with the type of disturbances. The dynamic simulations are performed on the ENTSO-E initial dynamic model 2020, for a high-loading operating state, and the initial results are created for one type of outage (i.e., the outage of the largest generator at each country at a time). The initial set of outputs include the system ROCOF (for 500 ms and for 2’000 ms), the country ROCOF (for 500 ms and for 2’000 ms), the maximum standard deviation in the generator frequencies for each disturbance, the maximum deviation of the average country frequency from the average system frequency. The input-output pairs are stored in a tabular form in .csv file format. In addition, as part of the project tasks, two Convolutional Neural Network based approaches for the rapid detection of critical conditions in a given grid and the early assessment of its dynamic stability were investigated, and the obtained insights and results with the considered model architectures and application are provided.

Zugehörige Dokumente

• Interim report from 13 November 2024 [PDF] 4'223 kB