Lastmanagement in Stromnetzen

Abstract

Die zunehmende Verbreitung dezentral eingespeister erneuerbarer Energien führt zu Stabilitätsproblemen in Stromnetzen. Im Gegensatz zu steuerbaren und somit gut planbaren konventionellen Kraftwerken ist die Energieerzeugung aus Windkraft und Photovoltaikanlagen aufgrund von wetterbedingten Fluktuationen nur deutlich kurzfristiger und ungenauer zu prognostizieren. Grundsätzlich können sowohl Stromerzeuger als auch -verbraucher helfen, die Stabilitätsproblematik zu verringern. Zu diesem Zweck werden Beiträge zu einem Entscheidungsunterstützungssystem mit Steuerungsstrategien zur Beeinflussung des Verhaltens von Stromerzeugern und -verbrauchern vorgeschlagen. Auf der Erzeugerseite dienen dezentrale, kleinere Blockheizkraftwerke im Verbund als virtuelles Kraftwerk zum Lastausgleich. Basierend auf Prognosen bietet der Betreiber des virtuellen Kraftwerks einen Lastgang an. Auf Abweichungen kann später durch geeignete Steuerung der Blockheizkraftwerke reagiert werden. Auf der Verbraucherseite kommt eine anreizbasierte Steuerung über Preissignale zum Einsatz. Intelligente Geräte reagieren auf die übermittelten Strompreise dadurch, dass sie ihre Ausführungszeit, wenn möglich, auf einen Zeitraum günstiger Strompreise verlegen. Zur Vorbereitung eines Feldversuchs ist es zunächst notwendig, die intelligenten Geräte zu simulieren. Das Ergebnis der Simulation wird dazu verwendet, ein künstliches neuronales Netz zu trainieren, mit dem sich für gewünschte Lastverschiebungen geeignete Preissignale ermitteln lassen.AbstractDecentralized renewable energy sources become more and more common. This leads to stability problems in power grids. Conventional energy sources are easy to control. In contrast, wind and solar power are much more difficult to forecast. Forecasts are only possible short term and are more imprecise. Producers and consumers of energy can try to help reducing stability problems. Contributions towards a decision support system are proposed and recommend how to alter the behavior of producers and consumers. On the producer side centrally controlled heat and power plants are able to shift load in a virtual power plant. The plant operator offers a load curve based on forecasts. The centrally controlled heat and power plants help to mitigate the effect of revised forecasts. An incentive based control on the consumer side is also proposed. Smart appliances react to pricing information. They alter their execution window towards the cheapest time slot, if possible. The exact behavior of appliances in the expected field experiment is still partially unknown. It is necessary to simulate the behavior of these appliances and to train an artificial neural network. The artificial neural network allows computing the pricing signal leading to a desired load shift.