Ohsenbrügge, Anja (2015) Dynamische Regel-und Reserveleistungsvorhaltung in zukünftigen Smart Grids. PhD, Universität Oldenburg.

Preview

Volltext (6Mb)

Abstract

Zur Gewährleistung einer konstanten Netzfrequenz ist die ständige Balance zwischen Erzeugung und Verbrauch zu halten. Dazu wird permanent eine bestimmte Regel- und Reserveleistungsmenge bereitgehalten. Die aktuelle Art der Bereitstellung und Bemessung der Regelleistung beruht auf statischen analytischen Methoden, resultierend aus der ehemals hierarchisch und zentral geführten Struktur des Europäischen Energiesystems. Das Ziel dieses Dissertationsvorhabens ist das Aufzeigen der veränderten Einflussgrößen sowie die Anpassung der Regelleistungsbemessung an die heutigen zunehmend dezentralen Strukturen. Dabei liegt der Schwerpunkt in der Entwicklung eines flexiblen Prognosemodells zur Vorhersage der Systembilanzungleichgewichte und der damit verbundenen Regelleistungsbedarfe. Für dieses flexible Prognosemodell werden Methoden des maschinellen Lernens insbesondere der k-nächsten-Nachbarn (KNN) und der Gradient Boosting Trees (GBT) verwendet.

["eprint_fieldname_title_plus" not defined]

Dynamic strategies for amount and reliability of control reserve in future smart grids

["eprint_fieldname_abstract_plus" not defined]

To ensure a constant power frequency the permanent balance of power demand and supply is the most crucial constraint in an electrical power system. Therefore there is a need for reserve and balancing power to cover prediction-deviations or unpredictable events. Due to the former hierarchical and centralized structure of the European electricity sector, the current design for the dimensioning of necessary reserves and its reliable provision is still a statical method. In contrast, the increase of generation from renewable resources makes the system become more and more decentralized and complex. The goal of this work is to identify today’s altered circumstances and to develop a dynamic strategy, which factors these in. The result is a flexible forecasting model based on methods of statistical learning, especially k-nearest neighbors and gradient boosting trees designed to predict future system imbalances.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Reserveleistung
Subjects:	Generalities, computers, information > Computer science, internet
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	21 Jan 2016 13:54
Last Modified:	21 Jan 2016 13:54
URI:	https://oops.uni-oldenburg.de/id/eprint/2630
URN:	urn:nbn:de:gbv:715-oops-27112
DOI:
Nutzungslizenz:

Actions (login required)

View Item