Dokument wird geladen
Facts & Solutions: QUIRINUS Control Spannungsqualitätssicherung im Strukturwandel des Rheinischen Reviers C O N T R O L
Projektpartner 2 Projektpartner Forschungsgemeinschaft für Elektrische Anlagen und Stromwirtschaft e. V. Rheinische NETZGesellschaft mbH Technische Hochschule Köln RWTH Aachen University envelio GmbH SOPTIM AG Energiewirtschaftliches Institut an der Universität zu Köln gGmbH Fraunhofer-Einrichtung für Energieinfrastrukturen und Geotechnologien IEG Leitungspartner GmbH Regionetz GmbH gridhound GmbH RWE Power AG morEnergy GmbH Bocholter Energie- und Wasserversorgung GmbH Stadtwerke Bühl GmbH Stadtwerke Brühl GmbH
Verfasser 3 Verfasser Forschungsgemeinschaft für Elektrische Anlagen und Stromwirtschaft e. V. Christoph Wirtz Christian Fröhlich Kevin Jansen Martin Schmitz Technische Hochschule Köln Prof. Dr.-Ing. habil. Ingo Stadler Prof. Dr.-Ing. Eberhard Waffenschmid Patrick Lehnen Patrick Mack RWTH Aachen University/IAEW Markus Stroot envelio GmbH Ellen Jaenecke Moritz Cramer Olga Annenko Michael Holthausen Matthis Wacker gridhound GmbH Dr.-Ing. Tim Schlösser SOPTIM AG Martin Pöppe Hans-Josef Grefen Till Koppers Alexander Krumm Energiewirtschaftliches Institut an der Universität zu Köln gGmbH (EWI) Tim Jäger Dr. rer. pol. Philipp Artur Kienscherf Martin Lange Dr. rer. pol. Nils Namockel Antonie Reinecke Stephan Terhorst Dr. rer. pol. Philipp Theile Fraunhofer-Einrichtung für Energieinfrastrukturen und Geotechnologien (IEG) Housam Al Rakouki Endredaktion Prof. Dr.-Ing. Ulf Herrmann (IEG) Housam Al Rakouki (IEG) Anette Anthrakidis (IEG) Björn Drechsler (IEG) Dr.-Ing. Judith Stute (IEG) Grafik, Layout, Lektorat SeitenPlan GmbH Titelmotiv SeitenPlan GmbH unter Verwendung von Shutterstock.com DOI: 10.24406/publica-10376 Haftungsausschluss Dieses Facts & Solutions Buch einschließlich aller seiner Teile ist urheberrechtlich geschützt. Die Informationen wurden nach bestem Wissen und Gewissen unter Beachtung der Grundsätze guter wissenschaftlicher Praxis zusammengestellt. Die Autorinnen und Autoren gehen davon aus, dass die Angaben in diesem Facts & Solutions Buch korrekt, vollständig und aktuell sind, über- nehmen jedoch für etwaige Fehler, ausdrücklich oder implizit, keine Gewähr. Die Darstellungen in diesem Dokument spiegeln nicht notwendigerweise die Meinung des Auftraggebers wider.
Inhaltsverzeichnis 4 Inhaltsverzeichnis Executive Summary ..................................................................................................................................................................... 5 Zusammenfassung ....................................................................................................................................................................... 8 Kapitel 1 – Daten in QUIRINUS Control ....................................................................................................................................11 1.1 Übersicht der Datenflüsse ..................................................................................................................................... 12 1.2 Lokale Aufnahme und Vorverarbeitung ................................................................................................................ 14 Kapitel 2 – Das Wide-Area-Monitoring-System (WAMS) ...................................................................................................... 24 2.1 Motivation und Aufgabe ...................................................................................................................................... 25 2.2 Aufbau des WAMS .............................................................................................................................................. 26 2.3 Funktionen der WAMS-Oberfläche ...................................................................................................................... 28 2.4 Technische Details des WAMS .............................................................................................................................. 32 2.5 Auswahl sowie Anforderungen an Messgeräte und Standorte ............................................................................. 33 2.6 Netzdatenbehandlung ......................................................................................................................................... 35 Kapitel 3 – Netzbewertung und Simulationen ....................................................................................................................... 39 3.1 PQ-Ereignisse ....................................................................................................................................................... 40 3.2 Netzbewertung .................................................................................................................................................... 42 3.3 Gegenmaßnahmen .............................................................................................................................................. 65 Kapitel 4 – Rahmenbedingungen für das WAMS ................................................................................................................... 71 4.1 Beschreibung eines WAMS-Geschäftsmodells ...................................................................................................... 72 4.2 Regulatorische Rahmenbedingungen und volkswirtschaftlicher Nutzen eines WAMS ........................................... 79 Kapitel 5 – Handlungsoptionen im Kontext von QUIRINUS Control .................................................................................... 82 5.1 Zielsetzung und Einordnung der Handlungsempfehlungen ................................................................................... 83 5.2 Zentrale Botschaften aus QUIRINUS Control ......................................................................................................... 83 5.3 Handlungsempfehlungen im Kontext von QUIRINUS Control ............................................................................... 85 5.4 Zusammenfassung der zentralen Handlungsempfehlungen .................................................................................. 86 Anhang .................................................................................................................................................................................. 87
Executive Summary 5 QUIRINUS Control addresses precisely this gap by combining high-resolution, standards-compliant power quality measure- ments with structured CGMES-based grid data, a consistent digital twin, and a scalable cloud architecture for storing, ana- lyzing, and visualizing the data. Data acquisition is dispersed across the grid using Class A power quality measurement devices with high temporal reso- lution and bandwidth. Recorded parameters include voltage magnitude, frequency profiles, flicker indices, harmonic and inter-harmonic distortions, voltage unbalance, and event-based disturbance recordings. In addition, dedicated measurements of frequency-dependent grid impedance were performed to characterize local grid properties in detail and to gain deeper insight into system interactions. The WAMS centrally integrates these heterogeneous data sources. It consists of decentralized collector components that collect and transmit measurement and operational data, a back- end cluster, time-series databases such as TimescaleDB, visual- ization tools such as Grafana, and a web-based user interface. The system architecture is multi-tenant capable, cloud-based, scalable, and can in principle be extended to larger grid areas. Based on this infrastructure, extensive measurement data was collected and evaluated over several years. The data enables both long-term statistical analyses and detailed investigations of individual voltage events. Phenomena such as rapid voltage changes, flicker, voltage dips, and harmonic distortions were systematically recorded and analyzed regarding their frequency, intensity, and temporal development. In addition to measurements, comprehensive simulations were conducted to model future grid scenarios and to estimate potential developments in power quality. Two complementary methodological approaches were applied: quasi-steady state simulations to assess long-term voltage band violations, loading conditions, and unbalance; and dynamic time-domain simula- tions (EMT) to analyze harmonics, transient processes, and the interactions of power electronic components. Executive Summary The research project QUIRINUS Control addresses the growing importance of power quality in the Rhenish mining region, especially in the context of the energy transition and the structural transformation of the region. The objective of the project is to establish a systematic and data-driven foundation for recording, assessing, and further developing power quality in distribution grids. At its core is the conception, implementa- tion, and testing of a manufacturer-independent Wide-Area- Monitoring-System (WAMS), which integrates high-resolution measurement data with consistently processed grid data in a digital twin, a virtual representation that enables grid-wide, integrated analysis. The energy industry is undergoing fundamental changes. The increasing share of renewable energy from wind and solar power, the growing electrification of the heating sector through heat pumps, and the boom of electromobility are leading to new load and feed structures. An increasing number of decentralized sources are feeding electricity into the grid, and the amount of electricity fluctuates significantly depending on the weather. Consumers are becoming suppliers themselves, making the grid more dynamic. At the same time, the number of coal, gas, and nuclear power plants is declining, altering overall system behavior. These developments pose new challenges for power quality, particularly in low- and medium-voltage grids. Power qual- ity describes the stability of voltage frequency, magnitude, and waveform and is crucial for the trouble-free operation of electrical loads. But how good is the power quality, really? Traditional indicators of supply quality used in regulatory assess- ment, such as the SAIDI (System Average Interruption Duration Index), primarily capture long-duration interruptions, namely power outages, but do not provide information on short-term or frequency-dependent phenomena such as flicker, harmonics, unbalance, or rapid voltage changes. Therefore, an exclusive focus on supply reliability is no longer sufficient to comprehen- sively assess the actual quality of delivered electrical energy. In addition, there is currently no comprehensive, continuous, and grid-wide comparable data basis for assessing power quality. Measurements are often carried out selectively, on an event-driven basis, or as part of individual studies, and they are rarely systematically embedded in a consistent grid model. This makes both an objective assessment of the current state and reliable planning of future measures more difficult.
Executive Summary 6 A key project finding is therefore that the introduction of a comprehensive WAMS does not fail due to technical infeasibility but rather due to a lack of regulatory incentives. Within the existing incentive regulation framework, power quality, unlike supply reliability, is not explicitly considered. Ongoing operating costs are subject to strong efficiency pressure. The incentives for systematic, continuous monitoring of power quality are therefore limited. Overall, QUIRINUS Control demonstrates that power quality is gaining strategic importance during the energy transition and that an evaluation of supply quality based solely on interrup- tion duration is no longer sufficient. At present, a grid-wide, continuous data base is lacking to detect issues at an early stage and manage them proactively. It takes the integrated combination of high-resolution measurement data, structured grid data, a digital twin, and a WAMS to enable an objective, system-wide assessment. Simulations and AI-supported meth- ods further open possibilities for forward-looking analysis of future scenarios. Economic viability depends significantly on the regulatory framework. Finally, the project highlights that early proactive action is more cost-efficient in the long term than reactive intervention once issues with power quality materialize. QUIRINUS Control thus provides a technically sound, meth- odologically integrated, and practice-oriented foundation for the future design of systematic power quality monitoring in distribution grids. The results show that scenarios with higher penetration of photovoltaic systems, heat pumps, and electric vehicles can lead to stronger voltage variations, increased grid loading, and growing unbalance resulting in less stable grids. At the same time, QUIRINUS Control identified and evaluated targeted technical countermeasures. These include conventional grid reinforcement and the use of on-load tap changing distribu- tion transformers (rONT) that actively compensate for voltage fluctuations. In addition, active and hybrid filter solutions were explored as well as compensatory systems such as STATCOM (Static Synchronous Compensator) or UPQC (Unified Power Quality Conditioners). The project thus provides not only a description of the current state but also concrete starting points for technical solution strategies. Another focus lies in the development of AI-supported methods for power quality state estimation. Since equipping central grid nodes with high-precision measurement technol- ogy is not economically feasible, an approach was pursued in which the states of individual grid segments are inferred from a limited number of measurement points. For this purpose, physics-based simulation data was generated and used to train neural networks. The results demonstrate that real-time estimation of key power quality parameters, including harmonic distortions, is fundamentally feasible, provided the training data is sufficiently diverse and appropriate preprocessing is applied. In addition to technical feasibility, the economic viability of the WAMS was also analyzed. The main cost components arise from the procurement and installation of measurement devices, collector infrastructure, cloud operation, maintenance, and system operation. For the reference region of the Rhenish mining area, total annual costs in the order of approximately €13.5 million were estimated. These costs were compared with a potential macroeconomic benefit in the form of avoided damage caused by power quality problems, expressed through the concept of Value of Voltage Quality (VoVQ). Under conserv- ative assumptions, the analysis indicates that the break-even point is not reached. At the same time, significant uncertainties remain regarding the exact financial impact of the damage and the extent to which different customer groups are affected because there is currently no representative and reliable data available.
At a Glance 7 Monitoring Power Quality in Energy Transition Early data-driven action can be more cost-effective in the long run than reactive intervention Why does it matter? What are the challenges? The energy transition is fundamentally changing electricity distribution grids. As electricity is increasingly generated at the local level, the grids are becoming more dynamic and complex. Voltage fluctuations • Voltage unbalance • Flicker Harmonics • Grid congestion and instability can affect industrial processes, infrastructure, and sensitive electrical equipment long before a power outage occurs. The QUIRINUS Control Solution Detecting stress issues early on Prevent damage How it works: Making grid planning future-proof 1. Measure Continuous acquisition of power quality parameters 2. Connect 3. Analyze Integration of measurement and Evaluation of current grid data within a digital twin grid conditions 4. Simulate Assessment of future grid scenarios 5. Predict AI-supported estimation of power quality conditions across the entire grid The costs are relatively low! Revenue Cap* 0,2 % WAMS Costs *of distribution grid operators in the Rhenish mining region Key findings • Power quality will become a strategic factor for successful grid operation during the energy transition. • A comprehensive WAMS is technically feasible. • Main challenge: lack of regulatory incentives for continuous power quality montoring.
Zusammenfassung 8 Zusammenfassung Das Forschungsprojekt QUIRINUS Control adressiert die wachsende Bedeutung der Spannungsqualität im Rheinischen Revier – insbesondere im Kontext der Energiewende und des strukturellen Wandels in der Region. Ziel des Projekts ist es, eine systematische und datenbasierte Grundlage aufzubauen, um die Spannungsqualität in Verteilnetzen zu erfassen, zu bewerten und weiterzuentwickeln. Dafür soll ein herstellerun- abhängiges Wide-Area-Monitoring-System (WAMS) konzipiert, implementiert und erprobt werden. Dieses System führt hoch- aufgelöste Messdaten mit konsistent aufbereiteten Netzdaten in einem digitalen Zwilling zusammen – einem virtuellen Abbild, das netzweite, integrierte Analysen ermöglicht. Die Energiewirtschaft verändert sich grundlegend. Der steigen- de Anteil erneuerbarer Energien aus Wind- und Sonnenkraft, die zunehmende Elektrifizierung des Heizsektors durch Wärme- pumpen sowie der Boom der Elektromobilität führen zu neuen Last- und Einspeisestrukturen: So speisen immer mehr dezent- rale Quellen Strom ins Netz ein, dessen Menge je nach Wetter stark schwankt. Verbraucher werden selbst zu Einspeisern, das Geschehen im Netz wird insgesamt dynamischer. Gleichzeitig geht die Anzahl konventioneller Kohle-, Gas- und Kernkraft- werke zurück. Dadurch verändert sich das Systemverhalten der Netze. Im Fokus steht vor allem die Spannungsqualität der Nieder- und Mittelspannungsnetze. Die Spannungsqualität beschreibt, wie stabil Frequenz, Amplitude und Kurvenform der Spannung sind – und ist entscheidend für einen störungs- freien Betrieb elektrischer Verbraucher. Wie gut aber ist die Versorgungsqualität tatsächlich? Klassische in der Regulatorik verwendete Kennzahlen wie der SAIDI (System Average Inter- ruption Duration Index) erfassen in erster Linie Langzeitunter- brechungen, also Stromausfälle. Sie erlauben jedoch keine Aussage über kurzzeitige oder frequenzabhängige Phänomene, etwa sogenannte Flicker, Oberschwingungen, Unsymmetrien oder schnelle Spannungsänderungen. Das bedeutet: Um die Qualität der gelieferten elektrischen Energie umfassend zu bewerten, reicht es nicht aus, allein die Versorgungszuverlässig- keit zu betrachten. Hinzu kommt, dass bislang keine flächendeckende und netz- weit vergleichbare Datengrundlage zur Bewertung der Span- nungsqualität existiert. Messungen erfolgen häufig punktuell, anlassbezogen oder im Rahmen einzelner Untersuchungen und sind selten systematisch in ein konsistentes Netzmodell eingebettet. Dies erschwert sowohl eine objektive Einschätzung des aktuellen Zustands als auch die Planung zukünftiger Maß- nahmen. QUIRINUS Control setzt genau an dieser Stelle an: Das Projekt kombiniert hochaufgelöste, normgerechte Spannungs- qualitätsmessungen mit strukturierten Netzdaten im Standard- format CGMES, einem digitalen Zwilling sowie einer skalierba- ren Cloud-Architektur, die die Daten speichert, analysiert und visualisiert. Die Datenerfassung erfolgt dezentral über Power-Quality- Messgeräte der Klasse A mit hoher zeitlicher Auflösung und Bandbreite. Sie zeichnen unter anderem Spannungshöhen, Frequenzverläufe, Flickerkennwerte, harmonische und inter- harmonische Verzerrungen auf, Spannungsunsymmetrien sowie ereignisbasierte Störfalldaten. Ergänzende Messungen zum frequenzabhängigen Netzwiderstand helfen dabei, lokale Netz- eigenschaften detailliert zu charakterisieren und ein vertieftes Verständnis der Wechselwirkungen im Netz zu gewinnen. Das WAMS führt diese heterogenen Datenquellen zentral zusam- men. Es besteht aus dezentralen Collector-Komponenten, die Mess- und Betriebsdaten erfassen und weiterleiten, einem Backend-Cluster, Zeitreihendatenbanken wie TimescaleDB, Visualisierungstools wie Grafana sowie einer webbasierten Benutzeroberfläche. Die Systemarchitektur ist mandantenfähig, cloudbasiert und skalierbar ausgelegt und damit prinzipiell auch auf größere Netzgebiete übertragbar. Auf Basis dieser Infrastruktur wurden über mehrere Jahre hinweg umfangreiche Messdaten erhoben und ausgewertet. Die Daten erlauben sowohl statistische Langzeitanalysen als auch detaillierte Untersuchungen einzelner Spannungsereig- nisse. Phänomene wie schnelle Spannungsänderungen, Flicker, Spannungseinbrüche oder harmonische Verzerrungen wurden systematisch erfasst und hinsichtlich ihrer Häufigkeit, Intensi- tät und zeitlichen Entwicklung analysiert. Ergänzend zu den Messungen erfolgten umfassende Simulationen. Das Ziel: zukünftige Netzszenarien abbilden und abschätzen, wie sich die Spannungsqualität potenziell entwickelt. Dabei kamen zwei sich ergänzende methodische Ansätze zum Einsatz: quasistationäre Simulationen zur Bewertung langfristiger Spannungsbandver- letzungen, Auslastungen und Unsymmetrien sowie dynamische Zeitbereichssimulationen (EMT), mit denen insbesondere Ober- schwingungen, vorübergehende Vorgänge und Wechselwirkun- gen leistungselektronischer Komponenten analysiert werden.
Zusammenfassung 9 Der digitale Zwilling wird zum Rechenwerkzeug. Insgesamt zeigt QUIRINUS Control, dass die Spannungsqualität im Zuge der Energiewende strategisch an Bedeutung gewinnt und eine rein auf Unterbrechungsdauer basierende Bewertung der Versorgungsqualität nicht mehr ausreicht. Es fehlt der- zeit aber eine netzweite Datengrundlage, um Entwicklungen frühzeitig zu erkennen und gezielt zu steuern. Erst die Kombi- nation aus hochaufgelösten Messdaten, strukturierten Netz- daten, digitalem Zwilling und WAMS ermöglicht eine objektive, systemweite Bewertung. Simulationen und KI-gestützte Ver- fahren eröffnen zudem die Möglichkeit, zukünftige Szenarien vorausschauend zu analysieren. Die wirtschaftliche Tragfähig- keit hängt dabei wesentlich vom regulatorischen Rahmen ab. Das Projekt verdeutlicht, dass frühzeitiges, proaktives Handeln langfristig kosteneffizienter ist als reaktives Eingrei- fen bei bereits bestehenden Problemen. Alles in allem liefert QUIRINUS Control damit eine technisch fundierte, methodisch integrierte und praxisnahe Grundlage für die zukünftige Aus- gestaltung eines systematischen Spannungsqualitätsmonito- rings in Verteilnetzen. Die Ergebnisse zeigen, dass Szenarien mit mehr Photovoltaik- anlagen, Wärmepumpen und Elektrofahrzeugen zu stärkeren Spannungsänderungen, einer erhöhten Auslastung des Netzes und zunehmenden Unsymmetrien führen, kurzum: die Netze instabiler machen können. Gleichzeitig hat QUIRINUS Control gezielte Gegenmaßnahmen identifiziert und bewertet. Dazu zählen unter anderem der klassische Netzausbau, aber auch der Einsatz regelbarer Ortsnetztransformatoren (rONT), die Spannungsschwankungen aktiv ausgleichen. Außerdem: aktive und hybride Filterlösungen sowie kompensatorische Systeme wie STATCOM (Static Synchronous Compensator) oder UPQC (Unified Power Quality Conditioners).. Damit liefert das Projekt nicht nur eine Zustandsbeschreibung, sondern auch konkrete Ansatzpunkte für technische Lösungsstrategien. Ein weiterer Fokus lag auf der Entwicklung KI-gestützter Verfahren zur Bewertung der Spannungsqualität. Da es nicht wirtschaftlich ist, alle Netzknoten mit hochpräziser Messtechnik auszustatten, haben wir künstliche Intelligenz genutzt, um aus einer begrenzten Anzahl von Messpunkten auf den Zustand definierter Teilnetze zu schließen. Hierzu wurden neuronale Netze mit physikalisch fundierten Simulationsdaten trainiert. Die Ergebnisse belegen: Eine echtzeitfähige Abschätzung zentraler Spannungsqualitätsgrößen, einschließlich harmonischer Ver- zerrungen, ist grundsätzlich möglich – sofern die Trainingsdaten ausreichend variantenreich sind und eine geeignete Vorverarbei- tung erfolgt. Neben der technischen Machbarkeit hat das Projekt auch die wirtschaftliche Tragfähigkeit eines WAMS untersucht. Die wesentlichen Kosten ergeben sich aus der Beschaffung und Installation der Messgeräte, der Collector-Infrastruktur, dem Cloud-Dienst sowie der Wartung und dem Betrieb. Für das Refe- renzgebiet Rheinisches Revier ergaben sich jährliche Gesamtkos- ten von geschätzten 13,5 Millionen Euro. Dem gegenüber steht ein potenzieller volkswirtschaftlicher Nutzen in Form vermiede- ner Schäden durch Spannungsqualitätsprobleme, ausgedrückt mit dem Konzept des Value of Voltage Quality (VoVQ). Unter konservativen Annahmen zeigt die Analyse, dass der Break- Even-Punkt nicht erreicht wird. Gleichzeitig bestehen erhebliche Unsicherheiten: Wie groß sind die Schäden tatsächlich? Welche Kundengruppen sind betroffen? Bislang fehlt eine repräsentative und belastbare Datengrundlage. Ein zentrales Ergebnis des Projekts ist daher, dass die Einführung eines flächendeckenden WAMS weniger an der technischen Realisierbarkeit scheitert, sondern vielmehr an fehlenden regu- latorischen Anreizen. Im bestehenden Regulierungsrahmen wird Spannungsqualität, anders als die Versorgungszuverlässigkeit, nicht explizit berücksichtigt. Und laufende Betriebskosten unter- liegen einem hohen Effizienzdruck. Die Anreize für ein systema- tisches, kontinuierliches Monitoring der Spannungsqualität sind also begrenzt.
Auf einen Blick 10 Monitoring der Spannungsqualität in der Energiewende Frühzeitiges, datenbasiertes Handeln kann langfristig kosteneffizienter sein als reaktives Eingreifen Warum ist das wichtig? Welche Herausforderungen entstehen? Die Energiewende verändert die Stromver- teilnetze grundlegend. Weil Strom immer häufiger dezentral erzeugt wird, werden die Netze dynamischer und komplexer. Spannungsfluktuationen • Spannungsunsymmetrien • Flicker Oberschwingungen • Netzengpässe und Instabilitäten beeinflussen industrielle Prozesse, Infrastrukturen und empfind- liche elektrische Geräte, lange bevor ein Stromausfall eintritt. Die QUIRINUS-Control-Lösung Spannungsprobleme frühzeitig erkennen Schäden vermeiden Netzplanung zukunfts- sicher gestalten So funktioniert es: 1. Messen Spannungsqualität kontinuierlich erfassen 2. Verbinden 3. Analysieren Mess- und Netzdaten in digitalen Aktuellen Netzzustand Zwilling integrieren bewerten 4. Simulieren 5. Prognostizieren Zukünftige Netzszenarien Die Spannungsqualität im gesamten analysieren Netz KI-gestützt abschätzen Kosten im Verhältnis gering! Erlösobergrenze* 0,2 % Kosten WAMS *der Verteilnetzbetreiber im Rheinischen Revier Zentrale Erkenntnisse • Spannungsqualität wird zum Erfolgsfaktor der Energiewende. • Technische Lösungen existieren. • Größte Herausforderung: Regulatorische Anreize für eine kontinuierliche Überwachung der Spannungs- qualität fehlen.
Daten in QUIRINUS Control 12 Daten in QUIRINUS Control Eine nachvollziehbare Datengrundlage für die Spannungsqualität schaffen Um die Spannungsqualität zu sichern und zu bewer- ten, erfasst und verarbeitet QUIRINUS Control syste- matisch verschiedene Datenarten und wertet diese aus. Vor diesem Hintergrund beschreibt das vorlie- gende Kapitel die im Projekt genutzten Daten, deren Herkunft sowie die grundlegenden Datenflüsse von der lokalen Erfassung bis hin zur zentralen Weiterver- arbeitung im Wide-Area-Monitoring-System (WAMS). Ziel ist es, eine nachvollziehbare Datensicht zu schaffen, die als fachliche Grundlage für die nachfolgenden Ausführungen dient. Zu diesem Zweck betrachtet dieses Kapitel sowohl stati- sche Netzdaten als auch dynamische Betriebs- und Messdaten. Neben der inhaltlichen Charakterisierung der jeweiligen Daten- arten erläutert es, auf welche Weise die Daten lokal erfasst, vorverarbeitet und anschließend in strukturierter Form an das zentrale System übermittelt werden. Inhaltlich fokussiert sich das Kapitel auf zwei zentrale Aspekte: • Zunächst gibt es einen Überblick über die relevanten Daten- flüsse sowie die beteiligten Subsysteme. Dieser verdeutlicht, wie lokale Messsysteme, Netzdaten und das zentrale Obser- vationssystem zusammenspielen. • Darauf aufbauend beschreibt das Kapitel, wie die Mess- daten lokal erfasst und vorverarbeitet werden. Dies umfasst sowohl die normgerechte Bestimmung von Kennwerten zur Spannungsqualität als auch projektbezogene Erweiterungen und spezielle Messungen. Die dargestellten Datenstrukturen, Messgrößen und Verarbei- tungsprinzipien bilden die Grundlage für die im weiteren Verlauf beschriebenen Systemarchitekturen, Analyseverfahren und Bewertungsansätze. Damit fungiert dieses Kapitel als ver- bindendes Element zwischen der gemessenen Spannungsquali- tät und ihrer systematischen Nutzung im WAMS, wie sie in den folgenden Kapiteln vertieft behandelt wird. 1.1 Übersicht der Datenflüsse Innerhalb des WAMS werden verschiedene Daten aufgenom- men, verarbeitet und weitergeleitet. Eine Übersicht der Daten- flüsse und Subsysteme stellt Abbildung 1 dar. Die Daten lassen sich in zwei Kategorien einteilen: Netzdaten und Messdaten. Im Folgenden werden diese Daten sowie ihr Fluss im Gesamt- system exemplarisch beschrieben. Detaillierte Beschreibungen finden sich in den nachfolgenden Abschnitten.
Daten in QUIRINUS Control 13 Abbildung 1: Vereinfachtes Datenflussdiagramm des WAMS zentrales Observationssystem Human-Machine Interface (HMI) Speichersystem Analysesystem Netz-, Mess-, und Betriebsdaten- bereitstellung Quelle: QUIRINUS-Control-Konsortium lokale Messsysteme Datenkonzentrator Netzwerkinterface Messgerät Bei den Netzdaten handelt es sich um Informationen über die Topologie und die potenziell geografische Anordnung der Netz- komponenten. Im minimalen Fall umfassen diese Daten topolo- gische Informationen zu Leitungen, Schaltern, Transformatoren sowie Verbindungs- oder Anschlusspunkten. Entscheidend ist, welche Komponenten miteinander verbunden sind und welche Kenndaten sie besitzen (z. B. Leitungs- oder Transformatortyp, Leitungslänge). Darüber hinaus werden auch Informationen zu angeschlossenen Lasten und Erzeugern sowie die geografische Verortung der Komponenten berücksichtigt. Im Projekt werden diese Netzdaten durch die Verarbeitung verschiedener Datenquellen zu einem konsistenten digitalen Zwilling zusammengeführt. Dieser digitale Zwilling bildet alle relevanten Netzkomponenten und deren Beziehungen logisch ab und dient als Grundlage für das resultierende Netzmodell. Die Datenbereitstellung erfolgt zunächst einmalig im Projekt- kontext; perspektivisch können die Datenquellen jedoch regel- mäßig aktualisiert werden, um den digitalen Zwilling fortlau- fend zu pflegen. Im Gegensatz dazu stehen die dynamischen oder auch betrieb- lichen Daten. Sie umfassen Informationen wie Schalterstellun- gen oder On-Load-Tap-Changer-(OLTC-)Schaltungen. Wenn diese Informationen in das WAMS einfließen, so handelt es sich um Daten, die ähnlich wie Messdaten kontinuierlich oder mit entsprechenden Zeitstempeln regelmäßig an das System gelie- fert werden müssen. Mehr Details zu Netzdaten sind in Kapitel 2.5 zu finden. Bei den Messdaten handelt es sich vor allem um Informatio- nen, die für die Spannungsqualität relevant sind. Dazu gehören Spannungs-RMS-Werte, aber auch spezialisierte Messungen wie harmonische Oberschwingungen, Flicker, Frequenz und weitere. Generell beschreibt man auch hier zwei Unterarten: regelmäßige und eventbasierte Daten. Regelmäßige Daten werden in definierten Zeitabständen erfasst und an das WAMS weitergeleitet. Dies gilt unter anderem für die zuvor erwähnten Spannungs-, Flicker- und Frequenzwerte sowie für harmonische Komponenten. Eventbasierte Daten werden nur im Fall einer Störung erfasst. Zum Beispiel wenn bestimmte Grenzwerte überschritten werden. In solchen Fällen werden Daten über die Art der Störung erzeugt sowie ein hochfrequenter, sogenann- ter Störschrieb. Dies ist eine hochaufgelöste, zeitlich sehr fein erfasste Aufzeichnung des Spannungs- und/oder Stromverlaufs während eines Störereignisses. Auch diese Daten fließen an den zentralen Server des WAMS. Mehr Details zur Art und Erfas- sung der Messdaten sind in Kapitel 1.2 zu finden.
