Studentische Arbeiten

Allgemeine Informationen:

Keywords: MT-HGÜ, Stabilität, Leistungsflusssteuerung, Einflussradius, (n-1)-Kriterium, kuratve Betriebsführung

Themenbeschreibung:

• Die gegenwärtige Systemführung sieht Eingriffe in die Erzeugungsleistung von Kraftwerken (Redispatch)  als Gegenmaßnahme für Netzengpässe und Spannungsbandverletzumgen vor. Diese Eingriffe sind mit erheblichen Kosten verbunden und erfordern zudem die vorenthaltung von Reserven im elektrischen Energieversorgungsnetz (Redundanz).  Dem gegenüber stehen sogannente kurative Maßnahmen, die ohne Eingriffe in die Erzeugungsleistung von Kraftwerken gezielt Einfluss auf den Leistungsfluss nehmen können. Diese zukünftige Systemführungskonzepte erfordern den koordinierten Einsatz von inteligenten Aktoren (HGÜ, FACTS) um den sicheren Systembetrieb zu gewährleisten.
• Zur gezielten Einflussnahme gibt es gängige (offline) Methoden wie den Security Constrained Optimal Power Flow. Diese Methoden sind mit einer Vielzahl sequentieller oder paralleler Simulationen verbunden und erfordern meist detailierte Kenntnisse über die Netztopologie.  Mit Hilfe von geeigneten Messdaten, State Estimation, Modellen und Verfahren lassen sich die optimalen Arbeitspunkte zur Leistungsflusssteuerung jedoch auch im laufenden Betrieb bestimmen.
• Ziel dieser Arbeit ist die Erarbeitung einer Sensitivitätsanalyse um den Einflussradius von Multi-Terminal HGÜ (MT-HGÜ) Systemen zu bestimmen. Eine anschließende Modellbildung des auf den Einflussradius reduzierten Netzes soll die Grundlage für die Implementierung einer online Optimierung für die Bestimmung von entlastenden Arbeitspunkten der MT-HGÜ darstellten.

Ziele:

• Einarbeitung in das zu verwendene Netzberechnumgsprogramm und Python
• Erarbeitung einer Methodik und Modellbildung einer Sensitivitätsanalyse auf Leistungsflussänderungen vermaschter Netze
• Validierung der Methodik anhand geeigneter Simulationen
• Implementierung eines Algorithmus zur online Optimierung der MT-HGÜ Arbeitspunkte unter Einbezug des Leistungsglussmodells
• Optional: Gegenüberstellung mit gängigen Methoden (SCOPF)

Voraussetzungen:

• Selbstständige, sorgfältige und strukturierte Arbeitsweise
• Wünschenswert sind umfassende Kenntnisse von elektrischen Energiesystemen und Leistungselektronischen Komponeneten (HGÜ, FACTS)
• Vorteilhaft sind Erfahrungen in Python und Netzberechnumgsprogrammen

Allgemeine Informationen:

Keywords: PowerFactory, Dynamische Netzreduktion, Übertragungsnetz, HVDC/MVDC-Netzanbindung, Nordic-Testsystem

Themenbeschreibung:

• Die zukünftige Energielandschaft ist geprägt von einem hohen Anteil volatiler Erzeugungsanlagen. Der Großteil der Erzeugung aus Photovoltaik und Windenergie basiert dabei auf Gleichströmen und -spannungen. Durch die Verbindung von DC-Erzeugern und DC-Verbrauchern entfällt die verlustbehaftete Umwandlung in AC-Größen. Das resultierende DC-Verteilnetz ermöglicht eine regelbare und effiziente Leistungsübertragung.
• Zur Anbindung eines DC-Verteilnetzes ist die Betrachtung des überlagerten Übertragungsnetzes im deutschen, bzw. europäischen Kontext notwendig. Die Simulation des detaillierten Gesamtsystems ist zeit- und rechenintensiv. Aus diesem Grund wurde am LEES ein Tool zur dynamischen Netzreduktion entwickelt. Mit Ausnahme der „Area of Interest“ wird hierbei das Übertragungsnetz reduziert, bzw. zusammengefasst.
• Ziel dieser Arbeit ist die dynamische Netzreduktion eines Übertragungsnetzes unter Berücksichtigung unterschiedlicher Reduktionsstufen und -varianten. Gesucht sind geeignete Netzanschlusspunkte zur Anbindung eines DC-Verteilnetzes.

Ziele:

• Einarbeitung in das READY©-Tool zur Dynamischen Netzreduktion in PowerFactory
• Definition von Reduktionsstufen und –varianten
• Validierung der Netzreduktionen hinsichtlich des dynamischen Verhaltens am Beispiel des Nordic-Testsystems
• Definition geeigneter Netzanschlusspunkte zur Anbindung von DC-Verteilnetzen

Voraussetzungen:

• Selbstständige, sorgfältige und strukturierte Arbeitsweise
• Umfassende Kenntnisse von elektrischen Energiesystemen
• Vorteilhaft sind Erfahrungen in Python und PowerFactory