Daten in QUIRINUS Control 14 Das WAMS lässt sich in drei Subsystemarten unterteilen: 1.2 Lokale Aufnahme und Vorverarbeitung 1. lokale Messsysteme 2. Netz- und Betriebsdatenbereitstellung 3. zentrales Observationssystem Die Datenflüsse zwischen den Untersystemen verlaufen in der Regel nur in eine Richtung. Von allen lokalen Messsystemen fließen sowohl regelmäßige als auch eventbasierte Messdaten und zugleich Netz- und Betriebsdaten von mehreren Bereitstel- lungssystemen zum zentralen Observationssystem. Innerhalb der einzelnen Subsysteme gibt es weitere Datenflüsse. So besteht das zentrale Observationssystem aus drei Elementen: Speichersystem, Analysesystem und Human-Machine Inter- face (HMI). Von anderen Subsystemen eingehende Datenflüsse gelangen zunächst in das Speichersystem. Hierbei handelt es sich in der Regel um Datenbanken für unterschiedliche Arten von Informationen. Zwischen Analysesystemen und Speicher gibt es einen bidirektionalen Austausch. Analysealgorithmen rufen Netz- und Messdaten nach Bedarf ab (z. B. für eine State Estimation). Ergebnisse ihrer Analysen werden dann in den Speicher zurückgeschrieben. Über das HMI zeigen Nutzende die Daten an und interagieren mit ihnen. Dafür fließen Daten vom Speicher zum HMI. Je nach gewählter Übersicht werden Mess- und/oder Analysedaten abgerufen. Innerhalb der lokalen Messsysteme gibt es ebenfalls drei Elemente: das Messgerät, das Netzwerkinterface und einen Datenkonzentrator. Die Elemente können in beliebiger Kombination innerhalb von einem, zwei oder drei physikali- schen Geräten vorkommen. Das Messgerät selbst nimmt die gewünschten Messdaten auf und unternimmt jegliche Vor- verarbeitung – es errechnet etwa weitere Kennwerte aus den aufgenommenen Werten. Vom Messgerät fließen die Daten weiter zum Netzwerkinterface. Dies ermöglicht es dem Mess- gerät, über ein Wide Area Network (WAN) mit dem zentralen WAMS zu kommunizieren. Es kann dabei entweder überhaupt die Netzwerkfähigkeit herstellen oder als Protokoll-Converter funktionieren. Verfügt das Messgerät bereits über ein Interface mit passendem Protokoll, dann sind beide Elemente in diesem Gerät zusammengefasst. Vom Interface fließen die Daten optio- nal in einen Datenkonzentrator. Dieser sammelt Daten mehrerer Messgeräte und leitet sie gebündelt an das WAMS weiter. Dies ist besonders hilfreich, wenn die Messgeräte in einem lokalen oder geschlossenen Netzwerk verortet sind und über eine kontrollierte Schnittstelle mit dem außen liegenden WAMS kommunizieren sollen. Das WAMS selbst ist ein System, das Daten aus diversen lokalen Messungen sammelt, darstellt und für systemweite und -über- greifende Analysen nutzt. Diese Messdaten müssen jedoch zunächst lokal aufgenommen werden. Ebenfalls lokal finden bereits diverse Vorverarbeitungen und Analysen statt. Dieses Vorgehen nutzt Computerressourcen in den lokalen Systemen effizient aus und optimiert die Datenraten für die Übertragung an das zentrale System. Die grundlegenden Größen, die ein Spannungsqualitätsmess- gerät direkt erfassen kann, sind die Momentanwerte der Spannung und optional des Stroms. Sie werden in der Regel mit Datenraten von mindestens 20 Kilohertz (kHz) abgetastet, um belastbare Ergebnisse berechnen zu können. Es wäre jedoch sehr ineffizient, die Messungen in dieser Auflösung an das zen- trale System zu senden. Daher werden aus diesen direkten Mes- sungen lokal diverse Werte berechnet, die als Qualitätsindikato- ren dienen. Die genauen Indikatoren sind in Standards wie der DIN EN 61000-5-30 festgelegt und werden von normgerechten Messgeräten zur Verfügung gestellt. Diese Werte können dann an das zentrale System gesendet werden – und helfen dabei, die Spannungsqualität im Verlauf der Zeit nachzuverfolgen. Eine genaue Übersicht zu den normgerechten Messungen gibt Abschnitt 1.2.1. Für alle lokal erfassten Qualitätsindikatoren werden Grenzwerte definiert und im Messgerät hinterlegt. Zumeist wird sich dafür an der DIN EN 50160 orientiert, die Angaben zum üblichen Wertebereich für RMS-Werte, Harmonics, Flicker und Unsym- metrien in Energienetzen macht. Im Fall einer Grenzwertver- letzung legt das Messgerät einen sogenannten Störschrieb an. Dabei werden für ein kurzes Zeitfenster die hochfrequent abgetasteten Messdaten gespeichert. Der Störschrieb zeigt dabei den Moment der Grenzwertüberschreitung sowie einen kurzen Zeitraum davor und danach an. Diese hochaufgelösten Daten unterstützen bei der Analyse des Ereignisses und liefern weitere Erkenntnisse. Sie werden ebenfalls an das zentrale System gesendet. Dieses Vorgehen stellt sicher, dass nicht mehr Daten als nötig, aber so viele relevante Informationen wie nötig zum WAMS gelangen. Über Normmessungen hinaus können im lokalen Messsystem selbst prototypische und akademische Verarbeitungsalgo- rithmen umgesetzt werden. Dazu zählen unter anderem die Eventdetektion und die Klassifizierung sowie die experimentelle Datenkomprimierung. Im Fall von Detektion und Klassifizierung ordnet ein Algorithmus die hochaufgelösten Messdaten einer von diversen Störungsklassen zu. Hierbei kommen zunehmend datengetriebene Ansätze mithilfe von neuronalen Netzen zum Einsatz. Die Information, dass eine andere Klasse als „normales Signal“ erkannt wurde und welche Störung konkret vorliegt, wird dann an das zentrale System weitergeleitet. Effiziente
Daten in QUIRINUS Control 15 Komprimierungsalgorithmen ermöglichen es, die hochaufgelös- ten Daten in stark reduzierter Größe an das zentrale System zu übermitteln. Jedoch leidet darunter die Datengenauigkeit. Anforderungen zur Begrenzung harmonischer Verzerrungen in elektrischen Energiesystemen bereit. Sie wird insbesondere im internationalen Kontext häufig herangezogen. Zuletzt können lokale Geräte bestimmte Spezialmessungen durchführen. Dazu gehören in der Regel die normgerechte Messung der Qualitätsindikatoren und die Anwendung der aka- demischen Algorithmen. Zusätzlich können weitere Werte erho- ben werden, für die jedoch ein Spezialmessgerät erforderlich ist. Im Projekt wurde eine aktive Messung der frequenzabhängi- gen Netzimpedanz durchgeführt, also des Gesamtwiderstands im Netz. Dieser Widerstand gibt Aufschluss darüber, wie stark aktiv eingespeiste Ströme der lokalen Anlage die Spannung am betrachteten Netzknoten beeinflussen. Dies umfasst sowohl die Spannungsamplitude bei 50 Hz als auch harmonische Kom- ponenten bei höheren Frequenzen. Dadurch lassen sich auch mögliche Resonanzpunkte identifizieren, also Frequenzen, bei denen das Netz besonders empfindlich auf Störungen reagiert. Die regelmäßige Messung des Netzwiderstands zeigt zudem, wie sich die Impedanzen im Zeitverlauf verändern. Das macht zyklische und saisonale Effekte ebenso sichtbar wie generelle Trends. Außerdem eignet sich der Netzwiderstand als Input für weitere Analysen im zentralen System. Die Messergebnis- se werden daher auch an das WAMS weitergeleitet. Weitere Details liefert Abschnitt 1.2.4. 1.2.1 Definition der Messeinheiten und Netzdatenvorverarbeitung Um die Spannungsqualität systematisch bewerten und ver- gleichen zu können, gibt es Normen, die das Stromsystem aus unterschiedlichen Perspektiven beschreiben und Anforderungen an einzelne Netzkomponenten formulieren. Dabei wird die Spannungsqualität überwiegend als Teilbereich der elektro- magnetischen Verträglichkeit (EMV) verstanden. In Europa sind insbesondere für elektrische Verteilnetze mehre- re Normen von zentraler Bedeutung, da sie technische Grenz- und Referenzwerte der Spannungsqualität definieren. Eine grundlegende Rolle nimmt dabei die Norm DIN EN 50160 ein: Sie beschreibt die Merkmale der Spannung in öffentlichen Elek- trizitätsversorgungsnetzen. Ergänzend hierzu legen die Normen IEC/EN 61000-2-2 und IEC/EN 61000-2-12 Verträglichkeitspegel für niederfrequente, leitungsgeführte Störgrößen sowie für die Signalübertragung in öffentlichen Nieder- und Mittelspan- nungsnetzen fest. Damit definieren sie relevante Umgebungs- bedingungen im Sinne der EMV. Neben diesen übergeordneten Regelwerken kommen Normen zur Anwendung, die sich gezielt mit einzelnen Phänomenen der Spannungsqualität befassen. Hierzu zählt unter anderem die DIN EN 61000-4-15, die Prüf- und Messverfahren für Flicker- messungen spezifiziert und sowohl die Funktionsbeschreibung als auch die Auslegung von Flickermetern festlegt. Ergänzend dazu stellt die IEEE 519 empfohlene Vorgehensweisen und Darüber hinaus existieren Normen, die Grenzwerte und Metho- den im Zusammenhang mit elektrischen Verbrauchern und Erzeugungsanlagen definieren. Ein Beispiel ist die VDE-AR-N 4110, die technische Anschlussbedingungen für Erzeugungs- anlagen am öffentlichen Mittelspannungsnetz unter Berück- sichtigung möglicher Netzrückwirkungen beschreibt. Die Normenreihe IEC/EN 61000-3 ergänzt diesen Bereich. Sie legt Anforderungen zur Begrenzung von Netzrückwirkungen ver- schiedener Verbraucherklassen fest. Spannungsqualitätsmessgeräte, häufig auch Power-Quality- Analysatoren oder PQ-Meter genannt, unterliegen ebenfalls normativen Vorgaben. Besonders relevant ist die Normenreihe IEC/EN 61000-4, die detailliert Prüf- und Messverfahren für die Erfassung von Störungen und Qualitätskennwerten beschreibt. Auf Grundlage dieser normativen Rahmenbedingungen erläutern wir im Folgenden die einzelnen Messgrößen der Spannungsqualität. 1.2.1.1 Höhe der Versorgungsspannung Die Versorgungsspannung in den Niederspannungsnetzen in Deutschland ist nach [1] für die Spannung zwischen Außenlei- ter und Neutralleiter auf UN = 230 V ±10 % definiert. Konkret bedeutet das, dass die Spannung zwischen 207 V und 253 V liegen muss. Zwischen Außenleiter – Außenleiter beträgt die Spannung UN = 400 V. Das Prüfverfahren nach [1] gibt vor, dass 95 % der 10-Minuten-Mittelwerte des Effektivwertes der Versorgungsspannung im Toleranzbereich von ±10 % liegen müssen. Zusätzlich müssen alle 10-Minuten-Mittelwerte des Effektivwertes innerhalb einer erweiterten Toleranz von -15 % bis +10 % liegen. Die Toleranzwerte können je nach anzuwen- dender Norm abweichen. 1.2.1.2 Netzfrequenz und deren Schwankungen Die Netzfrequenz beschreibt in Wechselstromnetzen die Änderungsrate der idealerweise sinusförmigen Spannung. Im deutschen Versorgungsnetz beträgt diese Frequenz 50 Hz und sollte stets auf einem stabilen Niveau sein. Eine Frequenz von 50 Hz bedeutet, dass der Strom seine Polarität 50-mal pro Sekunde ändert. Um die Netzfrequenz auf einem stabilen Niveau zu halten, müssen Erzeugung und Verbrauch im Ein- klang sein. Dies bedeutet, dass immer so viel elektrische Energie erzeugt werden muss, wie auch verbraucht wird. Für den Fall, dass die Frequenz über 50 Hz steigt, müssen Kraftwerke ihre Einspeiseleistung reduzieren. Fällt die Frequenz unter 50 Hz, so müssen die Kraftwerke mehr Energie einspeisen. In Ausnahme- fällen können bei einer enormen Frequenzunterschreitung auch Lasten abgeworfen werden [2].
Daten in QUIRINUS Control 16 Das zuvor genannte stabile Niveau der Frequenz ist durch die Norm DIN EN 50160 (2022) für öffentliche Netze definiert. Die nachfolgende Tabelle 1 stellt die detaillierten Grenzwerte dar. Diese Grenzwerte müssen im Rahmen von 10-Minuten-Mittel- werten eingehalten werden [1]. Tabelle 1: Die Norm DIN EN 50160 Der Begriff Harmonische oder Oberschwingung beschreibt die Verzerrung der Grundschwingung (vgl. [3]). Die Grund- wellenform im europäischen Verbundnetz beträgt 50 Hz und bildet die 1. Ordnung der Harmonischen ab. Harmonische sind Spannungen oder Ströme, die mit geradzahligen Vielfachen der Grundfrequenz schwingen und die Grundfrequenz über- lagern [5]. Die harmonische Frequenz fh ergibt sich aus der Ordnung und der Grundfrequenz fg. Synchronverbindung zum Verbundnetz 50 Hz ± 1 % 50 Hz ± 4 % & – 6 % Während 99,5 % eines Jahres Während 100 % der Zeit Ohne synchrone Verbindung zu einem Verbundnetz (Inselnetze) 50 Hz ± 2 % 50 Hz ± 15 % Während 95 % einer Woche Während 100 % der Zeit 1.2.1.3 Oberschwingungen/Total Harmonic Distortion (THD) In einem Stromnetz sollte idealerweise überall eine perfekte sinusförmige Spannung vorliegen. In der Praxis ist dies jedoch kaum erreichbar. Spannung und Strom weichen stark von der bekannten Sinusform ab. Grund dafür sind sogenannte Ober- schwingungen. Selbst netzbildende Synchrongeneratoren, die die Spannungsform maßgeblich prägen, stellen keine ideale sinusförmige Spannung bereit [3]. Formel 1: Abbildung 2 zeigt ein Beispiel dafür, wie die Verzerrung der Grundschwingung aussehen könnte. Dazu ist die 1. Ordnung der Grundfrequenz (50 Hz) mit der Amplitude = 1 in Blau zu sehen. Sie bildet die ideale Sinuswelle. Werden nun nichtlineare Verbraucher wie Frequenzumrichter oder Induktionskochherde [6] angeschlossen, verzerren nichtsinusförmige Ströme an den Impedanzen des Netzes (Leitungen, Transformatoren, weite- re Verbraucher und Erzeuger, …) die Spannung. Im Beispiel überlagert eine Harmonische 3. Ordnung (150 Hz) mit einer Amplitude = 0,25 (Orange) die Grundschwingung mit einer Amplitude = 1. Dadurch wird die ideale Sinuswelle verzerrt. Das resultierende Signal, wie es im Stromnetz auftreten würde, ist in Rot dargestellt. In der Realität entstehen üblicherweise Netz- rückwirkungen mehrerer harmonische Ordnungen zeitgleich. Einfluss von Harmonischen 1. Harmonische (50 Hz) 3. Harmonische (150 Hz) Überlagerung Abbildung 2: Einfluss von Harmonischen ) V ( e d u t i l p m A 300 200 100 0 -100 -200 -300 0 5 10 15 20 25 30 35 40 Zeit (ms) Quelle: QUIRINUS-Control-Konsortium
Normen definieren Harmonische bis zur 40. oder 50. Ordnung. Darüber werden Pegel von 2 bis 9 kHz in 200-Hz-Bändern (b) mit der Schrittweite Δf geometrisch aufaddiert und als Supra- harmonische bezeichnet. Die folgende Formel beschreibt die Berechnung: Formel 2: Außerdem können auch sogenannte Interharmonische betrach- tet werden, die kein ganzzahliges Vielfaches der Grundfrequenz sind. Sie werden allgemein durch jede Frequenz zwischen harmonischen Ordnungen beschrieben, in den Normen aber üblicherweise mit ungeradzahligen Vielfachen der Form 1,5; 2,5; 3,5 … 49,5 angegeben. Eine analytische Untersuchung und Zerlegung dieser Span- nungs- oder Stromsignale ist mithilfe der Fourier-Reihe oder Fourier-Transformation möglich. Während periodische Signale durch die Fourier-Reihe in den Bildbereich transformierbar werden, muss für aperiodische, vorübergehende Vorgänge die integrale Form (Transformation) angewendet werden [7]. Die Norm DIN EN 50160 (2022) gibt Grenzwerte für die zuläs- sigen Anteile von Harmonischen im Versorgungsnetz vor (siehe Tabelle 2). Ziel ist es, die Qualität der elektrischen Versorgung innerhalb festgelegter Toleranzen zu erfassen, zu sichern und störende Auswirkungen auf Verbraucher und Ausrüstung zu minimieren. Daten in QUIRINUS Control 17 In Zusammenhang mit dreiphasigen Verbrauchern wie großen Industriemaschinen oder Klimaanlagen, aber auch Backöfen im Haushalt treten besonders Verzerrungen auf der 5. und 7. Harmonischen auf. Diese Harmonischen werden häufig durch nichtlineare Lasten wie Motoren oder Gleichrichter verursacht. Bei einphasigen Lasten sind die Vielfachen von drei wie die 3. und 9. Harmonische besonders ausgeprägt [4]. Die Total Harmonic Distortion (THD) ist ein Maß, das die Über- lagerung harmonischer Anteile eines Signals in Bezug auf die Grundschwingung beschreibt. Das Ergebnis gibt Aufschluss darüber, wie sehr das Signal von einer idealen Sinuswelle abweicht [5]. Ein niedriger THD-Wert steht für ein gering ver- zerrtes Signal und somit für eine hohe Qualität. Formel 1 zeigt die Berechnung des THD. Es lässt sich ablesen, dass die THD auch ansteigen kann, wenn der Effektivwert der Grundschwingung fällt. Formel 3: Normen wie die DIN EN 50160 geben einen Verträglichkeitspe- gel von maximal 6 % für 95 % der 10-Minuten-Mittelwerte an. 1.2.1.4 Kurzfristige Spannungseinbrüche und -erhöhungen Temporäre Spannungseinbrüche oder -erhöhungen sind defi- niert als Abweichung von mindestens ±10 % zur nominellen Spannung in einem elektrischen System [4]. Sie zählen zu den häufigsten Störungen im Versorgungsnetz und haben eine Viel- zahl von Ursachen [6]. Tabelle 2: Grenzwerte für die zulässigen Anteile von Harmonischen im Versorgungsnetz Ungeradzahlige Harmonische Ganzzahlige Harmonische Keine Vielfache von 3 Vielfache von 3 Ordnung Relative Amplitude Ordnung Relative Amplitude Ordnung Relative Amplitude 3 9 15 21 5,0 % 1,5 % 1,0 % 0,75 % 2 4 6 bis 24 2,0 % 1,0 % 0,5 % 5 7 11 13 17 19 23 25 6,0 % 5,0 % 3,5 % 3,0 % 2,0 % 1,5 % 1,5 % 1,5 %
Daten in QUIRINUS Control 18 Abbildung 3: Spannungseinbruch (Dip) und Spannungserhöhung (Swell) U(t) U(t) 110% Nominalspannung Nominalspannung 90% Dip Start Dip Stop Swell Start Swell Stop t t Quelle: QUIRINUS-Control-Konsortium, basierend auf [4] In Abbildung 3 sind beide Phänomene zu sehen. Die linke Grafik zeigt den Vorgang eines Spannungseinbruchs (im Engli- schen Dip genannt). Dabei sinkt der Spannungseffektivwert auf unter 90 % des Nominalwertes ab. Dies dauert meist mindes- tens 10 Millisekunden und kann mehrere Minuten anhalten. In der rechten Grafik ist der Vorgang einer Spannungserhöhung (im Englischen Swell) zu sehen. Dabei steigt der Effektivwert der Spannung über 10 %, ebenfalls über die oben genannten Zeitspannen (vgl. [4]). Spannungseinbrüche entstehen beispielsweise durch hohe Ein- schaltströme von Elektromotoren oder anderen Lasten. Auch Kurzschlüsse in einem vorgelagerten Netz – verursacht etwa durch Wartungsarbeiten oder Kabelalterung – können sie ver- ursachen. Hingegen entstehen Spannungserhöhungen, wenn plötzlich große Lasten abgeschaltet werden (vgl. [4]). 1.2.1.5 Schnelle Spannungsänderungen (Rapid Voltage Change, RVC) Ein weiteres relevantes Merkmal sind schnelle Spannungsände- rungen, auch bekannt als Rapid Voltage Changes (RVC). Dieses im Versorgungsnetz häufig auftretende Phänomen löst häufig Laständerungen oder Schalthandlungen im Netz aus. Charak- teristisch hierfür ist, dass die Netzspannung von einem stabilen Zustand in einen anderen übergeht (vgl. [4]). RVCs sind somit Spannungsänderungen, die sich innerhalb des zulässigen Spannungsbandes von 90 % bis 110 % der Nenn- spannung Un bewegen. Spannungsänderungen, die dieses Band verlassen, heißen bei Werten unter Un = 90 % Spannungs- einbrüche, oder bei Überschreitung der Obergrenze von Un = 110 % Spannungserhöhungen. Unter normalen Bedingun- gen erreichen RVCs im Niederspannungsnetz ein maximales Spannungsdelta von ΔUn = 5 %. Unter besonderen Umständen können jedoch mehrmals täglich Differenzen von bis zu ΔUn = 10 % erreicht werden [8]. Erkennt ein PQ-Messgerät einen solchen Vorgang, doku- mentiert es über die Dauer des Übergangs die maximale Spannungsabweichung sowie die dauerhafte Änderung der Spannung. Obwohl sich schnelle Spannungsänderungen nor- malerweise nicht signifikant auf elektrische Geräte auswirken, können wiederholte RVC-Ereignisse den Flickerpegel erhöhen. Dieser Vorgang ist in Abbildung 4 dargestellt [4].
Daten in QUIRINUS Control 19 Abbildung 4: Rapid Voltage Change (RVC) U(t) Zustand vor RVC Zustand nach RVC ΔVSS Zustandsübergang t Quelle: QUIRINUS-Control-Konsortium, basierend auf [4] 1.2.1.6 Flicker DIN EN 50160 (2022) definiert den Begriff Flicker wie folgt: „Eindruck der Unstetigkeit visueller Empfindungen, hervorgerufen durch Lichtreize mit zeitlicher Schwankung der Leuchtdichten oder der spektralen Verteilung.“ Abbildung 5 zeigt, was damit gemeint ist: Die Spannung ändert stetig ihre Minima und Maxima, sodass es zu einem wahrnehmbaren Flimmern kommt. Abbildung 5: Flickerflimmern v(t) + 100% t - 100% Quelle: QUIRINUS-Control-Konsortium, basierend auf [4]
Daten in QUIRINUS Control 20 Nach der Norm DIN EN 61000-4-15 (2023) werden Flicker- schwankungen als dimensionslose Größe erfasst. Berechnungen mithilfe des Flickermessverfahrens erfolgen durch ein gewichte- tes Mittelwertverfahren in zwei Zeitintervallen. Dabei wird der Kurzzeitflicker Pst (Perceptibility short-term) über ein 10-Minu- ten-Intervall und der Langzeitflicker Plt (Perceptibility long-term) über ein 2-Stunden-Messintervall ermittelt. Die Norm DIN EN 50160 (2022) legt keine spezifischen Grenzwerte für die Häufigkeit für Flickerereignisse fest. Sie bewertet lediglich die Wochenstatistik für den Langzeitflicker Plt in 2-Stunden-Inter- vallen [4]. DIN EN 50160 gibt Formel 4 und Formel 5 an: Formel 4: Formel 5: Insbesondere in Fällen, in denen das Netz durch einen hohen Netzwiderstand geprägt ist, treten Flicker deutlicher auf [4]. 1.2.1.7 Transienten Transienten sind aperiodische Impulse, die in das Netz eingelei- tet werden und sich dort ausbreiten. Sie werden abhängig von ihrem Anstieg und ihrer Dauer kategorisiert: Bei Transienten mit langsamem Anstieg handelt es sich zum Beispiel um Schalt- vorgänge von Kapazitäten oder Induktivitäten, die netzintern stattfinden. Transienten mit schnellem Anstieg entstehen dagegen meistens durch externe Ereignisse, die eher im Hoch- und Mittelspannungsnetz angesiedelt sind: etwa Blitzeinschläge ins Leiter- oder Erdseil einer Freileitung. Transienten mit sehr schnellem Anstieg (eher bekannt als Very Fast Transients – VFT) werden gesondert kategorisiert und treten sehr selten bei Schaltungen in gasisolierten Schaltanlagen auf. Tabelle 3 ver- gleicht die beschriebenen Effekte miteinander [9]. 1.2.1.8 Spannungsunsymmetrie DIN EN 50160 (2022) definiert Spannungsunsymmetrien in Drehstromsystemen als Abweichungen des Effektivwertes der Spannung zwischen den Leitern und/oder als Abweichungen der Phasenwinkeldifferenz von den standardmäßigen 120° zwischen den Leiter-Erd-Spannungen. Unsymmetrien treten auf, wenn sich die Impedanz einer einzel- nen Phase von denen der anderen Phasen unterscheidet. Solche Zustände können durch einphasige Verbraucher, einphasige Erzeuger, einen unsymmetrischen Netzaufbau oder durch unsymmetrische Fehler verursacht werden. Unsymmetrische Fehler sind zum Beispiel Phasenunterbrechungen, zweiphasige Tabelle 3: Transienten Beispiel für die Spannungsform Langsamer Anstieg Schneller Anstieg Sehr schneller Anstieg Wertebereich für die Spannungsform 20 µs < Tp < 5000 µs 0,1 µs < Tp < 20 µs T2 < 20 ms T2 < 300 µs T1 < 0,1 µs 0,3 MHz < f1 < 100 MHz 30 kHz < f2 < 300 kHz (Festlegung durch das zuständige Gerätekomitee) Genormte Spannungsform Werte für genormte Spannngsform T1 = 250 µs T2 = 2500 µs T1 = 1,2 µs T2 = 50 µs Genormte Spannungsprüfung Schaltstoßspannungsprüfung Blitzstoßspannungsprüfung (Festlegung durch das zuständige Gerätekomitee) (Festlegung durch das zuständige Gerätekomitee)
Daten in QUIRINUS Control 21 Kurzschlüsse oder Erdberührungen. Besonders Niederspan- nungsnetze, die auf Vierleitersystemen basieren, sind anfällig für Unsymmetrien. Denn der Neutralleiter ermöglicht den Anschluss von einphasigen Verbrauchern und Erzeugern [10]. Die Bewertung der Spannungsunsymmetrien erfolgt nach DIN EN 50160 (2022) anhand eines Wochenintervalls. Innerhalb dieses Zeitraums muss sichergestellt werden, dass 95 % der 10-Minuten-Effektivwerte der Gegensystemkomponente der Versorgungsspannung innerhalb des Bereichs von 0 % bis 2 % der entsprechenden Mitsystemkomponente liegen. Abbildung 6 stellt ein unsymmetrisches Drehstromsystem mit dem Mitsystem, Gegensystem und Nullsystem dar. Diese Systeme werden zur Bewertung der Spannungsunsymmetrien genutzt. Das erste System ist das Mitsystem. Es besteht aus drei Spannungen bzw. Phasen, die jeweils um 120° versetzt sind, die gleiche Amplitude aufweisen und sich in positiver Richtung im Zeigerdiagramm drehen. Das Gegensystem weist dieselben Eigenschaften wie das Mitsystem auf, allerdings dreht es sich in negativer Richtung im Zeigerdiagramm. Im Nullsystem sind alle drei Phasen gleich ausgerichtet und besitzen die gleiche Amplitude. Abbildung 6: Spannungsunsymmetrien u(t) ΔVSS o/ =/ 120º t Unsymmetrisches Drehstromsystem U L3 U M3 Mitsystem Gegensystem Nullsystem U L2 U L1 φ 23 = 120º = U M1 + U G3 φ 12 = 120º φ 12 = 120º + U G1 U G2 φ 23 = 120º U 01 U 02 U 03 U M2 Quelle: QUIRINUS-Control-Konsortium
1.2.2 Aufgenommene Daten Das Projekt QUIRINUS Control erfasst kontinuierlich hochaufge- löste Messdaten zur Spannungsqualität im Rheinischen Revier. Die eingesetzten Messgeräte ermöglichen eine umfassende Überwachung verschiedener Qualitätsparameter, darunter Spannungseinbrüche, Spannungsüberhöhungen und -unterbre- chungen sowie Abweichungen der Netzfrequenz, Unsymmet- rien und Flickerereignisse. Darüber hinaus werden sowohl har- monische als auch interharmonische Verzerrungen erfasst. Das ermöglicht eine detaillierte Charakterisierung der Netzqualität. Die Datenerfassung erfolgt in mehreren abgestuften Mess- intervallen, um sowohl kurzfristige Ereignisse als auch lang- fristige Trends analysieren zu können. Hierbei werden folgende Intervalle genutzt: Sekündliche 1s-Werte, um grundlegende elek trische Parameter zu erfassen, wie Effektivwerte von Span- nung und Strom, Frequenz, Wirkleistung, Blind- und Scheinleis- tung, Leistungsfaktor, Netzsymmetrien und Flicker. 10T-Werte, gemittelt über zehn Netzperioden (entspricht 200 ms bei 50 Hz), stellen Spannungseinbrüche und transiente Ereignisse hochaufgelöst dar. 150T-Werte, gemittelt über 150 Netzpe- rioden (3 Sekunden bei 50 Hz), ermöglichen die Bewertung von Flickern und kurzfristigen Verzerrungen. Standardisier- te 10-Minuten-Werte nach DIN EN 50160 aggregieren die relevanten Kenngrößen für die Langzeitbeurteilung, darunter Frequenzstabilität, Spannungshöhe, Unwuchten, harmonische und interharmonische Verzerrungen sowie Flicker. Schließlich werden 2-Stunden-Mittelwerte verwendet, um Qualitäts- trends über längere Zeiträume zu erfassen und Entwicklungen hinsichtlich Spannungshaltung und Oberschwingungen zu analysieren. Die im Projekt erhobenen Messgrößen umfassen sowohl elektrische Grundgrößen wie Spannung zwischen Leiter und Neutralleiter sowie zwischen Leitern, Strom (Effektivwerte) und Netzfrequenz als auch leistungsbezogene Parameter, darunter Wirk-, Blind- und Scheinleistung, Energieverbrauch (kWh, kvarh), Leistungsfaktor und cos φ. Zur Beurteilung der Spannungsqualität werden Kurz- und Langzeitflicker, symme- trische Komponenten (Null-, Positiv- und Negativsysteme) zur Erkennung von Unsymmetrien sowie Spannungsereignisse wie Einbrüche, Überspannungen, Transienten und Unterbrechun- gen erfasst. Harmonische und interharmonische Komponenten von Spannung und Strom werden bis zur 50. harmonischen Ordnung erfasst, während hochfrequente Störungen im Bereich von 2 kHz bis 9 kHz (Supraharmonische) gemessen werden. Transiente Ereignisse werden oszilloskopisch mit hoher zeitlicher Auflösung (40,96 kHz) für eine möglichst detaillierte Analyse von Störungen aufgezeichnet. Alle Messgeräte sind übergreifend über GPS synchronisiert, sodass eine einheitliche zeitliche Zuordnung der Messdaten und der erfassten Ereignisse gewährleistet ist. Durch die Daten in QUIRINUS Control 22 1 Terabyte Datenvolumen kommt bei 80 Messgeräten jährlich zusammen. kontinuierliche Erfassung entsteht eine qualitativ hochwertige Datenbasis. Dies ermöglicht präzise Diagnosen der Spannungs- qualität und die Entwicklung komplexer Algorithmen für auto- matisierte Überwachungs- und Analyseverfahren. Um die Datenqualität zu gewährleisten, werden die erhobe- nen Messwerte regelmäßig validiert. Dabei werden fehlende, fehlerhafte oder extreme Werte überprüft, Datenlücken identi- fiziert und dokumentiert. Zusätzlich wird eine umfassende Metadaten-Datei („Katalog“) erzeugt, die die statistischen Kennwerte jeder Messreihe sowie Informationen zu Messzeit- punkt, Geräte-ID, Betreiber-ID und Messparametern enthält. Dadurch können Offlinezeiten von Geräten oder auftretende Fehler nachvollzogen werden. Statistische Methoden ermög- lichen es, Ausreißer zu erkennen und zu visualisieren, während Lücken zwischen den erwarteten Messintervallen automatisch dokumentiert werden. Die Messdaten werden im HDF5-Format gespeichert und sortiert nach Messgerät sowie Messintervall strukturiert abgelegt. Bei etwa 80 aktiven Messgeräten kommt ein jährliches Daten- volumen von rund 1 Terabyte (TB) zusammen. Das Daten- volumen kann reduziert werden, indem man die Erfassungs- frequenz anpasst oder die Anzahl der erfassten Parameter reduziert. Details zur Datenkommunikation, Verfügbarkeit und Zugriffsmöglichkeiten werden in separaten Kapiteln dieses Dokuments behandelt. 1.2.3 Spezialmessungen (Grid Impedance) Wie zuvor beschrieben, können an ausgewählten Knoten im Netz Spezialmessungen durchgeführt werden. Diese umfas- sen neben den gewöhnlichen Spannungsqualitätsmerkmalen auch die frequenzabhängige Netzimpedanz (= Widerstand) am entsprechenden Anschlussknoten. Der Netzwiderstand ist vereinfacht gesagt die Kurzschlussimpedanz am betrachteten
Daten in QUIRINUS Control 23 Quellen der Leistung längst nicht mehr nur im Übertragungs- netz verortet, sondern wandern zunehmend in die Verteilnetze. Des Weiteren ist die Netzimpedanz auch von der betrachteten Frequenz abhängig, da sich die Impedanz induktiver und kapa- zitiver Elemente mit der Frequenz ändert. Die Netzimpedanz bestimmt maßgeblich, wie sehr sich Störun- gen im Strom auf die Spannung auswirken. Ist sie niedrig, dann erzeugt ein lokal einfließender Strom nur eine sehr geringe Spannungsänderung. Ist sie jedoch hoch, so können bereits kleinere Stromeinflüsse die Spannung maßgeblich beeinflussen. Bei der 50-Hz-Basisfrequenz sorgt dies dafür, dass sich die nor- male Spannung erhöht oder einbricht. Bei anderen Frequenzen werden diese Frequenzanteile zusätzlich in das Spannungssignal eingeprägt. Die Netzimpedanz kann daher viel Aufschluss über die lokale Widerstandsfähigkeit des Netzes gegenüber Störun- gen geben. Im Rahmen von QUIRINUS Control werden die Spezialmessun- gen mit einem Gerät der morEnergy GmbH durchgeführt. Es ist in der Lage, die Netzimpedanz im Bereich von 0 bis 50 kHz zu bestimmen. Dies geschieht durch eine breitbandige, aktiv ein- gebrachte Stromanregung. Die Reaktion der Spannung darauf wird gemessen und daraus die Netzimpedanz in 50-Hz-Schrit- ten über den Frequenzraum berechnet. Diese Messung wird mehrfach (oft fünfmal) wiederholt und der Mittelwert gebildet, um Fehler und Rauschen zu minimieren. Es steht eine offene Schnittstelle mit dem Messgerät zur Verfü- gung. Dadurch können die berechneten RMS-, Harmonic- und Impedanzwerte abgerufen und an das WAMS weitergeleitet werden. Auch hochaufgelöste Spannungsmessungen lassen sich abrufen, um sie weiteren Verarbeitungsalgorithmen zur Verfügung zu stellen. Knoten. Dabei wird das restliche Netz als ideale Spannungs- quelle abstrahiert. Die Netzimpedanz ist der verbleibende Serienwiderstand, der zwischen Spannungsquelle und dem betrachteten Knoten liegen muss. Berechnet wird dieser Wert nach dem ohmschen Gesetz Z = U/ I, also aus einem Strom und der zugehörigen Spannungsänderung. Die Netzimpedanz ist stark abhängig vom betrachteten Knoten. Aus Verteilnetzsicht gilt: Je weniger Elemente (Leitung, Trafos, …) zwischen dem Knoten und dem Anschluss ans Über- tragungsnetz liegen, desto geringer ist der Netzwiderstand. Aber auch andere Elemente, die netzparallel angeschlossen sind, beeinflussen die Netzimpedanz. Außerdem sind die Zusammenfassung • Man unterscheidet zwischen statischen Netzdaten (Topologie, Betriebsmittel, geo- grafische Zuordnung) und dynamischen Betriebs- und Messdaten (Schaltzustände, Spannungsqualitätsmessungen). • Die Netzdaten werden aus verschiedenen Quellen zu einem digitalen Zwilling zusammen- geführt. Er dient als Referenzmodell für die Zuordnung und Analyse der Messdaten. • Die Messdatenerfassung erfolgt dezentral über lokale Systeme, die hochaufgelöste elektrische Grundgrößen erfassen und daraus normgerech- te Spannungsqualitätskennwerte ableiten. • Die Kombination aus regelmäßiger Messung in definierten Zeitintervallen und ereignisbasierter Aufzeichnung hochaufgelöster Störschriebe schafft eine aussagekräftige Datengrundlage. • Eine lokale Vorverarbeitung der Messwerte reduziert das Datenvolumen und ermöglicht erste Analysen (z. B. Eventdetektion), bevor die Informationen an das zentrale System, das WAMS, übertragen werden. • Ergänzend helfen projektbezogene Spezialmes- sungen, insbesondere zur frequenzabhängigen Netzimpedanz, lokale Netzeigenschaften detail- lierter zu charakterisieren. • Das Wide-Area-Monitoring-System speichert die Daten zentral, synchronisiert und visualisiert sie und wertet sie aus.
Das Wide-Area-Monitoring-System (WAMS) 25 Das Wide-Area-Monitoring-System (WAMS) Power-Quality-Daten aus dem Verteilnetz transparent darstellen 2.1 Motivation und Aufgabe Um die bestehende Lücke zwischen heute eingesetzten SCADA-Systemen und der systematischen Erfassung von Power-Quality-Messdaten zu überbrücken, setzen wir das WAMS als zentrale Plattform ein. Sie speichert und visualisiert hochaufgelöste Zeitreihendaten. Der Fokus liegt dabei insbe- sondere auf Zeiträumen mit eingeschränkter Spannungsquali- tät. Obwohl einzelne Kundenanlagen oder Ortsnetzstationen solche Daten bereits erfassen, fehlt bislang eine herstellerun- abhängige Einbettung der Messdaten in ein Netzmodell sowie eine umfassende Auswertung und Visualisierung der Zeitreihen. Im Rahmen des Forschungsvorhabens erprobt das WAMS die Erfassung, Speicherung und Verarbeitung von Power-Quality- Messdaten praxisnah. Wir bauen und betreiben das System in einer Public-Cloud-Umgebung. Es nutzt von den Projektpart- nern bereitgestellte Netz- und Zeitreihendaten, um die Funk- tionalität und Leistungsfähigkeit des Ansatzes anschaulich zu demonstrieren. Die einzelnen Systemkomponenten analysieren und bewerten wir hinsichtlich ihrer Leistungsfähigkeit. Das Ziel: Aussagen darüber treffen zu können, ob der Ansatz skalierbar ist und sich für den Einsatz in größeren Netzen mit einer hohen Anzahl von Messgeräten eignet. Als zentrale Datenplattform führt das WAMS sämtliche rele- vanten Messdaten zusammen und speichert diese. Die im Netz installierten Messgeräte werden verwaltet und den entspre- chenden Netzdatenelementen zugeordnet. Das macht eine räumliche Zuordnung von Power-Quality-Abweichungen inner- halb des Netzes möglich. Über eine standardisierte Schnittstelle kann das WAMS die Messdaten für weiterführende Analysen, Berechnungen und Simulationen bereitstellen. Neben der Datenintegration ist ein wesentlicher Bestandteil des Systems die Visualisierung: Eine webbasierte, benutzer- freundliche Oberfläche bildet das CGMES-Netzdatenmodell hierarchisch ab. Nutzer können übergeordnete Elemente suk- zessive aufklappen. So werden Netzstrukturen besonders gut nachvollziehbar. Eine Chartansicht visualisiert für ausgewählte Netzdatenelemente und definierte Zeiträume die zugehörigen Messdaten. Eine integrierte Zoom-Funktion ermöglicht dabei die detaillierte Analyse hochaufgelöster Zeitreihen, beispiels- weise von Störschrieben.
Das Wide-Area-Monitoring-System (WAMS) 26 Messgeräte über eine Collector Box zu verarbeiten. Die Collec- tor Box speichert die Daten nicht, sondern sendet sie direkt an das WAMS-Backend. Dadurch sinken die Anforderungen an die Hardware – im Projekt haben wir uns für Kleinstrechner kompa- tibel mit Raspberry Pi entschieden. Perspektivisch könnte auch ein Collector-Service in Betracht kommen. Dieser fungiert als eine virtuelle Collector Box und arbeitet aus der Cloud heraus, benötigt allerdings eine VPN- Verbindung zum Messgerät des Verteilnetzbetreibers. Die Collector Box ist je nach Montageort als robuster und stör- unempfindlicher, vorzugweise hutschienenmontierbarer Indust- rie-PC auszulegen. Wichtig ist, dass an diesem Ort sowohl eine Verbindung zum Power-Quality-Meter herzustellen ist als auch eine Verbindung zur WAMS-Cloud besteht. Im Falle unseres Evaluationssystems ist dazu ein Zugang zum öffentlichen Inter- net erforderlich. Dieser kann entweder über einen vorhandenen Zugang erfolgen oder über ein an die Collector Box angeschlos- senes 4G- oder 5G-Modem. Die Software der Collector Box ist in einem Docker-Container gekapselt und wird über ein Update des Images aktualisiert. Die Konfiguration findet initial bei der Ersteinrichtung statt und beinhaltet unter anderem die Adresse des WAMS und die zu übertragenden Zeitreihen. Die Auswahl der Messreihen lässt sich später noch über die Oberfläche des WAMS ändern und wird dann direkt an die Box übertragen. Die Daten werden vom im Projekt eingesetzten Messgerät PQI-DA-Smart in kurzen Abständen über eine API des Geräts abgerufen. Die so erhaltenen Messwerte werden dann über das Protokoll MQTT an das WAMS übertragen. So sind die Daten im WAMS nahezu in Echtzeit verfügbar. Zudem werden Störschriebe vom Messgerät abgerufen und an das WAMS übertragen. Dies geschieht direkt über die API des im WAMS eingesetzten S3-Storage, da es sich um größere Datenmengen handelt. Die Collector Box kann leicht so angepasst werden, dass sie Daten aus weiteren Messgeräten empfängt. Die Menge an verwendbaren Messdaten im überwachten Netz kann demnach stetig vergrößert werden. Für den Fall, dass es nicht möglich ist, eine Collector Box in die Infrastruktur des Verteilnetzes zu integrieren, gibt es im WAMS- Backend einen Datei-Importer für das verbreitete HDF5-Format. Der Import erfolgt direkt über eine Web-GUI und ist somit für jeden autorisierten Anwender möglich, der per Web-Browser auf das WAMS zugreift. 2.2 Aufbau des WAMS Abbildung 7 beschreibt den schematischen Aufbau eines WAMS. Es gibt verschiedene Dateiformate, mit denen das WAMS interagiert. Zum einen können Netzdatenmodelle im CGMES-Format importiert werden. Zum anderen können Mess- werte der Messgeräte in einem definierten Zeitreihenformat importiert und exportiert werden. 2.2.1 WAMS-Cluster Das WAMS-Backend ist eine zentrale Komponente auf Basis von Java, die sowohl Schnittstellen für den Im- und Export von Zeitreihendaten und Netzdaten zur Verfügung stellt als auch die Anbindung an die Datenbanken sicherstellt. Zudem stellt es eine Schnittstelle für das WAMS-Frontend bereit. Um alle Schnittstellen abzusichern, ist das Backend an eine Authenti- fizierungskomponente angebunden. Eine Datenbank auf Basis von PostgreSQL speichert neben den importierten CGMES-Netzdaten alle Daten, die für den Betrieb des WAMS notwendig sind. Dies sind unter anderen die Zuordnung von Netzdatenelementen zu Messgeräten und Schwellwerte für eine mögliche Ereignissignalisierung sowie die Auswahl der zu übertragenden Messwerte. TimescaleDB – eine etablierte Speicherlösung für Zeitreihen – speichert die zahlreichen Messwerte. Hierbei handelt es sich um eine Erweiterung für PostgreSQL-Datenbanken, die eine hoch performante Verarbeitung massenhafter Zeitreihenwerte ermöglicht, wie es beispielsweise notwendig ist, um Störschrie- be zu speichern. 2.2.2 WAMS-Benutzeroberfläche (GUI) Das Frontend ist eine moderne Webanwendung, die auf dem Web-Framework Angular basiert. Endanwender verwalten und verknüpfen darüber Netz- und Zeitreihendaten. Eingebettete Grafiken aus der Chart-Visualisierungskomponente zeigen außerdem Messwerte und Störschriebe der Messgeräte in der Weboberfläche an (vgl. Abbildung 10: Zeitreihenvisualisierung und Abbildung 11: Störschriebvisualisierung). Das WAMS- Frontend zeichnet sich durch ein intuitives Bedienkonzept und ein übersichtlich gestaltetes Design aus. Für die grafische Darstellung der Messwerte setzen wir Grafana ein. Dabei wird die Komponente direkt an die Zeitreihendaten- bank angebunden. Mithilfe von Dashboards können zuvor definierte Messdaten zielgenau und performant als Tabellen dargestellt werden. 2.2.3 WAMS-Collector-Box Die Collector Box ist eine Hardwarekomponente, die im Netz- werk des Netzbetreibers installiert und betrieben wird. Je nach Netzwerksituation beim Verteilnetzbetreiber ist es möglich, eine Collector Box pro Messgerät einzusetzen oder mehrere
Abbildung 7: Vereinfachtes Datenflussdiagramm des WAMS WAMS-GUI WAMS -Cluster MQTT-Client in RUST MQTT MQTT- Broker MQTT TimescaleDB PostgreSQL MQTT WAMS-Backend Java JSON REST OpenAPI WAMS- Netzdatenver- waltung WAMS- Zeitreihen- verwaltung WAMS- Datenbank Metadaten Verknüpfung Netz und Messgerät Netzimport PostgreSQL JSON REST OpenAPI Andere Dienste/ Partnerschnitt- stellen Chart- visualisierung Grafana Charts in WAMS- Frontend eingebettet WAMS-Frontend Angular Charts Manuelles Hochladen CGMES- Netzdaten Quelle: QUIRINUS-Control-Konsortium WAMS-Collector-Box VNB 1 Collector Box mit Service – Docker Abfrage der Messgeräte und Weiterleitung der Daten an den MQTT-Broker via NodeJS-Anwen- dung inklusive eines MQTT-Clients Messgerät PQI-DA Smart MODBUS VNB 2 Collector Box mit Service – Docker Abfrage der Messgeräte und Weiterleitung der Daten an den MQTT-Broker via NodeJS-Anwen- dung inklusive eines MQTT-Clients Switch/VLANs Messgerät 1 Messgerät 2 Messgerät 3 MODBUS MODBUS MODBUS
Das Wide-Area-Monitoring-System (WAMS) 28 2.3 Funktionen der WAMS-Oberfläche Die grafische Benutzeroberfläche (GUI) des WAMS stellt eine intuitiv bedienbare und übersichtlich strukturierte Web-Anwen- dung bereit. Im oberen Bereich befindet sich eine Headline, die eine komfortable Auswahl des Betrachtungszeitraums sowie der Messgeräte ermöglicht und zugleich den Zugriff auf ver- schiedene Konfigurationsoptionen bietet (siehe Abbildung 8). Darunter sind mehrere Boards angeordnet, die unterschiedliche Darstellungs- und Analysefunktionen abbilden. Hierzu zählen Bereiche zur Visualisierung von Zeitreihendiagrammen, ein Board zur Anzeige von Netzdatenkarten, ein weiterer Bereich zur Auswahl und Darstellung von Störschrieben sowie ein Dashboard, auf dem Anwender individuell konfigurierte Boards platzieren und anordnen können. 2.3.1 Konfigurationsfunktionen Über diese Funktion erfolgt der Import der Netzdaten im CGMES-Format. Dabei besteht die Möglichkeit, mehrere voneinander galvanisch getrennte CGMES-Einzelnetze paral- lel hochzuladen, im System zu verwalten und gleichzeitig zu visualisieren (siehe auch Abbildung 9: Netzdatenkarte). Ziel ist es, Netzbetreibern mit mehreren Netzgebieten oder Testnetzen eine integrierte, aber dennoch klar strukturierte Analyseumge- bung bereitzustellen. Änderungen am Netzdatenmodell können über den CGMES-Importer im WAMS aktualisiert werden. Dadurch stellen wir sicher, dass das im WAMS hinterlegte Netzmodell jederzeit dem aktuellen Modell des Netzbetreibers entspricht. Neue Messgeräte zeigt das WAMS nach der erfolgreichen Ins- tallation und Ersteinrichtung an. Anschließend kann das Mess- gerät im WAMS mit einem Netzelement des Netzdatenmodells verknüpft werden, um es in der Netzdatenkarte anzuzeigen und zu bedienen. Um das Kommunikations- und Datenvolumen zu reduzieren, können die tatsächlich relevanten Messwerte, die ans WAMS übertragen werden, aus der Vielzahl der im Messgerät verfüg- baren Messwerte herausgefiltert werden. Abbildung 8: WAMS-Oberfläche Quelle: QUIRINUS-Control-Konsortium
Das Wide-Area-Monitoring-System (WAMS) 29 Abbildung 9: Netzdatenkarte Quelle: QUIRINUS-Control-Konsortium 2.3.2 Netzdatenkarte Die Netzbilddarstellung – wie in Abbildung 9 gezeigt – stellt das Netzmodell auf einer entsprechenden Karte und mit den im Netz vorhandenen Messgeräten dar. Hier stehen die üblichen in einem GIS-System bekannten Zoom-Mechanismen zur Verfügung. Die visualisierten Messgeräte sind bedienbar und verzweigen in das Zeitreihenboard für dieses Gerät. Das WAMS ermöglicht die Navigation von Netzmodellen zu Daten.
Das Wide-Area-Monitoring-System (WAMS) 30 Abbildung 10: Zeitreihenvisualisierung Quelle: QUIRINUS-Control-Konsortium 2.3.3 Zeitreihen Für das in der Headline ausgewählte Messgerät können im Zeitreihenboard sämtliche erfassten Messwerte in unterschiedli- chen zeitlichen Auflösungen dargestellt werden (vgl. Abbildung 10). Die Visualisierung der Messdaten erfolgt durch die direkte Einbindung von Grafana. So stehen umfangreiche Visualisie- rungs- und Analysefunktionen zur Verfügung. Zusätzlich zeigt ein Livemodus die Messwerte der letzten 5 Minuten echtzeit- nah an und aktualisiert sich automatisch. Die Speicherung der konfigurierten und übertragenen Messdaten erfolgt in einer TimescaleDB, wodurch ein performanter Zugriff auf die Zeit- reihendaten gewährleistet wird.
Das Wide-Area-Monitoring-System (WAMS) 31 Abbildung 11: Störschriebvisualisierung Quelle: QUIRINUS-Control-Konsortium 2.3.4 Störschriebe Es gibt ein eigenes Board, um Störschriebe zu verarbeiten und zu analysieren. Störschriebe werden im Messgerät ausgelöst, wenn zuvor festgelegte Schwellwerte überschritten werden. Diese werden über die Datenkollektoren direkt von den Mess- geräten abgerufen und übertragen. Die hochauflösenden COMTRADE-Dateien werden eingelesen und in der Time- scaleDB gespeichert. In der WAMS-GUI steht eine Listenansicht mit umfangreichen Filtermöglichkeiten zur Verfügung, die alle erfassten Stör- schriebe anzeigt. Für jeden Störschrieb können detaillierte Informationen abgerufen und die Messkurven (siehe Abbil- dung 11) grafisch dargestellt werden. Zusätzlich besteht die Möglichkeit, die Rohdaten eines Störschriebs herunterzuladen, um weiterführende Analysen mit externen Spezialwerkzeugen durchzuführen. Mit dem WAMS hat man hochaufgelöste Daten langfristig im Zugriff.
Das Wide-Area-Monitoring-System (WAMS) 32 2.4 Technische Details des WAMS Wir betreiben das WAMS in der OVH Public Cloud in einer mandantenfähigen Architektur. Auf diese Weise kann jedem Netzbetreiber dieselbe Funktionalität sicher und skalierbar auf einem jeweils eigenen Cluster zur Verfügung gestellt werden. Abbildung 12 zeigt den prinzipiellen Aufbau der zugrunde liegenden Infrastruktur. Bei der Auswahl des Infrastrukturproviders haben wir unser besonderes Augenmerk darauf gelegt, dass er die Anforderun- gen für kritische Infrastrukturen erfüllt. Das bedeutet: eine hohe Verfügbarkeit und eine hohe Vertraulichkeit der gespeicherten Daten. Um diese Anforderungen ständig neu bewerten und gegebenenfalls den Anbieter wechseln zu können, haben wir darauf geachtet, keine proprietären Cloud-Services zu nutzen, die nur mit hohem Aufwand in einer anderen Infrastruktur zu ersetzen wären. Für jeden Netzbetreiber stellen wir einen eigenen Kubernetes- Cluster bereit. Dieser folgt über deklarative Infrastructure as Code (IaC) Repositories, die die gewünschte Infrastrukturkon- figuration in Terraform-Code beschreiben. Bei jeder Bereit- stellung wird die Infrastruktur nach einem standardisierten und festgelegten Verfahren reproduzierbar und konsistent erzeugt. Durch diese Vorgehensweise stellen wir sicher, dass die Daten der Verteilnetzbetreiber voneinander sicher separiert werden. Zu Beginn wird Flux CD auf dem Cluster installiert, damit weitere Dienste automatisiert bereitgestellt und kontinuierlich aktualisiert werden können. In diesem Zusammenhang kommt ein privater Schlüssel zur Entschlüsselung von Secrets mittels SOPS zum Einsatz. Dadurch ist für Personen, die den Cluster bereitstellen oder den Code anpassen, kein direkter Zugriff auf sensible Informationen wie Token, API-Schlüssel oder Zertifikate erforderlich. Dies entspricht dem Sicherheitsprinzip der minima- len Privilegien. Der Bereitstellungsprozess ist dabei vollständig transparent, da sämtliche Änderungen über die Git-Historie nachvollziehbar und revisionssicher dokumentiert sind. Abbildung 12: Cloud-Infrastruktur 1. Clustererstellung 2. Kubernetes IaC 3. Anwendung 4. Clustermanagement Terraform IaC - OVH-Ressourcen erstellen - Flux CD konfigurieren - Gateway API - Cert-Manager - MQTT-Broker - Keylock per GitOps - WAMS-Gui - WAMS-Backend per GitOps - Monitoring - Alerting - Ressourcenmanagement OVH-Cloud Cluster Mandant A Harbor Registry Cluster Mandant B Cluster Mandant Z Quelle: QUIRINUS-Control-Konsortium Infra Infra Infra Production Datenbank A Production Datenbank B Development Datenbank Z
Das Wide-Area-Monitoring-System (WAMS) 33 20 kHz Eingangsbandbreite gewährleisten, dass das Messgerät zukunftsfähig ist. Ein weiterer Vorteil dieser Geräte: Sie erfassen ein breites Spektrum von Frequenzen. Das ist besonders wichtig, weil nichtlineare Lasten und erneuerbare Energiequellen zunehmen, die komplexe Frequenzmuster erzeugen können. Die große Bandbreite stellt sicher, dass sowohl niedrige als auch hohe Frequenzen erfasst werden. Das Ergebnis: eine umfangreiche und detaillierte Abbildung des Netzverhaltens. Integrierte Rogowski-Spulen als Stromsensoren verstärken diesen Vorteil noch weiter. Die Spulen sind bekannt für ihre Flexibilität und Frequenzsensitivität. Da sie keine magnetische Sättigung aufweisen und über ein breites Frequenzspektrum hinweg linear arbeiten, eignen sie sich hervorragend, um Ströme in Systemen zu messen, in denen harmonische Verzer- rungen und andere frequenzsensitive Phänomene vorkommen. Diese Spulen sind einfach zu installieren, da sie keine galvani- sche Verbindung benötigen und um bestehende Leiter gewi- ckelt werden können. Eine ideale Lösung für Nachrüstungen und anspruchsvolle Messumgebungen! Zusammen bieten präzise Klasse-A-Power-Quality-Meter mit großer Messbandbreite und Rogowski-Spulen eine leistungs- starke Kombination, um die Netzüberwachung zu optimieren. Sie ermöglichen es nicht nur, hochfrequente Spannungs- schwankungen zu erfassen. Sie erlauben es auch, Oberwellen und andere Störungen genau zu identifizieren und analysieren. Das ermöglicht bessere Diagnosen, präventive Wartungen – und führt letztendlich zu einer stabileren und effizienteren Energieversorgung. Das WAMS-GUI sowie das Backend werden über einen Load Balancer mithilfe des Gateway-API extern bereitgestellt. Das Gateway unterstützt sowohl HTTP- als auch TCP-Routen und leitet eingehende Anfragen, abhängig von Pfaden, Protokol- len und Ports, an die jeweils zuständigen Dienste weiter. Für TLS-verschlüsselte Verbindungen wird der Cert-Manager zur automatisierten Bereitstellung und Verwaltung von Zertifikaten eingesetzt. Zur Entgegennahme der Messwerte ist ein MQTT- Broker in dem jeweiligen Cluster integriert. Dieser überträgt die Messdaten in das System und speichert sie dauerhaft in der Datenbank. Die private Registry Harbor speichert die für den Betrieb der Anwendung verwendeten Artefakte und sichert sie ab, insbe- sondere Container Images und Helm Charts. Diese unterstützt eine signaturbasierte Verifikation der Artefakte und ermöglicht rollenbasierte Zugriffskontrollen. Die Authentifizierung erfolgt unter Verwendung des Standard- protokolls OpenID Connect. Hierzu ist die Authentifizierungs- und Autorisierungslösung Keycloak an das WAMS-Backend angebunden. Die Zugangsdaten der Netzbetreiber werden zentral verwaltet und können individuell konfiguriert werden. Wer entsprechende Berechtigungen hat, kann die Cluster manuell über das Command Line Interface (CLI) oder über Freelens administrieren und anpassen. Ein Observability Stack überwacht die Infrastruktur. Tritt eine Störung oder ein anderes definiertes Ereignis auf, generiert er automatisiert Warnmel- dungen. Diese Alerts werden gezielt an die jeweils zuständigen Stellen weitergeleitet, damit sie zeitnah reagieren können. Im Rahmen des Monitorings erlauben definierte Schwellwer- te, Ressourcenengpässe frühzeitig zu erkennen. Auf dieser Basis lässt sich die Skalierung je nach Bedarf anpassen – und so ein stabiler und leistungsfähiger Betrieb der Infrastruktur sicherstellen. 2.5 Auswahl sowie Anforderungen an Messgeräte und Standorte In modernen Energiesystemen ist es für einen effizienten und störungsfreien Betrieb entscheidend, die Netzqualität zu überwachen und sicherzustellen. Hochpräzise Klasse-A-Power- Quality-Meter mit einer großen Bandbreite des Messeingangs bieten hier erhebliche Vorteile. Diese Instrumente erfassen Spannungs- und Stromparameter nicht nur exakt, sondern ermöglichen auch eine umfassende Analyse der Netzqualität nach internationalen Standards wie der IEC/EN 61000-4-30. Klasse-A-Messgeräte sind unerlässlich, will man rechtlich ver- bindliche Aussagen treffen.
Das Wide-Area-Monitoring-System (WAMS) 34 Zentral ist eine hohe Messgenauigkeit. Nur Geräte, die Daten präzise und zeitlich hochaufgelöst erfassen, dokumentieren Spannungsschwankungen, Flicker, Oberschwingungen oder Spannungsunterbrechungen zuverlässig. Ebenso wesentlich ist die Normkonformität der Messgeräte. Insbesondere die Einhal- tung der DIN EN 61000-4-30 zur Messung der Spannungsquali- tät gewährleistet, dass die Daten standardisiert, reproduzierbar und vergleichbar erhoben werden. Darüber hinaus müssen die Messgeräte robust und zuverlässig sein, da sie über längere Zeiträume eingesetzt werden und dabei unterschiedlichen Umwelteinflüssen sowie Netzstörungen ausgesetzt sind. Eine weitere Voraussetzung ist die einfache Integration in bestehende Netzstrukturen. Die Geräte sollten sich ohne Aufwand installieren lassen und erfasste Messdaten nahtlos an übergeordnete Systeme übertragen können. 2.5.2 Anforderungen an Messstandorte Die Messgeräte werden an unterschiedlichen Standorten im Verteilungsnetz installiert, um die Spannungsqualität flächende- ckend zu überwachen. Geeignete Messorte sind unter anderem Ortsnetzstationen, Kabelverteilerschränke, Netzanschluss- punkte, Kompaktstationen sowie Mittelspannungsabgänge. Diese Standorte haben wir aufgrund ihrer zentralen Funktion innerhalb der Netzstruktur ausgewählt. Häufig fungieren sie als kritische Schnittstellen der Stromversorgung und sind somit besonders anfällig für Instabilitäten im Netz. Sicherzustellen ist, dass die installierten Messgeräte die Netz- qualität möglichst repräsentativ abbilden. Dies gilt sowohl für bestehende Netzstrukturen als auch für zukünftige Konfigura- tionen im Kontext des strukturellen Wandels. Besonders wichtig ist dabei: dass die Standorte gut zugänglich sind und die Messgeräte in die vorhandene Infrastruktur integriert werden können, ohne die Netzstabilität zu beeinträchtigen. Ziel des Projekts ist es, durch ein kontinuierliches Monitoring potenzielle Netzinstabilitäten frühzeitig zu identifizieren und geeignete Maßnahmen abzuleiten, die die Versorgungsqualität sicherstellen. Die erhobenen Messdaten bilden die Grundlage, um die Netzsituation fundiert zu bewerten und Handlungs- empfehlungen zu entwickeln – immer vor dem Hintergrund des Strukturwandels und des zunehmenden Anteils erneuerbarer Energien. Moderne Messtechnik wie der PQI DA smart gewähr- leistet, dass alle relevanten Parameter erfasst werden sowie eine belastbare Analyse und Optimierung der Spannungsquali- tät möglich ist. Vor dem Hintergrund eines Forschungsvorhabens sollte berücksichtigt werden, dass die Anforderungen an die Geräte idealerweise bereits zukünftigen Herausforderungen entspre- chen. Üblicherweise sind Normen durch verschiedene Interes- sen und aktuelle Umstände geprägt. Dies führt im Bereich der Spannungsqualität zu dem Effekt, dass zum Beispiel Hersteller von Leistungselektronik Schaltfrequenzen von Halbleitern im Bereich oberhalb regulierter Bereiche wählen, um mehr Frei- heiten bei der Entwicklung dieser Geräte zu haben. So sind im Bereich der öffentlichen Netze (hier Niederspannung) nach IEC/ EN 61000-2-2 nur Störpegelempfehlungen bis 9 kHz zu finden. Pulsfrequenzen liegen aber häufig oberhalb von 10 kHz und sind nicht in ihren Netzrückwirkungen limitiert. Somit haben wir im Projekt ein Messgerät gewählt, das eine Eingangsbandbreite von 20 kHz besitzt, während andere, preislich vergleichbare Geräte nur die von der Norm geforder- ten 9 kHz abdecken. Hinsichtlich der Aufgaben im Projekt QUIRINUS Control sollten die Geräte eine weitere Anforderung erfüllen: ausreichend Offlinespeicher. So können die Geräte schon in einer frühen Projektphase messen, auch wenn noch keine Onlineanbindung an das WAMS hergestellt ist. 2.5.1 Auswahl der Messgeräte Die eingesetzten Messgeräte müssen den spezifischen Anfor- derungen der Spannungsqualitätsanalyse gerecht werden, um relevante Parameter zu erfassen – darunter Spannung, Frequenz und Phasenverschiebung, Schein-, Wirk- und Blindleistung sowie Oberschwingungen und Zwischenharmonische. Hochaufgelöste Messdaten sind die Grundlage für eine objektive Bewertung der Spannungsqualität.
Das Wide-Area-Monitoring-System (WAMS) 35 3. Die GPS-Synchronisation unterstützt standardisierte Daten- formate wie COMTRADE. Solche Formate erfordern präzise Zeitstempel, um Ereignisse korrekt zu dokumentieren und nachvollziehbar auszuwerten. Eine GPS-basierte Zeitreferenz stellt sicher, dass Zeitstempel konsistent, vergleichbar und systemübergreifend auswertbar sind. 4. GPS gewährleistet eine zeitliche Synchronisation unabhängig von bestehenden Netzwerkverbindungen. Mit GPS-Anten- nen ausgestattete Messgeräte synchronisieren sich hoch- präzise, ohne auf Netzwerkprotokolle wie Network Time Protocol (NTP) oder Precision Time Protocol (PTP) angewie- sen zu sein. Dies ist insbesondere in weit verzweigten Ver- teilnetzen von Vorteil, in denen an entfernten Netzpunkten häufig keine zuverlässige Netzwerkanbindung verfügbar ist. 2.5.4 Topologische Zuordnung mit Netzdaten Die von den GIS-Systemen der Verteilnetzbetreiber bereitge- stellten Betriebsmittelkennungen (externe Asset-IDs) werden zunächst in das Datenmodell der Intelligent Grid Platform (IGP) übernommen und dort auf systeminternen, eindeutigen IDs abgebildet. Diese innerhalb der IGP vergebenen Identifika- toren stellen sicher, dass jedes Betriebsmittel im Netzmodell konsistent referenziert werden kann – unabhängig davon, aus welchem Quellsystem die Informationen stammen. Auf dieser Grundlage werden die physischen Messgeräte anschließend zugeordnet. Die Messgeräte liefern ihre Mess- werte unter einer Messgeräte-ID, die in einer Mapping-Tabelle einer systeminternen ID zugewiesen wird. Diese systeminterne ID ist eindeutig einem Betriebsmittel im Netzmodell zugeteilt. So kann das Messgerät direkt und konsistent einer Netzkompo- nente im digitalen Zwilling zugeordnet werden. 2.6 Netzdatenbehandlung Wie gehen wir im Projekt mit Netzdaten um? Die Behandlung erfolgt in mehreren aufeinander aufbauenden Schritten – von der Analyse der bereitgestellten Ausgangsdaten bis zur Integ- ration und Exportfähigkeit eines validierten digitalen Zwillings in der Intelligent Grid Platform. Ziel ist es, ein konsistentes, qualitativ gesichertes und dauerhaft aktualisierbares Netzmo- dell zu erzeugen. ±40 Nanosekunden Genauigkeit erreichen GPS-basierte Zeitquellen. 2.5.3 Synchronisierung der Messgeräte Die präzise Zeitsynchronisation von Messgeräten in einem Wide-Area-Monitoring-System mittels Global Positioning System (GPS) ist entscheidend, um Ereignisse im Stromnetz korrekt zu erfassen und zu analysieren. Insbesondere bei Power- Quality-Metern mit Phasor-Measurement-Unit-Funktionalität (PMU), die beispielsweise COMTRADE-Dateien (Störschriebe) erzeugen, ist eine genaue Zeitstempelung unerlässlich. GPS- Zeitsignale sind so genau, dass sie sich für Anwendungen im Energiesektor eignen. Typischerweise erreichen GPS-basierte Zeitquellen eine Genauigkeit von etwa ±40 Nanosekunden relativ zur koordinierten Weltzeit (UTC). Diese Präzision ermög- licht es, Messungen mit einer Zeitabweichung von weniger als 1 Mikrosekunde durchzuführen. Dies ist erforderlich, um Phasenwinkel genau zu erfassen. Die zeitliche Synchronisation über GPS bietet mehrere Vorteile: 1. GPS bietet eine hochpräzise und einheitliche Zeitbasis für verteilte Messungen über große geografische Entfernungen hinweg. Dadurch können Messdaten verschiedener Stand- orte exakt miteinander korreliert werden. Ereignisse wie Störungen oder Lastwechsel lassen sich zeitlich eindeutig zuordnen und präzise lokalisieren. 2. Die präzise Synchronisation verbessert die Netzstabilität und -sicherheit. Vor allem PMUs sind auf eine exakte Zeitreferenz angewiesen, um synchronisierte Echtzeitdaten bereitzustel- len. Diese Daten können genutzt werden, um das Strom- netz zu überwachen und zu steuern. Instabilitäten werden so frühzeitig sichtbar – und können schneller behoben werden [11]. 2.6.1 Eingangsdatenanalyse und Bereitstellung Zu Beginn wird eine umfassende Analyse der vom Projekt- partner bereitgestellten Daten durchgeführt. Dabei prüfen wir technische Asset-Informationen, geografische Daten, vorhan- dene Messwerte sowie abrechnungsrelevante Kenngrößen, insbesondere den Jahresenergiebedarf. Diese Analyse bildet die fachliche Grundlage für alle weiteren Verarbeitungsschritte.
Das Wide-Area-Monitoring-System (WAMS) 36 Da jeder Verteilnetzbetreiber mit unterschiedlichen Quellsys- temen arbeitet, kann der digitale Zwilling Daten aus verschie- densten Systemlandschaften verarbeiten. Entsprechend können Netzbetreiber ihre Daten über unterschiedliche Wege bereitstel- len: zum Beispiel aus internen Systemen des Netzbetreibers, wie etwa Abrechnungssystemen oder anderen Fachanwendungen, über den Zugriff auf definierte Views in ausgewählten Daten- banken oder die Ablage der Daten in internen Austauschord- nern über abgestimmte alternative Wege, etwa über sichere Transferkanäle. Im vorliegenden Projekt werden strukturierte Exportdateien über abgestimmte, sichere Übertragungswe- ge bereitgestellt und anschließend in den digitalen Zwilling integriert. 2.6.2 Datenverarbeitung mittels Shipper Eine eigens entwickelte, modulare Datenpipeline, der soge- nannte Shipper, verarbeitet die Eingangsdaten weiter. Der Shipper ist eine fehlertolerante, auditierbare Integrations- und Transformationspipeline, die dazu dient, heterogene Quell- formate automatisiert und nachvollziehbar in ein konsistentes, fachlich geprüftes und topologisch vollständiges Netzmodell zu überführen. Er unterstützt sowohl idempotente (wiederholbare) als auch inkrementelle (differenzielle) Verarbeitungsansätze. Wir haben den Shipper iterativ entlang der fachlichen Anforderun- gen im Projektverlauf entwickelt, wobei seine Module in enger Abstimmung mit den Netzbetreibern auf typische Datenquali- täten und Systemstrukturen zugeschnitten wurden. kVA durchgeführt, Kodie- Die Pipeline-Schritte zeigen, dass die Shipper-Verarbeitung in mehreren zentralen Phasen erfolgt. Die Datenextraktion und Normalisierung umfasst die Extraktion der relevanten Informa- tionen aus Quellsystemen beziehungsweise den Dateiimport, etwa aus CSV, JSON, REST oder Datenbank-Views, sowie die Überführung in ein normalisiertes, schemabasiertes Zwischen- format. Im Preprocessing werden die Rohdaten harmonisiert, Einheitenkonvertierungen wie kW rungen vereinheitlicht, Null- und Duplikatwerte behandelt und offensichtliche Inkonsistenzen plausibilisiert. Die fachliche Transformation erfolgt in der Module Chain assetspezifisch in separaten Modulen, beispielsweise für Sites, Nodes oder Lines, wobei Geschäftsregeln wie Ableitungs- und Zuordnungsregeln angewendet und Daten kontextualisiert werden. Abhängigkei- ten zwischen den Modulen sind explizit definiert und die Ver- arbeitung erfolgt deterministisch. Die topologische Zuordnung umfasst den Aufbau logischer und räumlicher Beziehungen zwischen Netzkomponenten, einschließlich der Verankerung von Leitungen an Knoten, der Berücksichtigung von Schaltzu- ständen und der Zuordnungen innerhalb von Netzbereichen. In der Validierung und Qualitätssicherung werden Struktur-, Wert- und Topologieintegrität, Referenzbeziehungen sowie Voll- ständigkeitsregeln geprüft und die Ergebnisse werden in Form von Datenqualitätsberichten mit dokumentierten Findings und Handlungsempfehlungen bereitgestellt. Die Persistenz und Ver- sionierung beinhaltet die Speicherung des verarbeiteten Netz- modells in der IGP einschließlich Änderungsverlauf, Snap shots Die entwickelten Szenarien bilden zukünftige Netzzustände realitätsnah ab. und Rücksetzpunkten. Die laufende Aktualisierung stellt sicher, dass Daten über definierte Sync-Jobs (Zeitpläne) und Trigger- Events automatisiert aktualisiert und bei Bedarf angereichert werden. So stehen jederzeit aktuelle, geprüfte Datenstände zur Verfügung und Änderungen aus den Quellsystemen werden zeitnah übernommen. 2.6.3 Synthetische Datenergänzung Nicht immer ist die Datenbasis vollständig. In solchen Fällen werden fehlende Informationen auf Basis nachvollziehbarer Annahmen ergänzt. Dabei kommen standardisierte Parameter zum Einsatz, zum Beispiel Normwerte für elektrische Eigen- schaften von Leitungen, Transformatoren und Schaltern sowie Impedanzen, Schaltvermögen oder Übersetzungen. Die geo- metrische Rekonstruktion erfolgt, indem wir Koordinaten und Kabelverläufe mittels Interpolation aus benachbarten bekann- ten Punkten abschätzen oder dafür digitale Karten nutzen. Für Netze ohne detaillierte Messdaten wenden wir die Lastprofil- schätzung an. Das bedeutet, wir modellieren Verbrauchs- und Einspeiseprofile mithilfe von Standardlastprofilen und Grup- pen-Gleichzeitigkeitsfaktoren, um realistische Last flüsse zu simulieren. 2.6.4 Nutzung in der IGP & CGMES-Export Die Intelligent Grid Platform speichert das resultierende Netz- modell und stellt dort ein stets aktuelles digitales Abbild des Stromnetzes dar: einen sogenannten digitalen Zwilling. Er dient als Grundlage für verschiedene Anwendungsfälle. Dazu gehören Netzanalysen wie die Berechnung von Lastflüssen, Spannungen und Auslastungen ebenso wie Simulationsszena- rien, etwa Lastfluss- und Spannungsbandanalysen, Kurzschluss- berechnungen, N-1-Berechnungsfälle sowie Planungs- und Ausbauszenarien, beispielsweise für den Anschluss von Wärme- pumpen, Photovoltaikanlagen oder Ladeinfrastruktur. Auch Zustandsbewertungen des aktuellen Netzbetriebs basieren auf dem digitalen Zwilling, ebenso die Ableitung operativer Maßnahmen. Darüber hinaus macht der digitale Zwilling Daten transparent und ermöglicht ihre Bewertung und Verbesserung. Denn Inkonsistenzen oder Lücken in den Eingabedaten können identifiziert, dokumentiert und gezielt behoben werden.
Das Wide-Area-Monitoring-System (WAMS) 37 Im zweiten Schritt legen wir fest, wie die Leistung der Netz- teilnehmer in der Simulation skaliert wird, indem die gewählte Berechnungsmethode auf die installierten Leistungen ange- wendet wird. Die effektive Leistung ergibt sich dabei aus der installierten Leistung multipliziert mit dem jeweiligen Skalierungs- oder Gleichzeitigkeitsfaktor. Diese Leistungen fließen in die Lastflussberechnung der IGP ein und werden im CGMES-Export im Steady-State-Hypothesis-Profil (SSH) als P/Q für Lasten (Energy Consumer) und Erzeugerobjekte wie Synchronous Machine oder Equivalent Injection bereit- gestellt. Dabei werden sowohl die installierte Leistung (maxP) als technische Obergrenze als auch die effektive Leistung (p, q) entsprechend des gewählten Berechnungsfalls exportiert, sodass verschiedene Lastszenarien konsistent im exportierten Netzmodell abgebildet werden. 2.6.6 Integration in den CGMES-Export Die Netzstruktur bilden mehrere CGMES-Profilen ab, wobei das Equipment-Profil die statischen Netzobjekte und deren Anschlüsse enthält und das Topologyprofil (TP) die Knoten- zuordnung über Terminal/ConnectivityNode sowie die aktuelle Schaltlage beschreibt. Im Steady-State-Hypothesis-Profil sind die Betriebszustände mit skalierten Leistungswerten hinterlegt. Das Geographical-Location-Profil (GL) umfasst geografische Informationen und das Diagram-Layout-Profil (DL) schematische Darstellungen. 2.6.7 CGMES-Exportformat und Pseudonymisierung Der Export der Netzmodelle erfolgt über den internationa- len Common Grid Model Exchange Standard, der auf dem CIM-Standard (IEC 61970) basiert und RDF/XML verwendet. Die gelieferten Daten sind somit maschinenlesbar und inter- operabel. Der Export besteht aus mehreren Profildateien, wobei das Equipment-Profil die statische Ausstattung des Netzes wie Leitungen, Transformatoren oder Schalter beschreibt. Das Topologieprofil enthält das Ergebnis einer Topologieaus- wertung. Dabei werden alle Knoten, die über geschlossene Schalter verbunden sind, zu sogenannten Topologieknoten zusammengefasst. Offene Schalter markieren dagegen den Übergang zu einem neuen Knoten, sodass die reine elektrische Vernetzung ohne jedes einzelne Schaltelement als „reduzierte“ Topologie abgebildet wird. Das Steady-State-Hypothesis-Profil umfasst Betriebsparameter wie Last, Generatorsollwerte oder Schalterstellungen, während das State-Variables-Profil optional Ergebnisse von Lastflussberechnungen wie Spannungen oder Strömen enthält. In der IGP besteht die Möglichkeit, ein validiertes Netzmo- dell als CGMES-Export bereitzustellen. Die Übertragung des internen Node-Breaker-Modells in das CGMES-Format erfolgt über eine standardisierte Mapping-Logik (CIMPyORM) [12]. Dadurch lassen sich Netzdaten in einem international anerkann- ten Format an externe Analyse- oder Planungstools übergeben, beispielsweise für Netzberechnungen in PowerFactory oder für Forschungspartner. Das System unterstützt zwei Strukturvarianten: zum einen die kombinierte Einzeldatei, in der alle CGMES-Profile in einer XML- Datei zusammengefasst werden, zum anderen separate Datei- en, bei denen jedes Profil als eigene Datei exportiert wird. Das Equipment Profil (EQ) enthält die statischen Betriebsmittel, das Topologyprofil (TP) beschreibt deren Verschaltung, das Steady- State-Hypothesis-Profil (SSH) umfasst Betriebsparameter und das State-Variables-Profil (SV) gegebenenfalls die Ergebnisse von Berechnungen. Optional können zusätzlich Layoutinforma- tionen und geografische Koordinaten (GL) beigefügt werden, wie in Punkt 2.3.1 beschrieben. 2.6.5 Modellierung der Versorgungsaufgabe im Projektkontext Die Versorgungsaufgabe dient dazu, realistische Belastungs- zustände des Netzes abzubilden. Dafür werden die installierten Leistungen der Netzteilnehmer unter Berücksichtigung von Gleichzeitigkeit und Nutzung skaliert. Die so ermittelten Belas- tungszustände werden anschließend über den CGMES-Export bereitgestellt. Die Modellierung erfolgt dabei in zwei Schritten. Im ersten Schritt wird festgelegt, mit welcher Leistung Netzteil- nehmer modelliert werden, wofür zunächst die Berechnungs- methode und der Berechnungsfall für die Lastflussberechnung ausgewählt werden. Die IGP stellt dafür zwei grundlegende Methoden bereit: 1. Skalierungsfaktoren: Hierbei erfolgt eine Leistungsflussbe- rechnung für einen einzelnen Zeitschritt mit Pauschalfakto- ren für bestimmte Netzteilnehmergruppen wie Haushalte oder PV. Es wird ein fester Faktor pro Netzteilnehmertyp unabhängig von der Gruppengröße verwendet. Diese Methode eignet sich für Momentaufnahmen und einfache Lastannahmen. 2. Gruppen-Gleichzeitigkeitsfaktoren (GGLZF): Sie berück- sichtigen eine abnehmende Gleichzeitigkeit bei zunehmen- der Teilnehmerzahl. Der Gleichzeitigkeitsfaktor g(n) liegt zwischen 0 und 1 und variiert mit der Gruppengröße. Er kann in verschiedenen Betrachtungsbereichen wie Netz für Trafo-/Stationsauslegung, Strang für Leitungen/Spannung oder Anschlussobjekt angewendet werden und ist optional mit einem Leistungskorrekturfaktor kombinierbar. Zusätz- lich wird der Berechnungsfall gewählt, der festlegt, ob nur Lasten, nur Einspeiser oder Lasten und Einspeiser kombiniert berücksichtigt werden. So wird definiert, welche Netzteil- nehmer mit welchen Faktoren in die Berechnung eingehen.
Das Wide-Area-Monitoring-System (WAMS) 38 Zusätzliche optionale Profile stehen für Grenzgeräte/Topologie, Diagrammlayouts sowie dynamische Modelle zur Verfügung. Damit sich große Datenmengen effizient übertragen lassen, werden die einzelnen XML-Dateien zu einem cimx-Container zusammengefasst. Dieses Format ist technisch ein ZIP-Archiv mit einer manifest.xml, die die enthaltenen Dateien beschreibt. Die Projektanforderung besteht darin sicherzustellen, dass keine Daten geteilt werden, für deren Weitergabe keine Vereinbarung besteht. Daher werden die gelieferten Daten pseudonymisiert, also beispielsweise Gerät-IDs oder Koordinaten durch nicht rückführbare Identifikatoren ersetzt. So konnten die Projekt- partner bereits mit den Exporten arbeiten, ohne sensible oder vereinbarungsgebundene Informationen offenzulegen. Liegt jedoch eine entsprechende Vereinbarung vor, werden die Daten ohne Pseudonymisierung bereitgestellt. 2.6.8 Qualitätssicherung und Weiterentwicklung Mit der beschriebenen Netzdatenbehandlung gewährleisten wir, dass aus unterschiedlichsten Datenquellen ein konsistentes, qualitativ hochwertiges Netzmodell entsteht. Die Kombination aus initialer Analyse, modularer Verarbeitung, strikter Qualitäts- kontrolle und – wenn nötig – vorsichtiger synthetischer Anrei- cherung erlaubt es, verlässliche digitale Zwillinge zu erzeugen und diese regelmäßig zu aktualisieren. Weil alle Annahmen und verwendeten Verfahren transparent dokumentiert werden, bleibt der Prozess für alle Projektpartner nachvollziehbar. Langfristig ist geplant, weniger abhängig von synthetischen Ergänzungen zu sein. Dafür müssen die Netzbetreiber ihre Datenerfassung weiter optimieren – zum Beispiel, indem sie sensorbasierte Monitoring-Lösungen ausbauen. Zusammenfassung • Das WAMS bildet eine herstellerunabhängige Brücke zwischen SCADA-Systemen und klassischem Power- Quality-Monitoring und ermöglicht eine zentrale, netzbezogene Auswertung hochaufgelöster Daten zur Spannungsqualität. • Die praxisnahe Umsetzung in einer skalierbaren Cloud- Umgebung zeigt, dass ein WAMS auch für große Verteilnetze mit vielen Messgeräten leistungsfähig und betrieblich beherrschbar ist. • Eine benutzerfreundliche, webbasierte Visualisierung unterstützt Netzbetreiber dabei, komplexe Spannungs- qualitätsphänomene zu interpretieren. • Hohe Anforderungen an Messtechnik, Zeitsynchronisa- tion und Standortwahl sind entscheidend für vergleich- bare, rechtssichere und aussagekräftige Messergebnisse. • Ein digitaler Zwilling mit strukturierter Netzdatenpipeline ermöglicht konsistente Netzanalysen, Simulationen und eine kontinuierliche Verbesserung der Datenqualität. • Durch die konsistente Integration von Mess-, Netz- und • Standardisierte CGMES-Exporte sichern die Inter- Metadaten und deren Zuordnung im CGMES-Netzmodell werden räumliche Analysen von Spannungsqualitätsab- weichungen erstmals systematisch möglich. operabilität mit externen Analyse- und Planungstools und bilden die Grundlage für realistische Last- und Einspeiseszenarien. • Der modulare Systemaufbau mit klar getrennten Kom- • Die praxisnahe Erprobung erfolgt in einer skalierbaren ponenten (Collector Boxes, Backend-Cluster, Web-GUI) gewährleistet, dass das System erweiterbar und wartbar ist und sich Daten flexibel anbinden lassen. • Leistungsfähige Zeitreihen- und Ereignisdatenverarbei- tung erlaubt nahezu Echtzeitmonitoring sowie detaillierte Analysen von Spannungsereignissen. Cloud-Umgebung. Dabei wird das Wide-Area-Moni- toring-System (WAMS) in einer Public Cloud betrieben. Auf diese Weise werden Funktionalität, Performance und Skalierbarkeit demonstriert. Diese Erkenntnisse bilden die Grundlage für den Einsatz in großen Netzen mit vielen Messgeräten.
Netzbewertung/Simulationen 40 Netzbewertung und Simulationen PQ-Kennzahlen auswerten und Netzzustände simulieren 3.1 PQ-Ereignisse Im Rahmen der Kapitel 1 und 2 haben wir dargelegt, welche Daten für die Beobachtbarkeit der Power Quality (PQ) wichtig sind und wie diese aufgenommen, gespeichert und generell verarbeitet werden. Dieses Kapitel legt nun dar, wie anhand dieser Daten eine Netzbewertung stattfinden kann und Simu- lationen zu erweiterten Erkenntnissen führen. Zunächst lassen sich die PQ-Kennzahlen an sich beobachten und einordnen. Dies geschieht zum einen durch statistische Auswertung, zum anderen durch die gezielte Analyse einzelner Kennwerte oder Störschriebe, die ein Verhalten abseits der Normen oder des Normalverhaltens darstellen. 3.1.1 Beschreibung der PQ-Ereignisse Im Rahmen des Projektes wurden ca. 37 Messgeräte in den Netzen der beteiligten Netzbetreiber installiert. Über den Zeitraum von nunmehr fast drei Jahren haben wir dabei die PQ-Kenndaten, wie zuvor beschrieben aufgezeichnet und gesammelt. Aggregiert ergeben sich Detektionshäufigkeiten für die beschriebenen Phänomene. Eine Auswertung dieser Häufigkeiten gibt Tabelle 4 an. Alle nicht aufgeführten Phäno- mene wurden im betrachteten Zeitraum nicht detektiert. Diese Daten können nun als Indikation verwendet und über längere Zeiträume nachverfolgt werden. Zusätzlich sind Einzelanalysen individueller Störungen in anonymisierter Form möglich. Tabelle 4: Auftrittshäufigkeit von PQ-Phänomenen zwischen KW 16 2023 und KW 30 2025 Phänomen Absolute Häufigkeit Relative Häufigkeit Schnelle Spannungsänderung 102 Kurzzeitflicker Überspannung (RMS) Spannungsabfall (Dip) Langzeitflicker Oberschwingung Spannungsunterbrechung 99 77 41 35 4 4 28 % 27 % 21 % 11 % 10 % 1 % 1 % Zusätzlich zur flächendeckenden Messung der allgemeinen PQ-Kennzahlen haben wir in zwei Stichprobenmessungen über eine Woche eine Spezialmessung der frequenzabhängigen Netzimpedanz durchgeführt. Abbildung 13 zeigt exemplarisch die Auswertung eines Tages. Die übereinander aufgetragenen Bereiche bilden die zeitliche Varianz über den Tag ab. Speziell im Bereich zwischen 20 und 25 kHz ist eine Änderung zu erken- nen: Die könnte zum Beispiel auf PV-Anlagen hindeuten. Aber auch Industriemaschinen könnten ein solches Profil erzeugen. Im Allgemeinen waren die Messungen jedoch unauffällig und entsprachen einem typischen Profil.
Netzbewertung/Simulationen 41 Abbildung 13: Beispielhafte Darstellung der frequenzabhängigen Netzimpedanz 13_n Impedanzbetrag – Persistenzdiagramm 116 Messungen von 2025-03-20 14:20:59 bis 2025-03-20 23:56:12 Latest (2025-03-20 23:56:12) Min-Max Range Interquartile Range 16 14 12 10 8 6 4 2 0 ] m h O [ e d u t i n g a M 0 1 2 3 Frequency [Hz] 4 5 Quelle: QUIRINUS-Control-Konsortium 3.1.2 Mathematische Nachbildung von PQ-Ereignissen und deren Klassifizierung mit Vor- und Nachteilen 3.1.2.1 Herausforderung der Datenakquisition Power-Quality-Algorithmen zu entwickeln und zu validieren, ist eine fundamentale Herausforderung. Denn: Es gibt kaum repräsentative und ausreichend variable Messdaten realer Span- nungsqualitätsereignisse. Netzbetreiber verfügen zwar über umfangreiche Datenarchive, jedoch sind diese oft proprietär formatiert, unvollständig dokumentiert oder enthalten nur eine begrenzte Vielfalt an Störungstypen. Die stochastische Natur realer PQ-Ereignisse verschärft diese: Störungen treten plötzlich auf, variieren stark und werden oft von netzspezifischen Randbedingungen überlagert. Um KI-Algorithmen systematisch zu entwickeln und zu trainieren, braucht es jedoch große Mengen an systematisch variierten, wohldefinierten Testdaten. Darüber hinaus unterliegen reale Netzmessdaten oft datenschutzrechtlichen und wettbewerbs- rechtlichen Beschränkungen, was ihre Verfügbarkeit für Forschungszwecke einschränkt. Solche Daten zu anonymisieren und zu bereinigen ist aufwendig und kann zu Informationsver- lusten führen, die die Aussagekraft beeinträchtigen. 3.1.2.2 Hochpräziser dreiphasiger Signalgenerator QUIRINUS Control überwindet die beschriebenen Herausfor- derungen dank eines hochpräzisen, mathematischen Signal- generators für dreiphasige Spannungsstörungen. Speziell für das Projekt entwickelt, basiert er auf einer umfassenden Literaturrecherche sowie der systematischen Modellierung elektrotechnischer Störungsphänomene unter Berücksichtigung verschiedener Netzstrukturen und Betriebsweisen. Der Gene- rator umfasst 29 unterschiedliche Störungsklassen, die von einfachen sinusförmigen Signalen bis hin zu hochkomplexen Kombinationen mehrerer Störungstypen reichen. Die mathe- matische Modellierung stützt sich auf physikalische Grundlagen der Elektrotechnik und berücksichtigt die charakteristischen Eigenschaften realer Netzkomponenten wie Transformatoren, Leitungen und Lasten. Ein besonderes Merkmal ist die realitäts- nahe Modellierung der Kopplungen zwischen den drei Phasen eines Drehstromsystems. Im Gegensatz zu vereinfachenden einphasigen Betrachtungen bildet sie die physikalischen Zusam- menhänge über Netzimpedanzen, Sternpunktbehandlung und Erdungskonzepte explizit ab. Dadurch lassen sich authentische Störungsverläufe generieren, die den Bedingungen in realen Verteilnetzen entsprechen.
Netzbewertung/Simulationen 42 96 Prozent beträgt Prognosen zufolge die Marktdurch- dringung von E-Autos bis 2045. Die folgenden Abschnitte beschreiben den Aufbau der in QUIRINUS Control durchgeführten Simulation. Zunächst wird hierzu die technologische Entwicklung in Deutschland betrachtet – als die Grundlage für die folgenden Untersuchun- gen. Darauf basierend präsentieren wir Netzsimulationen, die zukünftige Szenarien und Gegenmaßnahmen untersuchen. In einem letzten Schritt stellen wir dann auf simulativer Ebene die Zustandsschätzung in elektrischen Netzen vor. Hier lassen sich durch innovative Algorithmen Netzzustände bewerten, die nicht direkt vermessen werden können. 3.2.1 Technologische Entwicklungsszenarien in Deutschland Die Energiewende in Deutschland schreitet dynamisch voran: Der Ausbau von Photovoltaik- und Windkraftanlagen, die zunehmende Verbreitung von Wärmepumpen sowie der rasche Hochlauf der Elektromobilität bilden die tragenden Säulen einer dekarbonisierten Energiezukunft. Das Erneuerbare-Energien- Gesetz (EEG 2023) sieht vor, den Anteil erneuerbarer Energien am Bruttostromverbrauch bis zum Jahr 2030 auf 80 % auszu- bauen. Parallel dazu läuft der Kohleausstieg, im Rheinischen Revier mit den Standorten Neurath und Niederaußem, der bis spätestens 2030 abgeschlossen sein soll. Die vorliegende Untersuchung widmet sich der methodischen Erfassung und räumlichen Analyse der vier Schlüsseltechno- logien Photovoltaik (PV), Windkraft, Wärmepumpen und Elektromobilität. Auf Basis offizieller Datenquellen, statistischer Verfahren und georeferenzierter Modelle beschreiben wir ein konsistentes Abbild der räumlich-zeitlichen Transformation des Energiesystems. Dieses bildet die Grundlage für die Integration in Simulationen. Die Fehlertypenmodellierung basiert darauf, dass die implemen- tierten Störungstypen systematisch nach elektrotechnischen Kriterien klassifiziert und parametriert wurden. Grundlage dafür ist eine umfassende Taxonomie, die sowohl die Ursachen als auch die Auswirkungen verschiedener Netzstörungen berück- sichtigt. Die Einführung des dreiphasigen Generators erforderte zudem, die Datenstrukturen gegenüber dem ursprünglich einphasigen Ansatz grundlegend neu zu gestalten Die gewähl- te Lösung verwendet ein dreidimensionales NumPy Array in der Anordnung [Zeit × Phase × Signal], wodurch die effizien- ten Broadcasting-Mechanismen von NumPy optimal genutzt werden. Diese Strukturierung bietet mehrere algorithmische Vorteile: Störungen können sowohl phasenindividuell als auch phasenübergreifend parametriert werden, ohne dass explizite Schleifen notwendig sind, und die vektorisierten Operationen ermöglichen eine erhebliche Performance-Steigerung gegen- über iterativen Implementierungen. So bleibt der Generator auch für große Datensätze praktikabel. Ein weiterer wichtiger Aspekt ist die Rückwärtskompatibilität. Das bedeutet: Durch eine geschickte Dimensionierung können bestehende einphasi- ge Störungsmodelle ohne Anpassungen auch im dreiphasigen Kontext verwendet werden. So ist eine schrittweise Migration bestehender Algorithmen möglich und der Implementierungs- aufwand sinkt erheblich. Störungen werden über eine einheitliche JSON-basierte Kon- figurationsschnittstelle parametrisiert, die sowohl interaktive als auch automatisierte Batch-Generierung unterstützt. Dabei können alle relevanten physikalischen Parameter wie Störungs- beginn, -dauer, -amplitude und -form frei konfiguriert werden. So erreichen wir eine nahezu unbegrenzte Variabilität der generierten Datensätze. 3.2 Netzbewertung Das WAMS ermöglicht es, die Spannungsqualität in den betrachteten Nieder- und Mittelspannungsnetzen flächen- deckend zu bewerten. Auf diese Weise erfolgt eine fundierte Bestandsaufnahme der bestehenden Qualitätsphänomene im elektrischen Verteilnetz. Die Simulation des elektrischen Energieversorgungssystems, die wir im Zuge der Netzbewer- tung anwenden, eröffnet uns darüber hinaus jedoch noch weitere Betrachtungsoptionen. So können wir unterschiedliche Dimensionen des Systems mit geringerem Aufwand anpassen und deren Einflüsse auf das System untersuchen, beispielsweise die Netztopologie oder das Verbraucherverhalten. Dadurch lassen sich gezielt verschiedene Szenarien und deren Folgen für das Stromnetz betrachten. Mithilfe von Simulationen können wir zudem datenintensive Methodiken untersuchen, was in der Realität mit einem unverhältnismäßig hohen Aufwand verbun- den wäre. Das schafft Raum für Forschung und Entwicklung. Aus diesem Grund sind Simulationen das Mittel der Wahl, wenn es darum geht, die Netze mit zukünftigen Szenarien oder inno- vativen Algorithmen zu bewerten.
3.2.1.1 Elektromobilität Unsere Betrachtung von Elektrofahrzeugen (Battery Electric Vehicle, BEV) und Ladeinfrastruktur basiert auf amtlichen Statis- tiken und szenariobasierten Prognosen. Die Fahrzeugbestände werden aus den Datensätzen des Kraftfahrt-Bundesamts [13] entnommen, die Anzahl der batterieelektrischen Fahrzeuge nach Zulassungsbezirk ausgewiesen. Ergänzende demografische und sozioökonomische Daten, darunter Bevölkerungsverteilung und Einkommensteuerstatistiken, stammen vom Statistischen Bundesamt [14]. Prognostizierte Marktentwicklungen überneh- men wir aus dem Fraunhofer-Langfristszenario (TN-Strom) [15]. Demnach erreichen batterieelektrische Fahrzeuge bis 2045 eine Marktdurchdringung von rund 96 %. Informationen zu privaten Stellplätzen entstammen der Datenbasis RegioStaR7 [16]. Diese Datengrundlagen bereinigen wir, indem wir die regiona- len Identifikatoren nach den NUTS3-Codes der Kreisebene har- monisieren und die Fahrzeugzahlen auf Plausibilität prüfen, zum Beispiel im Verhältnis zur Bevölkerungsdichte. Anschließend verteilen wir künftige zusätzliche Elektrofahrzeuge szenario- basiert: Private BEVs werden proportional zu Bevölkerungs- und Einkommensindikatoren zugewiesen, wobei Marktsättigungsef- fekte durch eine sättigende Exponentialfunktion berücksichtigt werden. Gewerbliche BEVs werden als Komplement der priva- ten Anteile modelliert und zusätzlich mit Beschäftigungszahlen skaliert, die regionale Wirtschaftsstrukturen widerspiegeln. Die Ladeinfrastruktur teilen wir in drei Kategorien ein: private, gewerbliche und öffentliche Ladepunkte. Private Ladepunkte werden anhand der verfügbaren Stellplätze modelliert, gewerb- liche Ladepunkte aus der Anzahl der gewerblichen BEVs abge- leitet und öffentliche Ladepunkte decken den verbleibenden Ladebedarf ab – gewichtet nach der Bevölkerungszahl ohne private Parkmöglichkeiten. Die georeferenzierte Analyse erfolgt auf NUTS3-Ebene. Durch die Kombination der Fahrzeug- und Infrastrukturdaten entste- hen Indikatoren wie Ladepunkte pro Einwohner. Choroplethen- karten (auch Flächenkartogramme genannt) visualisieren die regionale Dichte, während zusätzliche Überlagerungen, zum Beispiel zur Einkommensstruktur oder Beschäftigungsdichte, mehrdimensionale Interpretationen erlauben. Methodisch lehnt sich der Ansatz an die Publikation „Modelling georeferenced locations of charging infrastructure and electric vehicles based on socio-economic parameters“ [17] an. Die Ergebnisse verdeutlichen, dass sich der starke Zuwachs an batterieelektrischen Fahrzeugen (BEVs) vor allem auf urbane und einkommensstarke Regionen konzentriert. Dagegen steht der Ausbau der öffentlichen Ladeinfrastruktur insbesondere in ländlichen Räumen deutlich hintenan. Netzbewertung/Simulationen 43 3.2.1.2 Wärmepumpen Für die Modellierung der Wärmepumpenverbreitung setzen wir das Open-Source-Tool DemandRegio [18] ein, das zur Harmonisierung und Weiterentwicklung regionaler Energie- bedarfsmodelle in Deutschland entwickelt wurde. Das Tool erlaubt eine detaillierte Differenzierung des Haushaltsenergie- bedarfs anhand räumlicher, sozioökonomischer und zeitlicher Merkmale. Zentrale Eingangsgrößen sind Gemeindegrenzen, Bevölkerungsverteilung, Einkommensstrukturen und Gebäude- typologien, ergänzt um zeitliche Daten zu Lastprofilen und Temperaturreihen. Neben DemandRegio fließen Marktprognosen des Bundes- verbands Wärmepumpe [19] sowie Gebäudebestandsstatis- tiken des Statistischen Bundesamts in die Analysen ein. Auf dieser Grundlage entsteht ein szenariobasierter Ansatz, um die zukünftige Ausbreitung von Wärmepumpen auf Kreisebene (NUTS3) abzuschätzen. Die nationalen Absatzprognosen werden zum regionalen Gebäudebestand verteilt, um zukünf- tige Installationen konsistent abzuschätzen. Das harmonisierte Datenset ermöglicht die jährliche Visualisierung der regiona- len Wärmepumpenentwicklung (z. B. für 2028, 2033, 2038). Die Marktpenetrationsprognosen bilden die Grundlage für die Ermittlung regionaler Wärmepumpenverordnungen und liefern Erkenntnisse für die lokale räumlich-zeitliche Analyse der Wärmepumpenverteilung. Die Ergebnisse verdeutlichen, dass die Verbreitung von Wärmepumpen in hohem Maße mit den jeweiligen Gebäudetypologien und dem Einkommensniveau korreliert. 3.2.1.3 Photovoltaik (PV) Die PV-Analyse nutzt Daten aus dem Marktstammdaten- register (MaStR) der Bundesnetzagentur. Der Zugriff erfolgt über das Open-Source-Python-Paket open-MaStR [20], über das Registerdaten automatisiert ausgelesen und strukturiert werden können. Die installierten Bruttoleistungen aggregieren wir auf Bundes- land- und Kreisebene. Die georeferenzierte Zuordnung erfolgt über PLZ- und NUTS3-Codes, wodurch die installierte PV-Leis- tung räumlich abgebildet werden kann. Zur Datenvalidierung überprüfen wir Verteilungen über zentrale Metadatenattribute (z. B. Betriebsstatus, Netzbetreiberzuordnung) grafisch. Die aggregierten Kapazitäten werden anschließend kartografisch dargestellt, um regionale Schwerpunkte und Merkmale zu identifizieren. Hinzu kommen sozioökonomische und physische Einflussgrö- ßen wie landwirtschaftliche Flächennutzung (Destatis, [21]), Bevölkerungsdichte, Wohnflächenstruktur aus DemandRegio sowie Globalstrahlung. Diese Indikatoren bilden die Grundla- ge für die Regionalisierung der PV-Ausbauziele. Basierend auf den nationalen Ausbauzielen des Netzentwicklungsplans (NEP) brechen wir die PV-Ziele über einen Verteilungsschlüssel auf Bundesländer und anschließend auf NUTS3-Gebiete herunter.
Netzbewertung/Simulationen 44 3.2.2 Netzsimulation Das WAMS ermöglicht es, die Spannungsqualität in den betrachteten Nieder- und Mittelspannungsnetzen flächende- ckend zu bewerten. Auf diese Weise lassen sich bestehende Spannungsqualitätsphänomene im elektrischen Verteilnetz fundiert evaluieren. Die Simulation des elektrischen Energie- versorgungssystems eröffnet uns darüber hinaus jedoch noch weitere Betrachtungsoptionen. So können wir unterschiedliche Dimensionen des Systems mit geringerem Aufwand anpassen und deren Einflüsse auf das System untersuchen, beispielsweise die Netztopologie oder das Verbraucherverhalten. Die Simulation selbst besteht dabei immer aus drei Kompo- nenten: den Eingangsdaten, dem Simulationsmodell und der Simulationsmethode. Eingangsdaten stellen die Rahmenbedin- gungen für die Simulation zur Verfügung. Beispiele für solche Daten sind Wetterdaten, Bestandsdaten oder Spezifikationen. Darüber hinaus benötigt die Simulation Modelle für spezifische Anlagen und Komponenten, die das entsprechende Nutzungs- verhalten abbilden. In unserem Fall sind das zum Beispiel Ver- haltensmodelle von Netzkunden und mathematische Modelle von Netzkomponenten und Anlagen. Hat man ein geeignetes Simulationsmodell erzeugt, kann man dieses mit der dazu passenden Simulationsmethode bearbeiten. Die Wahl der Methode entscheidet darüber, wie genau das Ergebnis und wie hoch der Rechenaufwand ist. In unserem Fall unterscheiden wir zwischen der quasistationären und der dynamischen Methode zur Netzsimulation. Abbildung 14 illustriert den Prozess unserer Simulation: Für QUIRINUS Control haben wir ein neues Verfahren entwickelt, das zwei Simulationsmethoden miteinander kombiniert: quasi- stationäre Simulationen und dynamische Simulationen [23]. Die Grundidee ist, dass der eigentliche Modellaufbau, die Szenario- entwicklung sowie die flächendeckende Untersuchung über eine quasistationäre Simulation laufen. Diese geht mit einem geringeren Rechenaufwand, aber auch einer geringeren Genau- igkeit einher, da sie nur den eingeschwungenen Zustand des Systems betrachtet. Auf Basis der Ergebnisse der quasistatio- nären Simulation lassen sich anschließend kritische Zeitpunkte identifizieren, die eine dynamische Simulation genauer betrach- tet. Diese zeichnet sich durch einen hohen Rechenaufwand aus, ist aber sehr genau. Denn sie berücksichtigt zeitlich veränder- liche Phänomene. Den genauen Aufbau der Simulationsschritte beleuchten die folgenden Unterkapitel. Der Ansatz folgt der referenzierten wissenschaftlichen Veröf- fentlichung [22]. Als Ergebnis entstehen räumlich differenzierte Szenarien für zukünftige PV-Kapazitäten, unterteilt nach Dach- und Freiflä- chenanlagen. Diese Szenarien werden kartografisch dargestellt und ermöglichen es, nationale PV-Ziele unter Berücksichtigung regionaler Potenziale und Restriktionen zuzuweisen. Die Ergebnisse verdeutlichen: Hohe Photovoltaikdichten treten insbesondere in süd- und ostdeutschen Landkreisen auf, wo die Globalstrahlung günstig ist und viele geeignete Dachflächen zur Verfügung stehen. 3.2.1.4 Windenergie Für die Windenergieanalyse nutzen wir ebenfalls Daten aus dem MaStR in Kombination mit DemandRegio. Die Rohdaten der Windenergieanlagen werden aufbereitet, indem die Postleitzah- len den entsprechenden NUTS3-Regionen zugeordnet werden. Fehlende Werte ergänzen wir mithilfe von Informationen zum Bundesland, um eine konsistente geografische Abdeckung zu gewährleisten. Anschließend werden technische Parameter wie Nabenhöhe und Rotordurchmesser statistisch ausgewertet, während installierte Bruttoleistungen in GW nach Bundesland, Postleitzahl und NUTS3-Region aggregiert werden. Die Ergeb- nisse werden georeferenziert auf den Kreisebenen verknüpft und mittels Choroplethenkarten visualisiert. Eine Kreuzvalidierung mit Netzbetreiberdaten stellt die Daten- integrität sicher. Ergänzend untersucht die Analyse die räum- liche Beziehung zwischen Windenergie, landwirtschaftlicher Flächennutzung (Thünen-Institut, Destatis) und Bevölkerungs- dichte, um die Landnutzungseffizienz zu untersuchen. Die nationalen Windziele aus dem Netzentwicklungsplan (NEP) und dem EEG 2023 dienen der Projektion bis zum Jahr 2035 und werden über einen szenariobasierten Verteilungsschlüssel auf die Bundesländer heruntergebrochen. Die anschließende Regionalisierung auf Ebene der Landkreise erfolgt anhand der Verteilungsschlüssel. Das gibt die prognostizierte installierte Windleistung je Landkreis an. Der Ansatz folgt der wissen- schaftlichen Methodik [22], dass nationale Ausbauziele durch Landnutzungsindikatoren und Steuerungsmechanismen regio- nalisiert werden können. Die Visualisierungen zeigen deutliche regionale Unterschiede und identifizieren Ausbaupotenziale, insbesondere in Nord- und Nordostdeutschland, während flächenintensive Bundes- länder mit hoher Bevölkerungsdichte geringere Ausbauquoten aufweisen.
Netzbewertung/Simulationen 45 Abbildung 14: Ablaufdiagramm zum gekoppelten Simulationsprozess mit quasistationärer und dynamischer Simulation Beginn der Untersuchung Ende der Untersuchung CGMES- Netzdaten Import von Netzdaten Gegenmaßnahmen technologische Einbindung Entwicklungsszenarien Technologieszenarien Auswertung & Netzanalyse Anlagenmodelle Modellierung Anlagenverhalten ja dynamische Simulation quasistationäre Simulation Szenario nein Schnittstelle zur dyn. Simulation Eingangsdaten quasistationäre Modellierung dynamische Modellierung Quelle: QUIRINUS-Control-Konsortium 3.2.2.1 Import der Netzdaten Im Zuge dieses Projektes wurden die Netzdaten der teilneh- menden Netzbetreiber digitalisiert und in einem einheitlichen Datenformat (CGMES) zur Verfügung gestellt. Die Modelle beinhalten die Topologie des Netzes, die verbauten Anlagen und deren grundlegende elektrische Parameter sowie Informa- tionen über angeschlossene Kundenanlagen. Die Modelle sind bereits rechenfähig und eignen sich für einfache Berechnungen. Um den Detailgrad der bereitgestellten Modelle zu erhöhen, haben wir weitere Parameter der verbauten Anlagen ergänzt. So wurde eine Datenbank für elektrische Komponenten ange- legt. Sie enthält neben den klassischen Leitungsparametern auch Informationen über die Null-System-Impedanz. Mithilfe dieser Datenbank können die bis hierhin einphasig dargestellten Bauteile in dreiphasige Modelle überführt werden – die Voraus- setzung für umfangreichere Simulationsmethoden. 3.2.2.2 Einbindung der Technologieszenarien In einem nächsten Schritt erzeugen wir automatisiert die Szena- rien für die importierten Netze. Die durch das Projekt bereit- gestellten anonymisierten Netze erlauben es bereits, das lokal vorhandene Anlagenaufkommen zu ermitteln. Das beinhaltet Haushaltskunden, private und öffentliche Ladestationen, Wär- mepumpen, Industriekunden, landwirtschaftliche Anlagen und Erzeugungsanlagen. Auf Basis dieser Daten entsteht ein lokales Status-quo-Szenario. Mithilfe der technologischen Entwicklungsszenarien aus Kapitel 3.2.1 werden in einem nächsten Schritt zukünftige Durchdrin- gungsszenarien erstellt. Dies geschieht mit einer zufällig-regel- basierten Verteilung der neuen Anlagen im betrachteten Status- quo-Netz. Durch die Automatisierung dieses Schrittes lassen sich dann flächendeckende Analysen einer großen Anzahl an Verteilnetzen durchführen.
Netzbewertung/Simulationen 46 3.2.2.3 Modellierung Anlagenverhalten Netzdaten und Technologieszenarien bestimmen den Rahmen, in dem unsere Simulationen stattfinden. Sogenannte Zeitreihen bestimmen das Anlagenverhalten. Zeitreihen repräsentieren das Leistungsverhalten von Kundenanlagen im Laufe der Zeit. Unsere Simulation löst diese Zeitreihen phasengenau auf und ergänzt bei Bedarf Blindleistungswerte. Aggregationen aus solchen Zeitreihen für unterschiedliche Anlagen stellt Abbil- dung 15 dar. Unter Haushaltslasten fallen Lasten wie Küchengeräte, Beleuch- tung, Computer, Fernseher und weitere alltagsübliche elekt- rische Verbraucher. Das zeitliche Aufkommen solcher Lasten hängt vom Verhalten und Alltag der Haushaltsbewohner ab. Die hier verwendeten Zeitreihen stammen aus dem Projekt U-Quality [24]. Unsere Simulation generiert die Zeitreihen, die die klassischen Haushaltslasten über die Zeit repräsentieren, über ein Verbrauchermodell, das das Verbraucherverhalten simuliert. Sie fasst unterschiedliche Haushaltslasten zu einer Abbildung 15: Aggregierte Darstellung je 50 Kundenanlagen an einem exemplarischen Tag (1 Zeitschritt = 1 Minute) Legende Private Ladestationen Kommerzielle Lasten 0 400 800 1.200 1.600 Zeitschritte Wärmepumpen g n u t s i e L 250 200 150 100 50 0 g n u t s i e L 16 12 8 4 0 0 400 800 1.200 1.600 0 400 800 1.200 1.600 Zeitschritte Haushaltslasten 16 10 4 -2 14 8 2 g n u t s i e L g n u t s i e L g n u t s i e L 60 40 20 0 -20 0 Zeitschritte Photovoltaik 400 800 1.200 1.600 Zeitschritte -4 0 400 800 1.200 1.600 Zeitschritte Quelle: QUIRINUS-Control-Konsortium Wirkleistung Phase A [kW]Wirkleistung Phase B [kW]Wirkleistung Phase C [kW]Blindleistung Phase A [kVAr]Blindleistung Phase B [kVAr]Blindleistung Phase C [kVAr]Wirkleistung Phase A [kW]Wirkleistung Phase B [kW]Wirkleistung Phase C [kW]Ar]Ar]Ar]
Zeitreihe zusammen. Dann findet eine Verteilung auf drei Phasen und die geräteabhängige Berechnung der Blindleis- tungsbedarfe statt. Alle Haushalte im Netz werden mit einer solchen Zeitreihe ausgestattet. Um die Photovoltaikanlagen darzustellen, wurde auf reale Messzeitreihen zurückgegriffen. Grundsätzlich lassen sich solche Zeitreihen basierend auf geografischen Daten und Wetterzeitreihen erzeugen. Da aber viele Wetterdatenbanken lediglich eine stündliche Auflösung aufweisen, eignen sich diese Daten nicht für die Betrachtung von Spannungsquali- tätsanalysen. Minütliche Messzeitreihen erlauben wiederum auch, Phänomene wie die Verschattung durch Wolkenzüge zu berücksichtigen. Für die Dekarbonisierung des Wärmesektors nimmt die Wärmepumpe aktuell eine zentrale Rolle ein. Der Wegfall fossiler Energieträger verdrängt klassische Heizungssysteme wie Gas- und Ölheizungen vom Markt. Der Wärmesektor wird elektrifiziert – eine zentrale Transformation, die die Simulation abbilden soll. Wie bei Photovoltaikanlagen ist auch das Lastver- halten von Wärmepumpen abhängig von Umwelteinflüssen. So heizen Haushalte bei sinkenden Außentemperaturen häufiger. Darüber hinaus verändert sich aber auch der Wirkungsgrad der Wärmepumpe, wenn sich die Temperatur des Wärmereservoirs verändert. Hinzu kommt ein verhaltensabhängiger Warm- wasserbedarf, den die Wärmepumpe ebenfalls decken muss. Um das Wärmepumpenverhalten zu modellieren, haben wir auf ein internes Modell zurückgegriffen. Dieses ermittelt auf Basis von Temperaturdaten den Wärmebedarf des Gebäudes. Das Verbraucherverhalten wird auf Basis von probabilistischen Annahmen zum Warmwasserbedarf modelliert. Das resultie- rende Modell erzeugt Wärmepumpenzeitreihen mit minütlicher Auflösung. Für unser Elektrofahrzeuge-Modell haben wir ein internes Tool verwendet, das das Verhalten von Haushaltskunden nachbildet. Auf Basis aktueller Mobilitätsdaten [25] und des daraus resul- tierenden Mobilitätsverhaltens, simulieren wir die Nutzung des Elektrofahrzeugs. Als Folge dieser Nutzung entlädt sich die Bat- terie, die dann unterwegs oder am eigenen Haushaltsanschluss nachgeladen werden muss. So lässt sich anhand des Mobilitäts- verhaltens der Ladebedarf bestimmen. Neben dem Mobilitäts- verhalten sind auch Ladekurven verschiedener Fahrzeugtypen und Hersteller hinterlegt und in Fahrzeuggruppen unterteilt. Daraus ermitteln wir die finalen Zeitreihen für Ladestationen. Sie haben eine minütliche Auflösung und stellen das Lastprofil über alle drei Phasen mit Wirk- und Blindleistung ab. Netzbewertung/Simulationen 47 Industrieanlagen und landwirtschaftliche Betriebe haben ein sehr individuelles Lastaufkommen und sind auch nicht im Fokus aktueller Modellentwicklungen. Um deren Anlagenverhalten trotzdem im Niederspannungsnetz abbilden zu können, haben wir deren Verbräuche mithilfe von anonymisierten Messdaten abgebildet. Bewusst haben wir uns gegen die Nutzung von Standardlastprofilen entschieden, da diese keine kurzzeitigen Schwankungen abbilden, die für unsere Untersuchungen von Interesse sind. Diese Zeitreihen haben eine minütliche Auf- lösung und bilden ausschließlich den Wirkleistungsbedarf der Anlagen ab. Die Wirkleistung wurde symmetrisch auf alle Phasen verteilt und der Blindleistungsbedarf abgeschätzt. 3.2.2.4 Quasistationäre Simulation Bevor wir uns der eigentlichen Simulation widmen, erläutern wir die Limitierung der Ergebnisse. Im Zuge der Untersuchun- gen wurden ausgewählte anonymisierte Netzdatensätze ver- wendet. Diese enthalten zwar Informationen zur Netztopologie, lassen jedoch keine genauere Spezifizierung der Netz kunden zu. Darüber hinaus leiten wir das Verhalten der Netzkunden auf Basis von Modellen und damit verbundenen Annahmen ab, weshalb es auch hier zu Abweichungen von der realen Netz- situation kommt. Folglich bilden die hier dargestellten Simula- tionsergebnisse keine realen Situationen ab und sind auch nicht in der Lage, die betrachteten Netze zu bewerten. Gleichwohl lassen sich damit generelle Entwicklungen in den Verteilnetzen identifizieren. So liefert ein Vergleich zwischen zukünftigen und aktuellen Szenarien einen Einblick in die sich verändernde Spannungssituation im Niederspannungsverteilnetz. Alles in allem sollen die hier dargestellten Ergebnisse mögliche Trends in Bezug auf die Spannungsqualität identifizieren. Sie lassen jedoch keine Bewertung der tatsächlichen Netzsituation zu. Die fortschreitende Elektrifizierung führt zu einer höheren Dynamik in den Stromnetzen.
Netzbewertung/Simulationen 48 Eine flächendeckende Auswertung der Simulationsergebnisse stellt Tabelle 6 dar. Über die einzelnen Zeilen der Tabelle werden einzelne Parameter der Simulation ausgewertet. Die Spalten repräsentieren die verschiedenen Simulationsdurchläufe und deren Vergleich. Zunächst lässt sich festhalten, dass die neue Belastungssituation in der Niederspannung auch zu höheren Schwankungen führt. Absenkungen der Versorgungsspannung treten hier verstärkt auf. Durch die saisonalen Unterschiede mit höherem Energieverbrauch in den Wintermonaten ist diese Verstärkung in der betrachteten Januarwoche ein erwartbares Ergebnis. Auch sind die einzelnen Phasen unterschiedlich stark betroffen, was mit der zufälligen Anordnung von einphasigen Verbrauchern zusammenhängt. Darüber hinaus zeigt sich, dass auch die Höhe der Spannungsänderung zwischen den minüt- lichen Zeitschritten deutlich zunimmt. Die Spannungssituation ändert sich im Szenario 2035 deutlich schneller. Die Spannungs- asymmetrie nimmt sowohl im Mittel- als auch im Spitzenwert zu, bleibt aber im unkritischen Bereich. Die Lastsituation im Netz nimmt im Allgemeinen deutlich zu – in Anbetracht der zusätzlichen Kundenanlagen ein erwartbares Ergebnis. In der quasistationären Simulation fließen die Ergebnisse aus den vorherigen Kapiteln zusammen. So führen wir die Simula- tion auf Basis der Netzmodelle, der Szenarien und der Verhal- tensmodelle der Kundenanlagen durch. Die Simulation berech- net auftretende Ströme im Netz und bestimmt die daraus resultierenden Spannungen. Dadurch wird eine Auskunft über die modellierte Netzsituation ermöglicht. Eine quasistationäre Simulation betrachtet den eingeschwun- genen Zustand eines Netzes. Das bedeutet, dass keine zeit- abhängigen Phänomene berücksichtigt werden (siehe Kapitel 3.2.2.5). Das „quasi“ in „quasistationäre“ bezieht sich hierbei auf die Zeitschritte der Simulation. Für jeden Zeitschritt findet eine eigenständige Simulation statt, welche für sich den ein- geschwungenen Systemzustand betrachtet. Mithilfe dieser Simulation lassen sich für einen betrachteten Zeitraum statio- näre Spannungsqualitätsphänomene betrachten: zum Beispiel Spannungsbandverletzungen, Spannungsasymmetrien oder langsame Spannungsänderungen. Die Spezifikationen der hier betrachteten Netze zeigt Tabelle 5. Bei allen Netzen handelt es sich um Niederspannungsnetze, die verschiedene Versorgungsaufgaben erfüllen. Die dargestellten Zukunftsszenarien spiegeln den in Kapitel 3.2.1 beschriebenen Hochlauf der Technologien wider. Tabelle 5: Zusammenfassung der Simulation Szenario Netzknoten Transformator Anzahl Haushalte Anzahl kommerzielle Netzkunden Anzahl Photovoltaik Anzahl Elektrofahrzeuge Anzahl Wärmepumpen Zeitliche Auflösung Betrachtungszeitraum Netz 1 Netz 2 2023 160 2035 160 2023 327 2035 327 630 kVA 630 kVA 400 kVA 400 kVA 34 24 9 0 1 1 min 1 Jahr 34 24 15 26 17 1 min 1 Jahr 163 12 27 0 6 1 min 1 Jahr 163 12 57 127 83 1 min 1 Jahr
Netzbewertung/Simulationen 49 Tabelle 6: Ergebnisse der quasistationären Simulation anhand der exemplarischen anonymisierten Testnetze Maximale Spannung [p. u.] Minimale Spannung A [p. u.] Minimale Spannung B [p. u.] Minimale Spannung C [p. u.] Minimale Spannung [p. u.] Mittlere Spannung [p. u.] Spannungsänderung [p. u./min] Maximale Spannungsasymmetrie [%] Mittlere Spannungsasymmetrie [%] Maximale Leistungsauslastung [%] Mittlere Leistungsauslastung [%] Maximale Transformatorauslastung A [%] Maximale Transformatorauslastung B [%] Maximale Transformatorauslastung C [%] Mittlere Transformatorauslastung [%] 2023 1,00 0,95 0,95 0,95 0,95 0,99 0,01 0,52 0,09 73,59 5,95 55,39 56,19 55,03 33,45 Netz 1 2035 1,01 0,91 0,92 0,94 0,91 0,98 0,04 0,94 0,11 73,61 6,87 63,66 61,82 61,81 34,79 Diff. [%] 0,97 % –4,25 % –3,09 % –0,62 % –3,83 % –0,18 % 469,27 % 82,96 % 33,99 % 0,03 % 15,38 % 14,93 % 10,02 % 12,31 % 4,00 % 2023 1,01 0,95 0,97 0,97 0,95 0,99 0,01 0,90 0,13 43,93 2,93 53,94 45,77 43,02 24,58 Netz 2 2035 1,02 0,92 0,92 0,95 0,92 0,99 0,04 1,41 0,20 88,47 4,88 113,34 107,19 97,37 38,59 Diff. [%] 1,05 % –2,99 % –5,56 % –1,71 % –3,60 % –0,38 % 221,50 % 56,66 % 53,79 % 101,39 % 66,61 % 110,12 % 134,19 % 126,34 % 56,97 % Abbildung 16 stellt die betrachtete Woche noch einmal als Matrix mit Farbskala dar. Die Farbtemperatur gibt dabei Aus- kunft über die Höhe der Spannungsabsenkung, während x-Achse und y-Achse jeweils Wochentag und Uhrzeit abbilden. Vergleicht man die Jahre 2023 und 2035, werden die neuen Lasten schnell in den Morgen- und Abendstunden sichtbar. Dabei verschlechtert sich die Spannungssituation vor allem punktuell. Deutliche Spannungsabsenkungen treten sowohl unter der Woche als auch am Wochenende auf. Folgende Schlussfolgerungen lassen sich aus der quasistationä- ren Simulation ziehen: Als Erstes lässt sich ein steigendes und stärker schwankendes Lastaufkommen in den betrachteten Nie- derspannungsnetzen verzeichnen, was die Spannungshaltung direkt beeinflusst. Darüber hinaus zeigen sich Tendenzen hin zu einer zunehmend asymmetrischen Netzspannung, die durch nicht gleichmäßig verteilte einphasige Lasten hervorgerufen wird. Aber es zeigen sich auch Potenziale für Gegenmaßnah- men: Darunter fallen der klassische Netzausbau, die Installation von regelbaren Ortsnetzstationen, die Steuerung von flexib- len Lasten und weitere Maßnahmen. Für eine abschließende Bewertung fehlen weiterführende Analysen, etwa die flächen- deckende Untersuchung von realen Netzdaten, ein erweiterter Betrachtungszeitraum zur Untersuchung saisonaler Effekte sowie die Betrachtung verschiedener Gegenmaßnahmen. 3.2.2.5 Schnittstelle zur dynamischen Simulation Quasistationäre Simulationen bilden einen oder eine Abfolge eingeschwungener Zustände ab. Das System wird dabei auf Basis einer Grundfrequenz, 50 Hz im deutschen Energieversor- gungssystem, abgebildet. Um Power-Quality-Phänomene wie Oberschwingungen oder kurzzeitige Dips und Swells darzustel- len, sind Zeitbereichsdaten oder Betrachtungen im Frequenzbe- reich notwendig. Während sich Frequenzbereichsbetrachtungen signifikant schneller berechnen lassen, können Übergangseffek- te und direkte Rückwirkungen von Regelungsimplementierun- gen auf diese Zustände nur mit dynamischen Zeitbereichssimu- lationen (EMT- oder DP-Simulationen) abgebildet werden. Weil sie so komplex sind und so viel Rechenzeit benötigen, schließen wir dynamische Simulationen ergänzend an die quasistationären Simulationen an. Um den in der Methodik vorgeschlagenen Zusammenschluss zwischen Leistungsfluss und EMT-Simulationen zu realisie- ren, müssen wir die Schnittstelle definieren. Neben technischen Aspekten geht es dabei vor allem darum, Zeiträume auszu- wählen, die auf einen kritischen Zustand, eine Auswirkung oder das Auftreten von Spannungsqualitätsproblemen im Allgemeinen hinweisen. Diese Auswahl kann auf Basis von Kriterien erfolgen, die wir nachstehend beschreiben.
Netzbewertung/Simulationen 50 Abbildung 16: Matrixdarstellung zu Spannungsabsenkungen Netz 1 – 2023 Netz 2 – 2023 Status quo: Stunden Minimum Status quo: Stunden Minimum Mo 01.01. Di 02.01. Mi 03.01. Do 04.01. Fr 05.01. Sa 06.01. So 07.01. Mo 01.01. Di 02.01. Mi 03.01. Do 04.01. Fr 05.01. Sa 06.01. So 07.01. 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Stunde Netz 1 – 2035 Stunde Netz 2 – 2035 Status quo: Stunden Maximum Status quo: Stunden Maximum 1.10 1.05 1.00 0.95 0.90 ] . u . p [ m V g n u n n a p S 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Stunde Stunde Quelle: QUIRINUS-Control-Konsortium Das erste geeignete Identifikationskriterium sind Grenzüber- schreitungen der Spannungsqualitätsnormen. Dies können beispielsweise Zeiträume sein, in denen die Spannungsbänder überschritten oder unterschritten wurden. Diese restriktive Defi- nition kann um einen umhüllenden Ansatz erweitert werden, sodass auch Zeitbereiche mit erhöhten Werten analysiert werden, die aber noch keine Grenzüberschreitungen bedeuten. Signifikante Änderungen der Last oder Einspeisung führen zu einer hohen Änderungsrate der Spannung und können auch auf Spannungseinbrüche oder -anstiege hinweisen. Parallele, langfristige quasistationäre und EMT-Simulationen eignen sich, um mögliche Zusammenhänge zu identifizieren, die aus Grenz- überschreitungen in den Leistungsflussergebnissen nicht direkt ersichtlich sind. Um dies zu erreichen, müssen die Wechsel- beziehungen auch mithilfe der Simulationen realistisch model- liert werden. Basierend auf den Netzdaten des für die quasistationäre Simu- lation ausgewählten Netzes bauen wir das dynamische Modell für die EMT-Simulation auf. Jeder Netzkomponente hinterliegt ein mathematisches Modell, das die elektrischen Eigenschaften des jeweiligen Betriebsmittels abbildet. Verbraucher werden als dreiphasige R-X-Ersatzschaltungen mit variablem Wirk- und Blindleistungsbezug modelliert. Die Momentanwerte der Leistungsbezüge werden mithilfe der Ergebnisse der quasistationären Simulation und typischer Ver- teilungsfunktionen je Lastart fein interpoliert und pro EMT- Zeitschritt eingeprägt. So lässt sich das Lastverhalten auch bei schnellen Netzereignissen konsistent abbilden. Analog werden Erzeugungsanlagen als dreiphasige Umrichtereinspeisungen mit vorgegebenem Wirk- und Blindleistungssollwert model- liert und ebenfalls pro Zeitschritt aus interpolierten PQ-Zeit- reihen aktualisiert. Des Weiteren werden Oberschwingungs- spannungsphänomene durch neben den Erzeugungsanlagen
Netzbewertung/Simulationen 51 angeschlossenen Störquellenmodellen abgebildet. Alle Lei- tungen werden im Ersatzschaltbild modelliert und mit Wider- stands-, Induktivitäts- und Kapazitätsbelägen nach Hersteller- angaben parametriert. Um Phänomene abweichender Spannungsamplituden (Swells, Dips) zu modellieren, kann (neben der inhärenten Spannungs- beeinflussung durch die Einspeise- und Lastsituation) eine para- metrierbare Spannungsquelle als idealisierte Darstellung des übergeordneten Mittelspannungsnetzes am Anschlusspunkt verwendet werden. 3.2.2.6 Dynamische Simulation Simulationen zur elektromagnetischen Transientenanalyse stellen das Stromnetz im Zeitbereich dar und liefern als Ergeb- nis Momentanwerte. Diese Art von Zeitbereichssimulationen ermöglicht es, Stromqualitätsphänomenen wie transienten Spannungseinbrüchen und -anstiegen oder Oberschwingun- gen sowie deren Wechselwirkungen mit Reglern detailliert zu beobachten, die sonst nur Ersatzmodelle nachbilden können. Gleichzeitig kann neben dem Betriebsverhalten auch das durch die Reglerauslegung und Parametrierung geprägte Systemver- halten genauer abgebildet werden. Quasistationäre Zeitschritt- simulationen würden dagegen nur die stationären Zustände des Regelsystems angemessen modellieren. Der Wandel des Verbrauchs- und Einspeiseverhaltens sowie Änderungen der Systemstruktur und der Netzanschlussbedin- gungen beeinflussen zunehmend das kurzfristige dynamische Verhalten des Netzes. Da wechselrichterbasierte Einspeisungen einen immer größeren Anteil an der Stromerzeugung aus- machen, während herkömmliche Synchrongeneratoren immer seltener werden, braucht es Konzepte, um sicherzustellen, dass Systemdienstleistungen weiterhin in angemessenem Umfang erbracht werden können. So kommen beispielswei- se Funktionen wie die kontinuierliche Spannungsregelung auf immer niedrigeren Spannungsebenen zum Einsatz. Eine solche Funktion kann jedoch bereits innerhalb einer Minute (als hier für quasistationäre Simulationen betrachteter Zeitraum) Spannungsabfällen oder Überspannungen entgegenwirken und somit wahrscheinlich die Spannungsqualität verbessern [8]. Verschiedene andere Konzepte wie der direkte Einsatz von Einphasen-Wechselrichtern [9], der Einfluss von STATCOM oder UPQC und deren Regelungsauslegung [10] [11] zeigen, dass eine Betrachtung im Zeitbereich für die Bewertung der Span- nungsqualität und die Simulation von Maßnahmen wichtig ist. Der Untersuchungsfokus der dynamischen Zeitbereichssimu- lationen liegt darauf, die Effekte von Spannungsqualitätsphä- nomenen im Vergleich zwischen heutigen und zukünftigen Netzsituationen auszuwerten. Im Rahmen des Zubaus umrich- terbasierter Anlagen im Niederspannungsnetz ist sowohl bei der Erzeugung (z. B. PV-Anlagen) als auch bei der Last (z. B. Wärmepumpen, Aufladen von Elektrofahrzeugen) zu erwarten, dass es vermehrt zu Ein- und Rückspeisungen von oberwellen- behafteten Umrichterströmen kommt. 3.2.2.7 Auswertung und Netzanalyse Als Maß für die Spannungsverzerrung wird gemäß DIN EN 50160 die Total Harmonic Distortion (THD) verwendet: Formel 6: Dabei beschreibt U1 den Effektivwert der Grundwellenspan- nung und Uh die Effektivwerte der h-ten Oberschwingungs- spannungen bis zur maximal betrachteten, n-ten Harmonischen (hier: 25). Das betrachtete Netz entspricht dem im Kapitel 3.2.2.4 ana- lysierten Netz 2. Für die Untersuchungen wählen wir exemp- larisch die Netzsituation aus der quasistationären Simulation aus, bei der eine Verletzung des Spannungsgrenzwerts am wahrscheinlichsten ist. Der ausgewählte Fall ist ein besonders sonnenreicher Sonntag zur Mittagszeit, an dem viel Solarener- gie eingespeist und gleichzeitig wenig Strom verbraucht wird. Im ersten Schritt untersuchen wir den Effekt, den systemweit verteilte Störeinprägungen umrichterbasierter Anlagen haben. Dazu werden von allen erzeuger- und lastseitigen Umrichter- anlagen zusätzlich dreiphasige Ströme eingeprägt, die typische Oberschwingungsspektren einer Anlage der Leistungsklasse von Haushaltswechselrichtern abbilden. Diese Anregungen sind als exemplarisch anzusehen. In der Realität variieren sie je nach Anlagenhersteller und -modell. Neben dem Basis- und Zukunftsszenario betrachten wir als Gegenmaßnahme auch das Zukunftsszenario mit exemplarischem Netzausbau. In diesem sind alle Leitungen durch eine Parallelleitung verstärkt. Wir ana- lysieren die Worst-Case-Situation, in der alle Umrichter Ober- schwingungsströme in identischer Phasenlage einprägen. Die THD der einzelnen Phasen werden je Standort gemittelt. Abbildung 17 stellt die THD der Spannung an jedem Netz- standort für die verschiedenen Szenarien dar. Das Zukunfts- szenario zeigt aufgrund zusätzlicher Umrichteranlagen über alle Standorte hinweg eine erhöhte Spannungsverzerrung. Einzelne Standorte, an denen zahlreiche umrichterbasierte Lasten ohne zusätzliche Einspeisung angeschlossen sind, weisen besonders große THD auf. Zusätzlicher Netzausbau reduziert die Impedanz und kann so die Ausbreitung der Störsignale dämpfen und damit das Gesamtniveau der Spannungsverzerrung senken.
Netzbewertung/Simulationen 52 Abbildung 17: Vergleich der Total Harmonic Distortion (THD) der Spannung nach Standort und Szenario bei typischer Umrichterstöreinprägung % n i U D H T Basisszenario Zukunftsszenario Zukunftsszenario inkl. Netzausbau 5 4 3 2 1 0 0 50 100 150 200 250 300 Standortnummer Quelle: QUIRINUS-Control-Konsortium Im nächsten Schritt untersuchen wir, wie sich einzelne Stör- einprägungen im Netz ausbreiten. Da der Mittelspannungs- anschlusspunkt im dynamischen Modell als idealisierte The- venin-Spannungsquelle realisiert ist und Verzerrungen dort kompensiert werden, werden Störeinprägungen an dem vom Mittelspannungsnetz weitest entfernten Knoten eingeprägt. Die Knotendistanz wird durch die Mindestsumme der Leitungs- längen zwischen dem Knoten der Störeinprägung (Referenz- knoten) und jedem anderen Knoten quantifiziert. Um die Ausbreitung von Störsignalen einzelner Einprägungen isoliert zu betrachten, werden keine harmonischen Störungen in Umrichteranlagen abseits von Anlagen am Referenzknoten ein- geprägt. Alle Umrichteranlagen folgen weiterhin den Wirk- und Blindleistungsvorgaben der Zeitreihen des jeweiligen Szenarios aus der quasistationären Simulation. Das Störspektrum am Referenzknoten entspricht der Einspeisung durch 20 Umrichter- anlagen mit einer Bemessungsleistung von je 6 kW (dreiphasig). Als Kompensationsmaßnahme untersuchen wir einen parallel zur Störanlage verschalteten, sogenannten Active Power Filter. Dieser ist mit Synchronous-Reference-Frame-Regelung ausge- führt (siehe Kapitel 3.3). Abbildung 18 stellt die Ergebnisse der dynamischen Simula- tion dar. Man erkennt, dass die Amplituden der Störungen unabhängig vom Szenario linear mit der Distanz zur Störquelle abnehmen. Ferner ist die Distanz bis zum Endwert, an dem die Störspannung abklingt, unabhängig von der ursprünglichen Amplitude der Störung. Lokale, anlagenseitige Gegenmaßnah- men wie Aktivfilter senken die Einflüsse singulärer Störquellen auf benachbarte Knoten deutlich. Die veränderte Last- und Einspeisesituation im Zukunftsszenario beeinflusst in der Simulation die Ausbreitung von Störungen im zukünftigen Netz kaum. Es ist jedoch anzumerken, dass Störungen in der Realität nicht isoliert auftreten und aufgrund der höheren Zahl von umrichterbasierten Anlagen im Zukunfts- szenario ein höheres THD-Basisniveau zu erwarten ist (siehe Abbildung 17). Aus den dynamischen Simulationen lässt sich schlussfolgern, dass die prinzipbedingten Störaussendungen umrichterbasierter Anlagen im zukünftigen Niederspannungsnetz frühzeitig in der Netzplanung berücksichtigt und kompensiert werden sollten, zum Beispiel durch eine geeignete Netzverstärkung. Die negati- ven Einflüsse einzelner, in hohem Maße störender Anlagen auf die Spannungsqualität sind durch anlagenseitige Maßnahmen zu minimieren. 3.2.3 Zustandsschätzung Das folgende Kapitel gibt einer Übersicht über akademische Algorithmen, die im Rahmen des Projektes entstanden sind. Ein wesentlicher Aspekt der Überwachung der Spannungsqualität
Netzbewertung/Simulationen 53 Abbildung 18: Ausbreitung von harmonischen Verzerrungen bei verstärkter Störung einer Einzelanlage nach Szenario und Abstand von Störknoten Basisszenario Zukunftsszenario Zukunftsszenario inkl. Aktivfilter 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 % n i U D H T 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Knotendistanz in km Quelle: QUIRINUS-Control-Konsortium ist die Abschätzung für Orte, die nicht mit Messungen ausge- stattet werden können. Hierfür setzen wir eine Zustandsschät- zung ein. mit Messgeräten ist jedoch technisch kaum umsetzbar und nicht wirtschaftlich. Das Ziel einer Zustandsschätzung ist es, ausgehend von wenigen gemessenen Größen, auf den Zustand des gesamten Netzes zu schließen. Mithilfe vorhandener Messungen berech- nen mathematische Modelle dabei die fehlenden Zustände oder nähern sich diesen an. Klassische mathematische Modelle berechnen den Netzzustand sehr genau, wenn ausreichend Messgeräte vorhanden sind. Traditionelle Algorithmen für die Zustandsschätzung beinhal- ten Methoden wie gewichtete kleinste Quadrate (Weighted Least Squares, WLS), Singularwertzerlegung (Singular Value Decomposition, SVD) oder Kalman-Filter. Diese Algorithmen verwenden iterative Verfahren, um aus den vorhandenen Mess- daten Rückschlüsse auf den Netzstatus zu ziehen. Damit diese Algorithmen hinreichend genaue Ergebnisse liefern, werden Messgeräte an jedem zweiten Knoten im Netz benötigt. Eine flächendeckende Ausstattung eines Großteils der Netzpunkte Zudem sind diese Algorithmen bei variierenden Netzbedingun- gen weniger effizient. Denn in Echtzeitanwendungen können sie kaum oder nur unter Einsatz hoher Rechenkapazitäten genutzt werden. Deswegen benötigen wir Algorithmen, die den Netzzustand auch mit wenigen Messungen annähernd genau bestimmen und dabei schnell und echtzeitfähig Ergeb- nisse liefern. Neuronale Netze bieten einen vielversprechenden daten- gestützten Ansatz dafür. Diese Algorithmen lernen, aus historischen und simulierten Daten komplexe, nichtlineare Zusammenhänge zu erfassen. Abbildung 19 zeigt den Ablauf der Zustandsschätzung im Livesystem mithilfe eines neurona- len Netzes. Hierbei werden die gemessenen Eingangswerte in das KI-Modell gegeben, das auf Basis eines vorangegangenen Trainings schnell den aktuellen Zustand an allen Knoten im Netz abschätzt.
Abbildung 19: Ausgehend von wenigen Messungen der Spannungsqualität in einem Stromnetz werden mithilfe der Zustandsschätzung entsprechende Größen an allen Knoten (rechts) abgeschätzt Spannungsqualitätsmessung GPS-synchronisiert Input Neuronales Netz Hidden Layer Output Wohngebiet Industrie Gewerbe Wohngebiet Industrie Quelle: QUIRINUS-Control-Konsortium Ha1Ha42Ha43Ha0Hb1Hb3Hb4Hb0O1O42O43O0I0Hc1Hc3Hc4Hc0I1I2............
Netzbewertung/Simulationen 55 da ein Modell zur Zustandsschätzung der Spannungsqualität insbesondere für Ausnahmesituationen interessant ist. Be so- nders relevant sind zum Beispiel Zeitpunkte, an denen viele nichtlineare Verbraucher gleichzeitig Spannungsqualitäts- probleme verursachen. Eine wesentliche Erkenntnis ist daher, dass das Modell mit Zuständen trainiert werden sollte, die eine möglichst große Varianz abdecken. Hierfür haben wir im Rahmen des Pro- jekts randomisierte Last- und Erzeugungsprofile anhand von Verteilungsfunktionen erstellt, die in ihrer Gesamtheit viele mögliche Netzzustände möglichst gleichmäßig abdecken. Es ist hierbei unzureichend, einzelne Profile zu randomisieren, da die Summe der Profile entsprechend des zentralen Grenzwertsatzes näherungsweise normalverteilt sein wird. Stattdessen muss eine uniforme Gesamtverteilung erreicht werden, indem Einzelpro- file gezielt ausgewählt werden. Auch bei der Wahl der harmonischen Spektren ist Varianz wich- tig. So erlernt das KI-Modell die Ausbreitung eines Spannungs- qualitätsproblems, statt nur spezifische und feste Muster an einzelnen Knoten zu trainieren. Während eine Zustandsschätzung den Netzzustand anhand eines Zustandsvektors – üblicherweise Ströme oder Spannun- gen der Grundfrequenz – abschätzt, müssen bei einer Span- nungsqualitätszustandsschätzung weitere Größen bestimmt werden. Abbildung 20 zeigt die verschiedenen Methoden und die jeweils abgeschätzten Größen. Um alle Methoden abzudecken und sowohl harmonische Ober- schwingungen, transiente Vorgänge, Spannungseinbrüche als auch die Spannung bei Grundfrequenz abzuschätzen, werden die Eingangswerte nach Fourier transformiert und im Frequenz- bereich betrachtet. Sollen Größen im Zeitbereich abgeschätzt werden, kann anschließend eine Rücktransformation durch- geführt werden. Im Livesystem ist das KI-Modell echtzeitfähig. Es muss jedoch vorher für diesen Anwendungsfall trainiert werden. Diesen Ablauf stellt Abbildung 21 dar. Für das Training wird zunächst ein digitaler Zwilling des Netzes erstellt. Anschließend werden Simulationen verschiedener Netz- zustände durchgeführt. Hierbei hat sich im Laufe des Projektes gezeigt, dass die Simulationen möglichst viele Netzzustände abdecken sollten. Klassischerweise werden für die Simulation von Stromnetzen Lastprofile an Lasten, Erzeugerprofile an Erzeuger und realistische harmonische Spektren an nichtlineare Lasten bzw. Erzeuger gelegt. Trainiert ein KI-Modell mit diesen realistischen Werten, lernt es überproportional die Normalzu- stände abzubilden. Dies ist jedoch nicht unbedingt vorteilhaft, Abbildung 20: Methoden der Spannungsqualitätszustandsschätzung und abgeschätzte Größen Methoden der Spannungsqualitätszustandsschätzung Grundfrequenz- Zustandsschätzung Harmonische Transienten- Zustandsschätzung Zustandsschätzung Spannungseinbruchs- Zustandsschätzung Knotenspannung bei Grundfrequenz Statische Harmonische Zeitvariable Harmonische Detaillierter Zeitverlauf der Transienten Geschätzte Größen Anzahl der Einbrüche Stärke und Dauer Quelle: QUIRINUS-Control-Konsortium
Netzbewertung/Simulationen 56 Abbildung 21: Ablauf der Netzzustandsschätzung Ausgehend von einem Stromnetz wird ein digitaler Zwilling erstellt. Dann wird ein KI-Modell mithilfe simulierter Daten trainiert und validiert, das im Livebetrieb den Zustand der Spannungsqualität ausgehend von wenigen Messungen ermittelt. Training Digitaler Zwilling Simulationen Stromnetz KI-Modell Spannungs- qualitäts- messungen Geschätzter Zustand Quelle: QUIRINUS-Control-Konsortium Sind Simulationsdaten in ausreichender Menge und Qualität erzeugt worden, werden diese für das Training vorverarbeitet. Ein KI-Modell kann prinzipiell Daten verschiedenster Größen verarbeiten. Unterscheiden sich die Größenordnungen aller- dings stark, gewichtet das Modell die Messgröße, die nume- risch größer ist, stärker, da es Fehler anhand der Distanz vom Zielwert minimiert. Dadurch kann es in einem Netz mit Mittel- und Niederspannungsteil zu einer Übergewichtung des höheren Spannungsniveaus kommen. Denn eine Abweichung zwischen 11,6 kV und 11,5 kV ist zum Beispiel größer als die zwischen 230 V und 250 V. Daher ist es essenziell, die Eingangswerte zu standardisieren bzw. zu normalisieren. Bei der Normalisierung werden die Werte auf den Wertebereich zwischen 0 und 1 skaliert, wobei die Verteilung der Werte nicht verändert wird. Weil Spannungszeiger komplexe Größen sind, müssen auch diese in ein für das KI-Modell geeignetes Format gebracht werden. Dafür können sie in Normalform (mit Real- und Imagi- närteil) oder Exponentialform (mit Betrag und Phase) dargestellt werden. Als Eingangswerte des Modells dienen dann entweder Real- und Imaginärteil oder Betrag und Phase. Es hat sich im Laufe des Projekts herausgestellt, dass die Normalform gegen- über der Exponentialform Vorteile aufweist. Ist beispielsweise der Betrag der Spannung einer harmonischen Oberschwin- gung sehr klein, können Messgeräte den Nulldurchgang und somit die Phasenlage bei der gegebenen Frequenz nicht mehr bestimmen. In Exponentialform sorgt dies dafür, dass für kleine Beträge eine hohe Reichweite möglicher Phasenlagen existiert und somit die Verteilung der Daten künstlich vergrößert wird.
Netzbewertung/Simulationen 57 In Normalform ist in diesem Fall sowohl der Real- als auch der Imaginärteil sehr klein und in der Projektion des komplexen Raums nah beieinander. Zudem ist in dieser Projektion der Winkel 359° weit entfernt von dem Winkel 1°, was erneut zu falschen Verteilungen führt. Deswegen wurde für QUIRINUS Control die Normalform als Eingangswert gewählt. Mittlerweile gibt es jedoch einzelne ML-Frameworks, die direkt mit komple- xen Größen arbeiten. Bei zukünftigen Projekten könnten diese näher betrachtet werden. Insgesamt hat sich die korrekte Vor- verarbeitung der Daten als essenziell für den Lernprozess des Modells herausgestellt. Im Allgemeinen bestehen künstliche neuronale Netze aus Neuronen, die untereinander verknüpft und in Schichten ange- ordnet sind. Mehrschichtige neuronale Netze werden als Multi- Layer-Perzeptronen dargestellt, deren schematischer Aufbau Abbildung 22 zeigt. In eine Input-Schicht gehen Eingabewerte ein – in unserem Anwendungsfall zum Beispiel Spannungen an gemessenen Knoten. Diese ist mit versteckten (hidden) Schich- ten verknüpft über Verbindungen mit trainierbaren Gewichten. Letztlich gibt die Ausgabeschicht (Output) die Ausgabewerte aus – bei uns zum Beispiel Spannungen an ungemessenen Knoten. Im sogenannten Forward Pass werden die Eingangs- werte mit den Gewichten multipliziert, ein Bias addiert und die Werte schließlich in eine Aktivierungsfunktion gegeben. Im sogenannten Backward Pass werden die Gewichte so trainiert, dass der Fehler des Modells minimiert wird. Abbildung 22: Schematischer Aufbau eines Multi-Layer-Perzeptrons (links) und Ablauf des Forward Pass (rechts) Multi-Layer-Perzeptron Forward Pass Quelle: QUIRINUS-Control-Konsortium I1I3I0I2H1H0H2O1O3O2W01W00W32...x1x3x0x2Σy0Aktivierungs-funktionbW00W10W20W30
Netzbewertung/Simulationen 58 Abbildung 23: Vergleich von Dense Neural Networks (DNN, links) und Physics-Aware Neural Networks (PANN, rechts). PANN prägen die Stromnetzstruktur in die Verbindungen der Neuronen ein. Multi-Layer-Perzeptron Forward Pass Quelle: QUIRINUS-Control-Konsortium Darüber haben wir verschiedene Modellarchitekturen näher untersucht. In einem Dense Neural Network (DNN) sind zwi- schen den Schichten alle Neuronen miteinander verbunden. Dadurch ist es möglich, dass Eingabe- die Ausgabewerte auch von im Stromnetz weit entfernten Knoten direkt beeinflussen. Im Gegensatz dazu wird in Physics-Aware Neural Networks (PANN) die Stromnetzarchitektur durch die Verbindungen der Neuronen nachgebaut. Damit sich eine Information von einem Knoten zu einem anderen weiterleitet, muss sie min- destens so viele Schichten durchlaufen, wie Knoten auf dem Weg liegen. Einen Vergleich beider Architekturen stellen wir in Abbildung 23 dar. Auch weitere Modellarchitekturen eignen sich für eine Zustandsschätzung, beispielsweise Convolutional Neural Networks (CNN), Graph Neural Networks (GNN) oder Trans- former-Modelle. Es zeigt sich jedoch: Die Auswahl der Modell- architektur ist weniger entscheidend als die zugrundeliegenden Trainingsdaten und deren Vorverarbeitung. Dies unterstreichen auch die folgenden Ergebnisse. OutputInputHidden Layer a-cHc2Hc0Hc5Hc4Hc3Hc1I0O2O0O5O4O3O1Hb2Hb0Hb5Hb4Hb3Hb1Ha2Ha0Ha5Ha4Ha3Ha1Neuronen, die keinen Input erhalten013245Pfad, der den geringsten Diameter bestimmtBeispielnetzwerkHa1Ha3Ha4Ha5Ha0Ha2Hb1Hb3Hb4Hb5Hb0Hb2O1O3O4O5O0O2I0Hc1Hc3Hc4Hc5Hc0Hc2Hidden Layer a-cInputOutput013245Beispielnetzwerk
Netzbewertung/Simulationen 59 Abbildung 24: CIGRE-Niederspannungsverteilnetz bestehend aus Wohngebiet, Industriezweig und Gewerbegebiet, erweitert um drei PV-Anlagen und mit Spannungsqualitätsmessgeräten in Rot markiert Quelle: QUIRINUS-Control-Konsortium Den vorgestellten Ablauf haben wir für mehrere Stromnetze getestet – und schließlich das CIGRE-Niederspannungsver- teilnetz (Abbildung 24) ausgewählt. Es weist eine heterogene Struktur aus Haushalts-, Industrie- und Gewerbeeinheiten und sowohl einen Mittelspannungs- als auch mehrere Nie- derspannungsabschnitte auf. Zudem haben wir das Netz um drei nichtlineare Einspeiser in Form von Photovoltaikanlagen erweitert. Die Position der Spannungsqualitätsmessgeräte wurde im Laufe des Projekts angepasst. Eine genauere Beschreibung der optimalen Platzierung erfolgt in anderen Kapiteln. Insgesamt wurde das Modell mit 35.040 Zuständen (1 Jahr in 15-Minuten- Schritten) und verschiedenen harmonischen Spektren trainiert. Die tatsächliche und abgeschätzte Oberschwingungsgesamt- verzerrung an drei ausgewählten Knoten stellt Abbildung 25 dar. Die einzelnen Zustände werden diskret abgeschätzt und die tatsächlichen Werte sehr genau getroffen. WohngebietGewerbeIndustrie412356789101119181713141516122021222324252627282930313243423839404133343536370PhotovoltaikSpannungsqualitäts-messungMittelspannung 20 kVDelta-Wye Transformer200 mLineare LastElektromobilität
Netzbewertung/Simulationen 60 Abbildung 25: Oberschwingungsgesamtverzerrung (Total Harmonic Distortion, THD) an drei ausgewählten Knoten Der Estimator (Est., orange) bildet die tatsächlichen Werte (True, blau) im Verlauf eines Tages gut ab. Hier wurde ein PANN verwendet. Node 16 True Est. 11:00 12:00 10:00 14:00 Tageszeit [HH:MM] 13:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 Node 25 True Est. 11:00 11:00 12:00 12:00 10:00 14:00 10:00 14:00 Tageszeit [HH:MM] 13:00 13:00 15:00 15:00 16:00 16:00 17:00 17:00 18:00 18:00 19:00 19:00 20:00 20:00 21:00 21:00 22:00 22:00 23:00 23:00 Node 37 True Est. 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 0:00 0:00 1:00 1:00 2:00 2:00 3:00 3:00 4:00 4:00 5:00 5:00 6:00 6:00 7:00 7:00 8:00 8:00 9:00 9:00 1.50 1.25 1.00 0.75 0.50 0.25 0.00 0.15 0.10 0.05 0.00 0.30 0.25 0.20 0.15 0.10 0.05 0.00 ] % [ V D H T ] % [ V D H T ] % [ V D H T 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 Quelle: QUIRINUS-Control-Konsortium 11:00 12:00 10:00 14:00 Tageszeit [HH:MM] 13:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00
Netzbewertung/Simulationen 61 Auch über die Gesamtheit der getesteten Zustände verzeichnen Modelle in verschiedenen Architekturen nur geringe Fehler. Eine kumulative Verteilungsfunktion (Cumulative Distribution Function, CDF), die die Verteilung der gemittelten absoluten Fehler (Mean Absolute Error, MAE) zeigt, ist in Abbildung 26 zu sehen. Sie stellt die Verteilung der Fehler anhand ihrer Größe dar. Eine steile Kurve bedeutet, dass die meisten Fehler eine kleine absolute Größe aufweisen. Abbildung 26: Kumulative Verteilungsfunktion der gemittelten absoluten Fehler Die Steilheit der Kurven zeigt, dass für alle Modelle ein Großteil der Fehler sehr klein ist. Am besten schneidet das PANN ab. CDF of MAE for Different Models ) F D C ( n o i t c n u F n o i t u b i r t s i D e v l i t a u m u C 1.0 0.8 0.6 0.4 0.2 0.0 CNN DNN Gauss 0.02 PANN Gauss 0.02 0.0000 0.0025 0.0050 0.0075 0.0100 0.0125 0.0150 0.0175 Mean Absolute Error (MAE) Quelle: QUIRINUS-Control-Konsortium
Netzbewertung/Simulationen 62 Abbildung 27: Abschätzungen eines diskreten Zustandes mehrerer Modelle Alle Modelle treffen die Zielwerte sehr gut. Erneut schneidet das PANN am besten ab. In Blau sind die Eingangswerte der Schätzung dargestellt und als rote Kreise die tatsächlichen Zielwerte. True value Prediction (CNN) Prediction (DNN Gauss 0.02) Prediction (PANN Gauss 0.02) Input ) V ( e d u t i n g a m s g n u n n a p S 12 10 8 6 4 2 0 0 10 20 Netzknotenzahl 30 40 Quelle: QUIRINUS-Control-Konsortium Die tatsächlichen Abschätzungen eines diskreten Zustandes im Vergleich verschiedener Modelle stellt Abbildung 27 für die siebte Oberwelle dar. Alle Modelle nähern Zielwerte sehr gut an, wobei das PANN leicht bessere Ergebnisse erzielt. Da es sich beim CIGRE-Netz nur um ein synthetisches Test- netz handelt, haben wir sowohl die Trainingswerte als auch die Werte zur Validierung des Modells mithilfe von Simulationen generiert. Um zu verifizieren, dass es auch in echten Netzen anwendbar ist, haben wir ebenfalls ein Modell für ein echtes Stromnetz entwickelt. Hierbei wird ein Labornetz der Techni- schen Hochschule Köln zunächst digitalisiert und dann verschie- dene theoretische Schaltzustände simuliert. Schließlich wird das Modell mit tatsächlich gemessenen Daten getestet. Das Netzmodell ist in Abbildung 28 dargestellt.
Netzbewertung/Simulationen 63 Abbildung 28: Microgrid an der TH Köln, bestehend aus sechs steuerbaren, bidirektionalen Wechselrichtern an den Knoten 9 bis 14, die variable Haushaltslasten und -erzeuger darstellen und auf der Gleichstromseite mit einem Batteriepool verbunden sind Quelle: QUIRINUS-Control-Konsortium Bei der Übertragung von rein simulierten auf tatsächliche Netze hat das Projekt einige weitere wichtige Erkenntnisse erbracht. So muss darauf geachtet werden, dass die Messgeräte zeit- synchron Daten aufnehmen. Vor allem bei höheren harmoni- schen Oberschwingungen wirken sich kleine Zeitunterschiede signifikant auf die gemessenen Werte und Phasenlagen aus. Ebenso ist es wichtig, dass die Messgeräte bei der Ermittlung von Werten ähnliche oder besser gleiche Zeitintervalle betrach- ten. Labortests haben gezeigt, dass der Ansatz echtzeitfähig ist und Schaltzustände einigermaßen präzise ermittelt. Abbildung 29 zeigt die Abschätzung der THD. Vorgelagertes Netz021357468912PQM2PQM4PQM3PQM113141011PQ-MessungSteuerbarerWechselrichterSchalterSchalterLtE556mLtE673mLtE333mLtE443mLtE120mLtE225mLtH110mLtH417mLtH521mLtH625mLtH212mLtH314mSchalterLastEinspeisung
Netzbewertung/Simulationen 64 Abbildung 29: Abschätzung und tatsächliche Werte der Oberschwingungsgesamtverzerrung (THD) im echten Netz (Microgrid) Die harmonischen Störungen des Netzes werden gut angenähert, ingesamt jedoch leicht überschätzt. 2.0 Bus 0 Bus 0 – True Bus 0 – Est. ] % [ V D H 1.8 T 0 10 20 30 Datenpunkte 40 Bus 7 50 60 70 Bus 7 – True Bus 7 – Est. 0 10 20 30 Datenpunkte 40 Bus 6 50 60 70 Bus 6 – True Bus 6 – Est. 2.0 1.8 2.0 1.8 1.6 ] % [ V D H T ] % [ V D H T 0 10 20 30 Datenpunkte 40 50 60 70 Quelle: QUIRINUS-Control-Konsortium Zusammenfassend konnten wir zeigen: Eine Spannungsquali- tätszustandsschätzung ist in Echtzeit ausgehend von wenigen Messungen möglich. Eine wesentliche Rolle bei der Modeller- stellung spielt die vorherige Simulation qualitativ hochwertiger Daten. Deren Verteilung und Vorverarbeitung sollte gezielt auf das Training von KI-Modellen abgestimmt werden. Wir haben festgestellt, dass die Abbildung physikalischer Gegebenhei- ten Vorteile für das Training der Modelle haben kann. Neben der Abbildung der Architektur gilt es in weiterer Forschung zu untersuchen, ob sich die Modelle weiter verbessern, wenn physikalische Gleichungen direkt in den Lernprozess eingehen. Zudem könnte weiter untersucht und verbessert werden, wie sich die Modelle aus dem Labor in die tatsächlichen Netze übertragen lassen.
3.3 Gegenmaßnahmen Aufgrund der teils stark unterschiedlichen Teilaspekte, die eine Abweichung der Spannungsqualität ausmachen können, lassen sich auch mögliche Gegenmaßnahmen in unterschied- liche Kategorien einordnen. Neben der Wirkung auf bestimmte Spannungsqualitätsphänomene unterscheidet man üblicher- weise zwischen netzseitigen und kundenseitigen Maßnahmen. Diese Aufteilung ist allerdings nicht trennscharf: So können beispielsweise STATCOM-Anlagen – also Systeme, die Strom- netze durch extrem schnelle Spannungsregelung stabilisie- ren – sowohl als Netzbetreiber-Assets als auch im Kundennetz installiert werden. Im Folgenden beschreiben wir daher allgemein Maßnahmen zur Sicherung oder Verbesserung der Netzbetreiber-Assets, netzplanerische und netzbetriebliche Maßnahmen sowie kunden- und anlagenseitige Einflussmöglichkeiten. Abschlie- ßend skizzieren wir ein Konzept zur Betrachtung netzseitiger Gegenmaßnahmen im Betriebsplanungsprozess. 3.3.1 Regelbare Ortsnetztransformatoren (rONT) Regelbare Ortsnetztransformatoren (rONT) erlauben eine kundennahe Spannungsregelung mit dem Ziel, die Spannung zu erhalten. Im Gegensatz zu konventionellen Ortsnetztrans- formatoren sind rONT um ein unter Last umschaltbares Stell- glied (OLTC, On-Load Tap Changer) erweitert. Die Transforma- torstufung lässt sich abhängig vom Netzzustand dynamisch und unter Last anpassen. So kann die Einhaltung der Spannungs- bänder auf Mittelspannungs- und Niederspannungsseite ent- koppelt sichergestellt werden. Dank dieser Entkopplung kann das volle Spannungsband in beiden Spannungsebenen voll ausgenutzt werden. Abbildung 30 zeigt die Ausnutzung des Spannungsbandes bei zunehmender rONT-Durchdringung. Netzbewertung/Simulationen 65 3.3.2 Passive Filter Passive Filter sind Verschaltungen passiver Bauelemente, zum Beispiel Widerstände, Kapazitäten und Induktivitäten, die harmonische Verzerrungen reduzieren, indem sie Schwingkreis- resonanzen ausnutzen. Passive Filter werden entweder parallel zu nichtlinearen Verbrauchern (PPF, Parallel Passive Filter) oder seriell zwischen Netz und Verbraucher (SPF, Series Passive Filter) geschaltet. PPF bestehen aus L-C-Reihenschwingkreisen, deren Resonanzfrequenzen auf definierte Oberschwingungs- frequenzen abgestimmt werden, sodass die effektive Impedanz in Bezug auf den jeweiligen Oberschwingungsstrom niedrig ist und die Ströme abgeleitet werden. SPF fungieren nach dem gegenteiligen Prinzip: Sie sind auf serielle, hohe Impedanzen in den Frequenzen der zu reduzierenden Oberschwingungen abgestimmt, sodass Oberschwingungsströme blockiert werden, ohne die Grundwelle signifikant zu beeinflussen. Passive Filter sind aufgrund der Beschränkung auf passive Bauelemente vergleichsweise günstig und dämpfen gezielt bestimmte Harmonische, indem sie auf definierte Frequenzen abgestimmt werden. Zentrale Nachteile solcher Filter sind: Die Filterwirkung ist abhängig von der Netzimpedanz und sie lassen sich nicht an veränderliche Oberschwingungsspektren anpassen [27]. 3.3.3 Aktive Filter Aktive Filter (Active Power Filter, APF) kommen zum Ein- satz, um Oberschwingungsanteile in Strom und Spannung zu reduzieren. Im Gegensatz zu passiven Filtern, die durch auf definierte Frequenzen abgestimmte Impedanzen Ober- schwingungsphänomene reduzieren, prägen aktive Filter aktiv Kompensationsströme oder -spannungen ein. Die Filter messen Oberschwingungsprofile und prägen die im Signal vorhandenen Oberschwingungsströme mit entgegengesetzter Phase ein. In Summe eliminieren sie so die harmonischen Anteile. Um Oberschwingungsströme zu reduzieren, werden aktive Filter parallel zur nichtlinearen Last verschaltet. Seriell verschal- tete Filter dagegen reduzieren Oberschwingungsspannungen. Die Regelung des aktiven Filters erfolgt mithilfe der Syn- chronous-Reference-Frame-Theorie (SRF-Theorie) oder der Instantaneous-p-q-Theorie. Direkte Messung der Last- ströme/-spannungen und Isolation der Oberschwingungen durch schnelle Fourier-Transformation (Fast Fourier Transform, FFT) ist grundsätzlich möglich. Sie reagiert jedoch langsamer auf schnelle Änderungen des Oberschwingungsspektrums, da mehrere Netzperioden ausgewertet werden müssen. Diese Methode ist analytisch genau, aber für Echtzeitanwendungen ungeeignet.
Netzbewertung/Simulationen 66 Abbildung 30: Spannungsband bei zunehmender rONT-Durchdringung A) Einspeisefall +10 % Un S M / S H g n u p p o k t n E l Regelbandbreite Konventionelle Aufteilung des Spannungsbandes Lastfall –10 % Un HS HS MS MS MS MS NS NS Einspeisefall Einspeisefall +10 % Un Regelbandbreite S M / S H g n u p p o k t n E l S N / S M g n u p p o k t n E l Regelbandbreite rONT Lastfall Lastfall Einspeisefall Einspeisefall –10 % Un +10 % Un Regelbandbreite S M / S H g n u p p o k t n E l S N / S M g n u p p o k t n E l Regelbandbreite rONT Lastfall Lastfall Einspeisefall Einspeisefall –10 % Un +10 % Un B) C) D) Aufteilung des Spannungsbandes bei punktuellem rONT-Einsatz in der Niederspannung Aufteilung des Spannungsbandes bei strangweisem rONT-Einsatz in der Mittelspannung S M / S H g n u p p o k t n E l Regelbandbreite S N / S M g n u p p o k t n E l Regelbandbreite rONT Aufteilung des Spannungsbandes bei flächendeckendem rONT-Einsatz in der Mittelspannung Lastfall Lastfall –10 % Un Quelle: QUIRINUS-Control-Konsortium, basierend auf [26]
Die SRF-Methode misst die oberschwingungsbehafteten Lastströme/-spannungen und überführt sie per Clarke-Trans- formation und Park-Transformation in ein statisches dq0- Koordinatensystem. Im dq0-Koordinatensystem erscheint die Grundschwingung als DC-Größe, alle Oberschwingungsströme als AC-Größen. Tiefpassfilter filtern Harmonische, das resultie- rende DC-Signal wird vom Gesamtsignal subtrahiert. Die resul- tierenden Ströme werden per inverser Clarke-Transformation und Park-Transformation in das ursprüngliche abc-Koordinaten- system rücktransformiert und mit inverser Phase eingespeist. Im Falle der Instantaneous-p-q-Theorie werden die gemessenen Eingangssignale per Clarke-Transformation in ein rotierendes αβ0-Koordinatensystem überführt. Aus den Strömen und Spannungen ergeben sich Wirk- und Blindleistung, die aus einem Gleichanteil (Grundschwingung) und Wechselanteilen (Harmonische) bestehen: Formel 7: Analog zur SRF-Methode eliminieren Tiefpassfilter die Har- monischen. Die Differenz zwischen gemessener Leistung und Leistungsgleichanteil liefert die Oberschwingungsgrößen. Diese werden nach inverser Clarke-Transformation und Phaseninver- sion eingespeist [28], [29]. 3.3.4 Hybride Filter Hybride Filter kombinieren die Eigenschaften passiver und akti- ver Filter. Während passive Filter durch ihre einfache Struktur, Robustheit und Wirtschaftlichkeit überzeugen, ermöglichen aktive Filter eine dynamische Anpassung an veränderliche Ober- schwingungsspektren – und so eine gezielte Kompensation über einen breiteren Frequenzbereich. Der grundlegende Aufbau eines hybriden Filters besteht aus einem passiven Filterzweig und einem aktiven Filtermodul, die typischerweise parallel zur nichtlinearen Last geschaltet werden. Der passive Teil ist dabei auf bestimmte niederfrequente Ober- schwingungen (z. B. 5., 7. oder 11. Harmonische) abgestimmt und übernimmt die Hauptkompensation dieser dominanten Frequenzanteile. Der aktive Filter kompensiert die verbleiben- den, höherfrequenten Oberschwingungen sowie dynamisch auftretende Verzerrungen, die entstehen, wenn sich Netzimpe- danz oder Last verändern. Diese Aufgabenteilung entlastet den aktiven Filter, da dieser nur einen Bruchteil der gesamten Oberschwingungsleistung verarbeiten muss. Dadurch kann dessen Nennleistung deutlich reduziert werden, was den Energieverbrauch und die Kosten Netzbewertung/Simulationen 67 senkt. Gleichzeitig wird die Wirksamkeit des passiven Filters stabilisiert, da der aktive Teil unerwünschte Resonanzeffekte kompensiert und Wechselwirkungen zwischen Filter und Netz- impedanz minimiert. Hybride Filter können je nach Anwendung unterschiedlich aus- geführt sein. Eine häufige Variante ist der parallel-hybride Filter. Dabei ist der passive L-C-Filter parallel zur Last und der aktive Filter parallel zum Netz geschaltet. In dieser Konfiguration dämpft der passive Zweig selektiv die dominanten Harmoni- schen, während der aktive Zweig die restlichen harmonischen Ströme kompensiert. Alternativ existieren serien-hybride Filter, bei denen ein aktiver Filter in Serie mit einem passiven Netzfilter geschaltet ist, um sowohl Strom- als auch Spannungsverzerrun- gen zu reduzieren. Die Kombination beider Filterarten führt zu einer hohen Filter- dynamik bei gleichzeitig geringem Energieaufwand. Hybride Filter sind somit eine effiziente Lösung zur Oberschwingungs- reduktion, insbesondere bei variablen Lastprofilen. 3.3.5 Unified Power Quality Conditioner (UPQC) Unified Power Quality Conditioners (UPQC) kombinieren paral- lele Aktivfilter zur Strom- und serielle Aktivfilter zur Spannungs- oberwellenreduktion. Beide Aktivfilter werden DC-seitig über eine gemeinsame Kapazität gekoppelt. Durch die Kombination paralleler und aktiver Filter sind UPQC in der Lage, gleichzeitig Spannungs- und Stromqualitätsprobleme zu behandeln. Der serielle Teil arbeitet als Spannungsregler, ähnlich zu einem Dynamic Voltage Restorer (DVR), der parallele Teil fungiert als Strom-/Oberschwingungsfilter. Dadurch sind UPQC imstande, die meisten Power-Quality-Phänomene in einem Gerät zu kom- pensieren. Der serielle Aktivfilter gleicht vom Sollwert abwei- chende Spannungsamplituden aus, indem er direkt (Gegen-) Spannung injiziert. Kurzzeitige Unterbrechungen können im Umfang der im DC-Zwischenkreis gespeicherten Energie überbrückt werden. Flickereffekte reduzieren UPQC, indem sie Spannungsschwankungen glätten (serieller Aktivfilter) und Laststromschwankungen kompensieren (paralleler Filter). Ober- schwingungseffekte werden durch die Filterbasisfunktionalität in Spannung (seriell) und Strom (parallel) verringert. Der serielle Filter behandelt Spannungsunsymmetrien durch Gegen- und Nullsysteminjektionen. 3.3.6 Static Var Compensator (SVC) Static Var Compensators (SVC) sind leistungselektronische Anlagen zur Blindleistungskompensation. Der SVC besteht aus Thyristor-gesteuerten Reaktanzen (TCR) und Thyristor-geschal- teten Kondensatoren (TSC). Zusätzlich zu diesen leistungselekt- ronischen Elementen können mechanisch geschaltete Konden- sator- und Reaktorbänke sowie harmonische Filter eingesetzt werden. Durch die schnelle Anpassung der Blindleistung stabilisiert der SVC die Spannung und reduziert Flicker. Zudem beeinflusst er das Oberschwingungsspektrum sowohl positiv als auch negativ – abhängig von der genauen Konfiguration und der gegebenenfalls verbauten Filterkreise.
Netzbewertung/Simulationen 68 SVC-Systeme kommen überwiegend in der Mittel- und Hoch- spannungsebene zum Einsatz, insbesondere in Industriebetrie- ben mit stark schwankenden Lasten oder in Verteilnetzen, um die Spannung zu unterstützen. In der Niederspannung werden aufgrund des höheren Aufwands in der Regel einfachere Blind- leistungskompensationsanlagen verwendet, zum Beispiel auto- matische Kondensatorbänke oder aktive Filter. DVR werden seriell durch Koppeltransformatoren zwischen Netz und Last verschaltet. Ein als Voltage Source Converter ausgeführter Wechselrichter gleicht Spannungsabweichungen in allen Phasen aus. Die DC-Seite des Wechselrichters wird entweder aus einem externen DC-Energiespeicher (Supercaps, Batteriespeicher, …) oder über einen Gleichrichter direkt aus dem Netz gespeist. 3.3.7 Static Synchronous Compensator (STATCOM) Der Static Synchronous Compensator (STATCOM) besteht aus abschaltbaren Halbleiterelementen wie dem Insulated- Gate Bipolar Transistor (IGBT). Somit ist er als selbstgeführte Kompensationsanlage zu charakterisieren, welche als Voltage Source Converter ausgeführt wird. Dieses Element generiert die benötigte Blindleistung stufenlos aus der leistungselektronischen Ansteuerung und benötigt damit keine weiteren Kondensatoren und Induktivitäten. Es braucht lediglich eine geringe Kapazität, um die DC-Spannung aufrechtzuerhalten. Gegenüber dem SVC ist an diesem Element vorteilhaft, dass es wenig Platz benötigt und deutlich weniger Oberschwingungen einspeist. In der Verteilnetzebene werden häufig DSTATCOM (Distributed STATCOM) mit Fokus auf Spannungsqualitätsphänomene als Kundenanlage eingesetzt. Sie unterscheiden sich durch ver- einfachte Topologien (2/3-Level VSC vs. Multilevel VSC) und höhere Schaltfrequenzen (Fokus auf Verringerung von Ober- schwingungsspannungen vs. Verlustminimierung). 3.3.8 Dynamische Spannungskompensation (DVR) Dynamische Spannungskompensationsanlagen (Dynamic Voltage Restorer, DVR) kompensieren kurzzeitige Spannungs- einbrüche. Der Fokus liegt dabei darauf, einzelne Abnehmer zu schützen, anstatt die Spannungsqualität im gesamten Verteil- netz zu sichern. Mit Energiespeichern sind DVR-Anlagen im Gegensatz zu gewöhnlichen STATCOM in der Lage, neben der Spannungs- stützung durch Blindleistungsregelung auch kurzzeitig Wirk- leistung einzuspeisen. Energiespeicher in DVR sind typischer- weise auf Fehlerdauern von wenigen hundert Millisekunden ausgelegt. 3.3.9 Netzplanerische und netzbetriebliche Maßnahmen Neben den explizit umsetzbaren Maßnahmen gibt es weitere netzplanerische und netzbetriebliche Methoden, um eine hohe Spannungsqualität zu sichern. Teilweise sind dies Mitnahme- effekte, die aus Maßnahmen mit anderem Ziel erwachsen: zum Beispiel eine hohe Zuverlässigkeit zu erreichen oder die Versor- gungsaufgabe sicherzustellen. Netzausbaumaßnahmen beeinflussen die Spannungsqualität signifikant und meist positiv. Viele Probleme der Spannungs- qualität resultieren aus hohen Leitungsimpedanzen, asym- metrischen Lasteinspeisesituationen und einer zu geringen Netzsteifigkeit bzw. Netzstärke. Leitungsverstärkungen und zusätzliche Ortsnetzstationen reduzieren somit nicht nur Ver- luste, sondern wirken auch gegen Spannungsabweichungen. Negative Auswirkungen hat Netzausbau jedoch, wenn sich dadurch überlagerte Qualitätsprobleme (z. B. Spannungsein- brüche) stärker übertragen oder Resonanzstellen ungünstig ver- schieben. Netzplanerisch können Kunden, die möglicherweise Tabelle 7: Gegenmaßnahmen Maßnahme rONT Passiver Filter Aktiver Filter Hybrider Filter UPQC SVC STATCOM Netz/ Anlage Netz Anlage Anlage Anlage Anlage Netz Netz DVR Anlage Spannungs- höhe Flicker Un - symmetrie Ober- wellen Einbrüche Unter- brechungen RVC Transiente ++ / / / ++ + ++ ++ + + ++ ++ ++ + ++ ++ / / + + ++ / + ++ / ++ ++ ++ ++ - + + - / / / ++ / + ++ / / / / + / / + - - / - ++ - ++ ++ - - / - + - + +
Netzbewertung/Simulationen 69 die Spannungsqualität beeinflussen, und von negativen Aus- wirkungen betroffene Kunden elektrisch voneinander getrennt werden – unter teils erheblichen zusätzlichen Aufwänden. Ein Umklemmen von einphasigen Anlagen auf Basis von Unsymmetriemessungen kann diese stark reduzieren. Neben Betriebsmitteln zum Blindleistungsmanagement können auch über TAR geforderte Blindleistungsregelungen der angeschlos- senen Anlagen die Spannungsqualität positiv beeinflussen. Zusätzlich zu betrieblichen Maßnahmen auf Basis spezieller Assets wie rONTs oder Strangreglern, tragen Umschaltmaß- nahmen und situationsabhängige Optimierungen der Topo- logie bei einer entsprechenden netztechnischen Voraussetzung zur Spannungsstabilität bei. Voraussetzung dafür sind ein passendes Schutzkonzept, Schaltstellen und ausreichende Reservekapazität. 3.3.10 Kundenseitige Maßnahmen Auf anlagentechnischer Seite existieren weitere geeignete Maßnahmen. Diese liegen nicht im Einflussbereich des Ver- teilnetzbetreibers. Nach Anschlussbedingungen und üblicher Normbedingung ist der Kunde verpflichtet, festgelegte maxima- le Störpegel einzuhalten. Sendet der Netzkunde eine Störung aus, können daher weitere Maßnahmen erheblichen positiven Einfluss nehmen. Dazu gehören zum Beispiel eine Koordination interner Schaltvorgänge oder Softstarter und Frequenzumrich- ter beim Motorstart. Ziel ist es, Netzzustände rechtzeitig zu bewerten, um negative Entwicklungen zu vermeiden. kurzfristige Preis- und Fahrplanänderungen sowie bei dar- gebotsabhängigen Erzeugungsanlagen die meteorologischen Vorhersagen. Diese Einflussgrößen sind selbst bei kurzen Vor- laufzeiten von Minuten bis wenigen Stunden mit erheblichen Unsicherheiten behaftet [30]. Zusätzlich zeigen Analysen, dass bei einem im Mittel- und Niederspannungsnetz üblichen niedri- gen Aggregationslevel Prognosefehler deutlich zunehmen. Die Höhe dieser Prognosefehler hängt von zahlreichen Merkmalen ab (u. a. Netzstruktur, Einspeise-/Lastmix, Wetterlage, Tages- zeit, Kundencluster). Dadurch ist der erwartete Systemzustand situationsabhängig von erheblicher Unsicherheit geprägt. Für belastbare Entscheidungen ist deshalb nicht nur eine „beste Schätzung“ erforderlich. Stattdessen muss diese Unsicherheit gezielt berücksichtigt werden, idealerweise in Form einer pro- babilistischen Beschreibung des Systemzustands. 3.3.11 Konzeptionelle Umsetzung netzseitiger Gegen- maßnahmen im Betriebsplanungsprozess Um zukünftig Probleme der Versorgungsqualität (z. B. Span- nungsbandverletzungen, Überlastungen, unzulässige Blindleis- tungsflüsse oder Spannungsqualitätsverletzungen) frühzeitig vorherzusagen und präventive Gegenmaßnahmen zu ergreifen, hat das Projekt die Möglichkeit einer strukturierten Betriebs- planung auf Verteilnetzebene erarbeitet. Angelehnt ist das Konzept an etablierte Vorgehensweisen der Übertragungsnetz- betreiber. Kernidee ist, bereits vor dem eigentlichen Betrieb erwartete Netzengpässe oder signifikante Spannungsquali- tätseinschränkungen zu identifizieren und gezielt netzseitige Maßnahmen einzuplanen – und nicht erst reaktiv im Störungs- oder Engpassfall oder zeitlich deutlich nachgelagert auf Basis vergangener Störungen. Eine solche Betriebsplanung setzt jedoch voraus, dass Netzmodelle in geeigneter Qualität, Aktua- lität und Granularität verfügbar sind. Im Rahmen dieses Projekts haben wir dafür im Rheinischen Revier als Modellregion eine entsprechende Grundlage geschaffen. Das Ergebnis: Lastfluss-, Engpass- und Spannungsqualitätsanalysen können auf einem konsistenten Modell einschließlich geplanter Schaltzustände aufgesetzt werden. Die Herausforderung besteht darin, dass die zukünftige Netznutzung im Verteilnetz stark von Faktoren abhängt, die nur begrenzt sicher prognostizierbar sind: Kundenverhalten, Daher beginnt der Betriebsplanungsprozess mit einer Systemzu- standsprognose. Ziel ist es, alle relevanten Knotenspannungen und Zweigströme im Netz zu bestimmen, um daraus poten- zielle Verletzungen betrieblicher Randbedingungen abzuleiten. Erweitert werden könnte ein solcher Prozess um eine Prognose der Spannungsqualität, beispielsweise über eine Nachbildung und Simulation von betriebsabhängigen Störaussendungen. Grundlage sind (i) Fahrplananmeldungen planbarer Anlagen bzw. Prognosen für alle weiteren Netznutzer (auch bezüglich der Störaussendungen), (ii) das Netzmodell und (iii) der geplante Schaltzustand. Aus diesen Eingangsdaten leitet sich eine geeig- nete Beschreibung des Systemzustands ab, typischerweise über Lastflussrechnungen und bei probabilistischer Betrachtung über Szenarien, Verteilungen oder Bandbreitenanalysen. Auf dieser Basis können drohende Engpässe identifiziert und nach Kritikali- tät priorisiert werden, etwa nach Ausmaß, Eintrittswahrschein- lichkeit und zeitlicher Nähe. Ergibt die Systemzustandsprognose Engpassrisiken, werden im zweiten Schritt die netzseitigen Gegenmaßnahmen ausgewählt und geplant. Dabei sind grundsätzlich zwei Maßnahmenklas- sen zu unterscheiden. Erstens stehen klassische netzbezogene Maßnahmen zur Verfügung, etwa Topologieanpassungen, Regelungen von Transformatoren sowie der Einsatz bzw. die Sollwertanpassung von Kompensationsanlagen (z. B. Konden- satorbänke, Drosseln, STATCOM, aktive Filtersysteme). Diese
Netzbewertung/Simulationen 70 Maßnahmen wirken unmittelbar auf Spannungen und Ströme und sind daher zentrale Stellhebel der „netzseitigen“ Betriebs- planung. Zweitens bestehen rechtlich geregelte netznutzungs- bezogene Eingriffsmöglichkeiten, insbesondere Blindleistungs- und Wirkleistungsregelungen von Anlagen nach §§ 13, 13a EnWG n. F. Diese können je nach Situation notwendig sein, wenn rein netzbezogene Maßnahmen nicht ausreichen oder nicht rechtzeitig wirksam werden. Die Auswahl der Maßnahmen erfolgt aus allen zum jeweiligen Zeitpunkt verfügbaren Optionen. Sie berücksichtigt die zu erwartenden Kosten (inkl. operativer Aufwände, möglicher Entschädigungen, Folgewirkungen), die netztechnische Wirk- samkeit, die Robustheit gegenüber Prognoseunsicherheiten sowie die erforderlichen Vorlaufzeiten. Besonders wichtig sind dabei auch Vorlaufzeiten für die netzbetreiberübergreifende Koordination: Neben der Entscheidung über selbst durchzu- führende Anpassungen ist zu beurteilen, ob Anforderungen anderer Netzbetreiber umgesetzt werden können und welche Wechselwirkungen zwischen Maßnahmen bestehen. Zudem müssen bereits geplante oder angeforderte Maßnahmen aus vorherigen Prozessschritten konsistent fortgeführt werden, um widersprüchliche oder ineffektive Maßnahmenkombinationen zu vermeiden. Als Ergebnis entsteht eine optimierte Auswahl aus allen verfüg- baren Anpassungsmaßnahmen. Nachgelagerte Berechnungen bestimmen die verbleibenden Potenziale, die noch zur Verfü- gung stehen, nachdem die notwendigen eigenen und bereits extern angeforderten Maßnahmen umgesetzt wurden. Damit lässt sich bewerten, wie resilient der geplante Betrieb gegen- über weiteren Abweichungen ist und ob zusätzliche Reserven (z. B. weitere Schaltoptionen oder Regelbandbreiten) vorgehal- ten werden sollten. Zeitlich sollte sich der Prozess an einer maximalen Vorlaufzeit von 14:30 Uhr am Vortag orientieren. Denn mit dem Markt- ergebnis im Day-Ahead-Markt liegen erstmals verlässliche Fahrpläne vor. Auf dieser Grundlage erfolgt eine Planung mit deutlich geringerer Unsicherheit. Gleichzeitig bleibt genügend Zeit, um koordinations- und vorlaufzeitkritische Maßnahmen einzuplanen und – falls erforderlich – iterativ nachzuschärfen, wenn sich Prognosen „intraday“ weiter konkretisieren. So ent- steht ein wirksames Instrument, um die Versorgungsqualität proaktiv zu sichern. Zusammenfassung • Power-Quality-Messdaten können – aufbauend auf kon- sistenten Mess- und Datenkonzepten – systematisch in belastbare Aussagen für Netzbewertung und Simulation überführt werden. • Langzeitstatistiken aus mehrjährigen Messkampagnen ermöglichen es, die Häufigkeit von PQ-Ereignissen ein- zuordnen, während Einzelanalysen normabweichender Ereignisse das physikalische Verständnis vertiefen. • Reale PQ-Datensätze sind für datengetriebene Methoden aufgrund von geringer Verfügbarkeit nur eingeschränkt nutzbar. Die synthetische, realitätsnahe Datengenerie- rung ist daher ein zentraler Baustein für das KI-Training. • Simulationen sind das Schlüsselwerkzeug, um heuti- ge und zukünftige Spannungsqualitätsphänomene zu bewerten. Sie erlauben Untersuchungen, die im Realnetz nur eingeschränkt möglich wären. • Simulationen von Zukunftsszenarien weisen auf stei- gende Spannungsänderungsraten, Lasten und Asym- metrien in Niederspannungsnetzen hin. Gleichzeitig zeigen sie aber auch wirksame Ansatzpunkte für gezielte Gegenmaßnahmen. • Die Kombination quasistationärer und dynamischer Simulationen ermöglicht eine effiziente Vorauswahl kriti- scher Zeitpunkte und eine detaillierte Analyse komplexer PQ-Phänomene. • KI-gestützte Verfahren zur Spannungsqualitäts-Zustands- schätzung schätzen auf Basis variantenreicher Simula- tionsdaten auch nicht gemessene Netzzustände echtzeit- fähig ab. • Kein einzelnes technisches Asset löst alle PQ-Probleme. Die Wirksamkeit von Gegenmaßnahmen ist phänomen- spezifisch und erfordert eine kombinierte, kontextabhän- gige Auswahl. • Eine strukturierte, prognosebasierte Betriebsplanung mit probabilistischer Bewertung von Unsicherheiten ermög- licht es, die Spannungsqualität im Day-Ahead-Zeithorizont proaktiv zu sichern.
Rahmenbedingungen für das WAMS 72 Rahmenbedingungen für das WAMS Status quo der regulatorischen und betriebswirtschaftlichen Voraussetzungen Die erfolgreiche Einführung neuer Technologien, wie des im Projekt entwickelten Wide-Area-Monitoring- Systems (WAMS), hängt nicht nur von ihrer techni- schen Funktionsfähigkeit ab. Entscheidend ist auch, ob sie wirtschaftlich tragfähig und wie die regulatori- schen Rahmenbedingungen sind. Dieses Kapitel fasst die erarbeiteten Inhalte zum potenziellen Geschäfts- modell für einen Markteintritt, die volkswirtschaft- liche Wirkung sowie die regulatorischen Rahmenbe- dingungen zusammen. 4.1 Beschreibung eines WAMS-Geschäftsmodells Das Projekt hat untersucht, wie ein nachhaltiges Geschäfts- modell für das WAMS aussehen könnte, welche strategischen Entscheidungen hierbei zu beachten sind und inwiefern der Betrieb eines WAMS sich selbst refinanzieren kann. In diesem Kontext beschreibt das Geschäftsmodell, wie eine Organisation Wert schafft, liefert und behält. Das Projekt untersucht daher auch, welche Mehrwerte ein WAMS für Netzbetreiber und das Energiesystem liefert. Für das im Rahmen von QUIRINUS Control entwickelte WAMS muss ein solches Geschäftsmodell die Lücke zwischen der technischen Machbarkeit und dem potenziellen systemischen Nutzen schließen. Das beschriebene Geschäftsmodell umfasst unter anderem Zielgruppen, angebotene Leistungen, benötigte Ressourcen, Partner sowie die finanzielle Struktur. Um Geschäftsmodelle systematisch zu beschreiben und zu analysieren, hat sich das Business Model Canvas etabliert [31]. Es fasst alle relevanten Bausteine in einem klar strukturierten, visuellen Raster zusam- men und erleichtert damit sowohl die gemeinsame Entwicklung eines Geschäftsmodells als auch dessen Kommunikation. Im Projekt nutzen wir das Canvas, um ein mögliches Geschäfts- modell für ein Wide-Area-Monitoring-System (WAMS) zur Spannungsqualitätsüberwachung im zukünftigen Stromnetz zu erarbeiten. Abbildung 31 stellt das entwickelte Geschäfts- modell eines WAMS in Form des Business Model Canvas übersichtlich dar.
Rahmenbedingungen für das WAMS 73 Abbildung 31: Business Model Canvas für ein WAMS Angebot Leistung Nachfrage Schlüsselpartner - Cloud-Service- Provider für Hosting & Datenverarbeitung - Komplementäre Softwareanbieter zur Erweiterung der Funktionalitäten - Kooperationen und strategische Allianzen für Normen & Weiterentwicklung Schlüsselaktivitäten Nutzenversprechen Kundenbeziehung Kundensegmente - Spannungsqualitäts- sicherung/-erhöhung - Schadensregulierung - Planungstechnisches Instrument - Installation & Entw. - Datenmanagement - Support, F&E und Sales Schlüsselressourcen - Mess- und IT-Infrastruktur - Entwickler & Admin - Key-Account-Modell - Verteilnetzbetreiber - Formate für Erfah- rungsaustausch und Co-Creation Vertriebskanäle - Demonstration, z.B. auf Messen - Individualität - Langfristigkeit - Industrie- und Gewerbe- unternehmen (untergeordnet) - Haushalte (untergeordnet) - Erzeuger (untergeordnet) Kosten Nutzen - Messgeräte (CAPEX: ca. 4.000 €, OPEX: ca. 40 €/a) - Collector Boxes (CAPEX: 1.000 €, OPEX: ca 1.275 €/a) - WAMS-Cluster (CAPEX: 500 €, OPEX: ca 13.200 €/a) - Personal und sonstiger Overhead - Vermeidung von Beschädigung und höhere Nutzbarkeit technischen Kapitals. Die jährlichen Schäden im Rheinischen Revier könnten sich auf geschätzt 51 Millionen Euro belaufen. - Aufgrund fehlender Anreize der Netzbetreiber (u. a. künftige Regulatorik) sowie unsicherer Wirksamkeit des Monitorings auf die Spannungsqualität, bleibt die Zahlungsbereitschaft ungewiss. Wirtschaftlichkeit Quelle: eigene Abbildung, angelehnt an Osterwalder und Pigneur [32] 4.1.1 Leistung Im Zentrum des Geschäftsmodells steht das Nutzenversprechen, das sich in drei Hauptkategorien gliedert, siehe Abbildung 32. Erstens, sichert und erhöht das WAMS die Spannungsqualität, indem es Spannungsprobleme und deren Ursachen in Echtzeit identifiziert und lokalisiert. Es schafft eine Datenbasis, die es erlaubt zu bewerten, wie häufig und wie lange Abweichungen sind. Das könnte künftig auch dazu dienen, die Versorgungs- qualität zu dokumentieren, etwa in der Anreizregulierung. Zweitens, dient es der Schadensregulierung. Das WAMS ermög- licht es, kritische Netzzustände zu erkennen und präventive Maßnahmen einzuleiten, um Schäden an Betriebsmitteln im Netz oder bei angeschlossenen Kunden zu verhindern. Drittens fungiert es als planungstechnisches Instrument. Die gewonne- nen Erkenntnisse zum Netzzustand unterstützen Netzbetreiber bei der Betriebsplanung, weil sie zukünftige Spannungsein- brüche prognostizieren und kurative Maßnahmen einplanen können. 4.1.2 Angebot Um das WAMS zu implementieren und zu betreiben, sind spezifische materielle und immaterielle Ressourcen notwendig. Materielle (physische) Ressourcen umfassen die Messgeräte, die kontinuierlich die Spannungswerte erfassen, die sogenann- ten Collector Boxes, die Daten sammeln und vorverarbeiten, sowie eine leistungsstarke Server- und Cloud-Infrastruktur, um die Datenmengen zu speichern und in Echtzeit zu analysieren (WAMS-Cluster). Ein weiteres Kernelement ist die Software zur Verarbeitung, Speicherung und Analyse der Messdaten. Imma- terielle (menschliche) Ressourcen sind ebenfalls entscheidend: Ein interdisziplinäres Softwareentwicklungsteam (Software-, Frontend- und Backendentwickler) verantwortet die kontinuier- liche Weiterentwicklung, Wartung, Anpassung an Kundenan- forderungen sowie die Gestaltung der Benutzeroberfläche.
Rahmenbedingungen für das WAMS 74 Abbildung 32: Nutzenkategorien eines WAMS Nutzen eines WAMS Qualitätssicherung/-erhöhung Schadensregulierung Spannungsmessungen in Echtzeit, um Spannungsprobleme, ihre Ursachen sowie Auswirkungen auf Netz und Wirtschaftlichkeit zu identifizieren und zu lokalisieren Erkennung kritischer Netzzustände und Einleitung präventiver Maß- nahmen, um Schäden an Betriebs- mitteln zu verhindern Planungstechnisches Instrument Unterstützung der Netzplanung und Prognose von Spannungsabwei- chungen, um Betrieb und Planung zu optimieren Quelle: QUIRINUS-Control-Konsortium Für den erfolgreichen Betrieb ist die Zusammenarbeit mit ver- schiedenen Schlüsselpartnern zentral. Dazu zählen vor allem Cloud-Service-Provider, die skalierbare Rechen- und Speicher- ressourcen für die Verarbeitung großer Datenmengen bereit- stellen, sowie Softwareanbieter, die Analysefunktionen für Spannungsqualitätsdaten ergänzen. Strategische Kooperationen mit Messgeräteherstellern sichern die technische Abstimmung und Interoperabilität der Hardware, während die Zusammen- arbeit mit Netzbetreibern wichtige Praxiserfahrungen aus Pilot- projekten ermöglicht. Ergänzend können Partnerschaften mit Standardisierungsgremien und Regulierungsbehörden helfen, auf technologische und regulatorische Entwicklungen frühzeitig zu reagieren. Dies ist ein entscheidender Aspekt, da eine klare regulatorische Verankerung der Kurzzeit-Spannungsqualitäts- messung die wirtschaftliche Tragfähigkeit des WAMS grund- sätzlich beeinflusst. Die Bereitstellung des WAMS erfordert zudem definierte Schlüsselaktivitäten. Diese umfassen die Installation und Inte- gration der Messgeräte und Collector Boxes, die kontinuierliche Softwareentwicklung und -wartung (insbesondere Echtzeitver- arbeitung und Fehlererkennung), die Schnittstellenentwicklung zur Gewährleistung der Interoperabilität, das Datenmanage- ment und die Analyse (Speicherung, Visualisierung, Algorith- men) sowie Kundensupport, Vertrieb und Forschung. 4.1.3 Nachfrage Als primäre Kundengruppe kommen Verteilnetzbetreiber (VNB) infrage, die originär für die Netzstabilität und Versorgungsquali- tät verantwortlich sind. Für sie liegt der Nutzen darin, frühzeitig Störungen und Minderqualitäten erkennen zu können, um Gegenmaßnahmen einzuleiten und die langfristige Versor- gungssicherheit zu gewährleisten. Allerdings ist der Anreiz für VNB, ein WAMS einzusetzen, im aktuellen regulatorischen Rahmen strittig. So haben sie keine direkten wirtschaftlichen Nachteile zu befürchten, wenn sie Minderungen der Span- nungsqualität, die die Norm EN 50160 nicht erfasst, vernachläs- sigen. Andererseits sind die Kosten des WAMS nicht aufwands- neutral, da die Betriebskosten nicht in der Erlösobergrenze angesetzt werden können. Ein weiteres potenzielles Kundensegment sind Industrie- und Gewerbeunternehmen, insbesondere solche mit eigenen Strom- netzen. Sie vermeiden mit einem WAMS vor allem Schäden an Geräten im Produktionsprozess und erhöhen die Lebens- dauer sensibler Anlagen. Basierend auf Experteninterviews wird jedoch davon ausgegangen, dass VNB das primäre Kundenseg- ment darstellen, da nur hier ein großskaliges Netz vorherrscht und sie den netzbereichsweiten Einsatz kontrollieren können. Das Vertriebsdesign muss den Eigenschaften des Produkts und der Kunden Rechnung tragen. Das WAMS ist ein komplexes, individuelles Investitionsgut mit hohen Anschaffungskosten. Es handelt sich um ein „Erfahrungsgut“, dessen Nutzen demonstriert werden muss. Die Zielkunden (VNB) stellen einen begrenzten Markt dar. Als institutionelle Kunden können sie risikoavers sein und lange Planungs- und Ausschreibungsver- fahren haben. Daraus leiten sich drei Kernelemente für die Vertriebskanäle ab:
Rahmenbedingungen für das WAMS 75 1. Demonstration: Der abstrakte Nutzen muss anhand von Demonstrationsprojekten (wie QUIRINUS Control), Referenz- anwendungen und Fallstudien konkretisiert werden. 2. Individualität: Aufgrund der Produktindividualität und des begrenzten Zielmarktes ist der Direktvertrieb die beste Option. 3. Langfristigkeit: Um Vertrauen aufzubauen und die Nutzung zu begleiten, sind langfristige Serviceverträge und Koopera- tionen sinnvoll. Für Anbieter eines WAMS kommen grundsätzlich verschiede- ne Formen der Kundenbeziehung infrage – von persönlicher Betreuung über Nutzer-Communitys bis hin zu automatisierten Services. Aufgrund der hohen technischen Komplexität eines WAMS, das aus spezialisierter Messinfrastruktur und cloudba- sierter Datenanalyse besteht, ist jedoch eine enge, kontinuierli- che Betreuung besonders wichtig. Für Netzbetreiber, die poten- ziellen Hauptkunden, bedeutet dies insbesondere Schulungen, direkte Ansprechpartner und Unterstützung bei Anwendungs- problemen. Für das Geschäftsmodell eines WAMS- Anbieters ist zudem relevant, dass in Deutschland mit aktuell 867 vergleichs- weise viele VNB aktiv sind, die mehrheitlich über entsprechend kleine Netzgebiete verfügen. Es gibt daher nur relativ wenige VNB mit einem ausreichend großen Netzgebiet, in dem sich der Einsatz eines WAMS überhaupt lohnen würde. In diesem Marktumfeld bietet sich ein Key-Account-Modell an, das intensive Betreuung mit festen Ansprechpartnern verbindet. Ergänzend fördern Community-Formate und Anwendertreffen den Erfahrungsaustausch und tragen so dazu bei, das System weiterzuentwickeln sowie effizient zu nutzen. Ferner ermög- licht Co-Creation, dass Kunden aktiv an der Weiterentwicklung des WAMS mitwirken. Dadurch können Funktionen praxisnah validiert und Verbesserungen schnell umgesetzt werden. Auf- grund der Innovativität und der Vielzahl von Anwendungsfällen bietet es sich zudem an, Treffen zu veranstalten, auf denen sich die Anwender und Anbieter zu ihren Erfahrungen mit dem WAMS austauschen. Hierbei entstehen sinnvolle Synergien, insbesondere weil die Netzbetreiber höchstens in geringem Ausmaß im Wettbewerb miteinander stehen. 4.1.4 Wirtschaftlichkeit Da das WAMS primär Netzbetreiber nutzen würden, eignet sich eine klassische Wirtschaftlichkeitsanalyse nur begrenzt. Netz- betreiber sind natürliche Monopole und handeln im Rahmen der Anreizregulierung vor allem kostenorientiert, weshalb sie bei Investitionen wie einem WAMS nur ihren eigenen, „priva- ten“ Nutzen berücksichtigen. Der größere volkswirtschaftliche Nutzen – etwa vermiedene Schäden bei Industrie- oder Haus- haltskunden – bliebe unberücksichtigt. Die Spannungsqualität erfüllt Merkmale eines öffentlichen Guts: Es besteht weder Aus- schließbarkeit noch Rivalität in ihrer Nutzung. Daher kann es aus gesamtwirtschaftlicher Perspektive sinnvoll sein, regulato- rische Anreize zu setzen, die den Einsatz eines WAMS fördern, sofern dessen volkswirtschaftlicher Nutzen die entstehenden Kosten übersteigt. Deshalb stellt die Wirtschaftlichkeitsanalyse Verpflichtende, stichproben- artige Spannungsmessungen sind die Voraussetzung für eine weitere Regulierung der Spannungsqualität. die Kosten des WAMS dem volkswirtschaftlichen Nutzen gegenüber: also jenem Nutzen, der für regulatorische Entschei- dungen relevant ist. Die Gesamtkosten eines WAMS hängen maßgeblich von der Anzahl der benötigten Messgeräte ab. Auf Basis vorhandener Studien nehmen wir an, dass ein Messgerät rund 100 Netz- knoten überwachen kann und ein einzelnes WAMS-Cluster für das gesamte Gebiet ausreicht. Den Berechnungen liegen die betriebsgewöhnlichen Nutzungsdauern nach StromNEV zugrunde: 18 Jahre für Messgeräte und Collector Boxes sowie fünf Jahre für das zentrale WAMS-Cluster. Die Investitions- kosten (CAPEX) werden über die jeweilige Nutzungsdauer als Annuität umgelegt, während die laufenden Betriebskosten (OPEX) jährlich berücksichtigt werden. Beide Komponenten ergeben zusammen die jährlichen Gesamtkosten, die mit dem möglichen Nutzen verglichen werden können. Nicht einbezo- gen werden Kostenpositionen, für die derzeit keine belastbaren Daten vorliegen – etwa Personalaufwand, Schulungen, Energie- verbrauch oder Datenschutz. Die Analyse fokussiert sich also auf unmittelbar quantifizierbare Kostenfaktoren. Tabelle 8 listet die Kosten eines WAMS gemäß der einzelnen Kostenstellen auf. Der volkswirtschaftliche Nutzen lässt sich am ehesten durch die vermiedenen Schäden durch Spannungsschwankungen abschätzen. Normgerechte Spannung entsteht bislang überwie- gend als Nebenprodukt der konventionellen Stromerzeugung. Deshalb liegen keine belastbaren Daten zu den vermiedenen Schäden durch gesicherte Spannungsqualität vor. Um das Geschäftsmodell zu bewerten, haben wir diese daher in zwei Schritten geschätzt: Zunächst stellen wir typische wirtschaftli- che Schäden bei verringerter Spannungsqualität sowie Ergeb- nisse aus EWI-Experteninterviews dar. Anschließend vergleichen wir verschiedene Ansätze zur Quantifizierung solcher Schäden. Darauf aufbauend bestimmen wir die wirtschaftlichen Auswir- kungen für relevante Sektoren anhand einer BNetzA-Umfrage unter Industrie- und Gewerbebetrieben [33].
Rahmenbedingungen für das WAMS 76 Tabelle 8: Kosten eines WAMS Kostenstelle Kostenart Kosten Details (Angabe aller Kosten pro Kostenstelle) Messgeräte Collector Boxes WAMS-Cluster CAPEX OPEX CAPEX OPEX CAPEX OPEX 3.000–3.500 € (einmalig) Beschaffungskosten (inkl. Zubehör) 750 € (einmalig, bei 10 h Aufwand) Installationskosten 40 €/Jahr (bei 0,5 h Aufwand pro Jahr) Wartungskosten 350–600 € (einmalig) Beschaffungskosten 500 € 1.200 €/Jahr 75 €/Jahr 500 € (einmalig) 1.200 €/Jahr 6.000 €/Jahr 6.000 €/Jahr Erstinstallation, Messgeräte-Anbindung, WAMS-Cloud-Anbindung, ggf. Mehr- kosten für mehrere Collector Boxes Softwarewartungskosten Kosten für Datenübertragung Ersteinrichtung Kosten für Cloud-Ressourcen Grundwartung Lizenzkosten Spannungsschwankungen können bei allen Stromverbrauchern wirtschaftliche Schäden verursachen. Dazu zählen vor allem Kapitalschäden an Anlagen (z. B. durch Ausfälle, Beschädigun- gen oder erhöhten Verschleiß) sowie Kosten aus Nutzungsaus- fällen, etwa durch Produktionsunterbrechungen oder eine ein- geschränkte Dienstleistungsbereitstellung (siehe Abbildung 33). In stromintensiven Industrien – wie Chemie-, Metall-, Elektro- oder Glasindustrie – lösen bereits kurze Spannungseinbrüche potenziell erhebliche Prozessstörungen und Qualitätsverluste aus. Im Verkehrs- und Gebäudesektor vermuten wir aufgrund einer begrenzten Datenlage nur potenzielle, aber nicht quantifi- zierbare Kosten. Indirekt bestehen für Netzbetreiber somit auch Anreize, die Spannungsqualität zu erhöhen – zum Beispiel, um die Attraktivität des Standorts zu fördern und Schäden wie ver- kürzte Lebensdauern eigener Betriebsmittel zu vermeiden. Die unzureichende Datenlage erschwert eine verlässliche Abschätzung der Schäden aus mangelnder Spannungsqualität. Die quantitative Bewertung wirtschaftlicher Schäden durch verringerte Spannungsqualität ist komplex und stark anwen- dungsabhängig. Zum einen treten heute noch relativ wenige klar dokumentierte Schadensereignisse auf; zum anderen fehlt ein flächendeckendes Monitoring, das Schäden einzelnen Spannungsschwankungen zuordnen könnte. Auch langfristige Effekte – etwa auf Standortentscheidungen – lassen sich daher nicht isoliert bewerten. Ziel der Wirtschaftlichkeitsbewertung ist es dennoch, Ansätze aufzuzeigen, um eine grobe Größenord- nung des potenziellen Nutzens eines WAMS abzuleiten. Als Orientierung dient der Wert einer störungsfreien Strom- versorgung, der den theoretischen Nutzen eines WAMS nach oben begrenzt. Üblicherweise dient hierfür der Value of Lost Load (VoLL), der jedoch vollständige Versorgungsunterbrechun- gen unterstellt und somit die Schäden moderater Spannungs- schwankungen deutlich überschätzt. Diese führen häufig nicht zum Stillstand, sondern „nur“ zu Qualitätsverlusten, Effizienz- reduktionen oder Degradation von Anlagen – Effekte, die der VoLL nicht abbildet. Daher verwenden wir im Folgenden den ergänzenden Begriff des Value of Voltage Quality (VoVQ), um den Nutzen eines WAMS über vermiedene Schäden nähe- rungsweise zu bestimmen. Dabei setzen wir auf verfügbaren Umfragedaten der BNetzA auf [33], der derzeit umfassendsten Datenquelle zu Spannungsqualitätsproblemen in Deutschland.
Rahmenbedingungen für das WAMS 77 Abbildung 33: Potenzielle Schäden durch verringerte Spannungsqualität in der Industrie Verkürzte Lebensdauer der Geräte und höhere Wartungs- und Servicekosten Sanktionen aufgrund Nichteinhaltung der Netzcodes Schäden verringerter Spannungsqualität Unerwünschte Auslösung von Schutzmechanismen, Prozessstill- ständen, Produktionsausfällen und Datenbeschädigungen Verlorene Einnahmen durch verminderte Produktqualität Höhere Material- und CO²-Kosten durch ineffizienten Betrieb Geringerer Leistungsfaktor und höhere Stromkosten Quelle: QUIRINUS-Control-Konsortium, basierend auf [34] Um den Nutzen eines WAMS zu berechnen, treffen wir verein- fachte Annahmen. Unsere Analyse unterstellt, dass alle durch Spannungsqualität verursachten Schäden identifizierbar und vermeidbar sind, sodass der berechnete Nutzen als Obergrenze zu verstehen ist. Gleichzeitig konnten wir wegen mangelnder Daten nur die Nutzenkategorie „Schadensregulierung“ quan- titativ betrachten, während potenzielle Effekte aus Qualitäts- sicherung und planungstechnischem Einsatz unberücksichtigt bleiben. Der tatsächliche Nutzen fällt demnach potenziell höher aus. Als Referenzgebiet für die Wirtschaftlichkeitsanalyse dient das Rheinische Revier, da hier die am Projekt beteiligten Netzbe- treiber ansässig sind und erste Erfahrungen mit Messgeräten vorliegen. Auf Basis von Gebietsstrukturdaten und Industrie- anteilen im Netzgebiet haben wir die Anzahl der benötigten Messgeräte sowie Collector Boxes abgeschätzt. Daraus ergeben sich jährliche Kosten von rund 13,5 Millionen Euro für das WAMS im Rheinischen Revier, was etwa 0,2 % der Erlösober- grenze der Netzbetreiber entspricht. Der potenzielle Nutzen eines WAMS ergibt sich durch die geschätzten vermeidbaren Schäden aufgrund von Spannungs- qualitätsproblemen. Die Basis bietet die BNetzA-Studie [33], in der nach Branchen aufgeteilte Industrie- und Gewerbebetriebe zu den in ihrem Betrieb entstandenen Schäden aufgrund von Spannungsqualitätsproblemen befragt wurden. Nach Verrech- nung dieser Schäden mit dem von betroffenen Unternehmen approximierten Strombedarf wurde der VoVQ berechnet. Aus diesem leiten sich die ungefähren Gesamtschäden aufgrund von Spannungsqualitätsproblemen im Rheinischen Revier ab, indem der VoVQ mit dem von verminderter Spannungsqualität betroffenen Strombedarf von Gewerbe- und Industrieunterneh- men in der Region multipliziert wurde. Für 2024 ergibt sich so ein potenzieller Gesamtschaden durch reduzierte Spannungs- qualität von etwa 51 Millionen Euro im Rheinischen Revier. Die größten Schäden treten dabei in der Metallverarbeitung, der Elektroindustrie und im Maschinenbau auf. Verglichen mit den jährlichen Kosten des WAMS wird deutlich, dass bei realistischeren Anteilen des von Spannungsproblemen betrof- fenen Strombedarfs (ca. 1,1 %) der Break-Even-Point von 11 % nicht erreicht wird. Unter diesen Annahmen wäre ein WAMS wirtschaftlich nicht rentabel. Abbildung 34 veranschaulicht die Break-Even-Analyse.
Rahmenbedingungen für das WAMS 78 Abbildung 34: Break-Even-Analyse des WAMS-Geschäftsmodells Der blau markierte Bereich kennzeichnet die Spanne, innerhalb derer die Anteile der Schäden an den gesamten Stromkosten für die betrachteten Industrien liegen. Der vertikale, dunkelblaue Strich markiert den durchschnitt- lichen, mit dem Strombedarf der jeweiligen Industrien gewichteten Anteil der Schäden an den Stromkosten. r h a J o r p 4 2 0 2 o r u E . i o M 22 20 18 16 14 12 10 8 6 4 2 0 0 % 2 % 4 % 6 % 8 % 10 % 12 % 14 % 16 % 18 % 20 % 22 % 24 % 26 % 28 % 30 % Kosten Nutzen Anteil des von Spannungsqualitätsproblemen betroffenen Stroms Quelle: QUIRINUS-Control-Konsortium Die Variation des Szenarienraums erfolgt aufseiten der Kosten anhand der Anzahl benötigter Messgeräte und aufseiten des Nutzens anhand des Anteils der betroffenen Industriebetriebe. Die Nutzenabschätzung basiert auf der BNetzA-Studie [33] und beschränkt sich damit auf einige Branchen von Industrie- und Gewerbebetrieben (insbesondere Metallverarbeitung, Glas- verarbeitung, Papierverarbeitung, Automobil- und Chemie- industrie). Diese limitierte Stichprobe schränkt die Aussagekraft unserer Ergebnisse ein. Der aktuelle regulatorische Rahmen setzt zudem kaum Anreize für Netzbetreiber, Spannungs- qualität systematisch zu überwachen, sodass die tatsächliche Zahlungsbereitschaft vom geschätzten volkswirtschaftlichen Nutzen abweichen kann. Darüber hinaus stammen die Daten aus dem Jahr 2019. Damals lag der Anteil erneuerbarer Ener- gien im Strommix bei lediglich 41,3 %. Im Jahr 2025 stieg dieser Anteil bereits auf 58,7 %. Durch Spannungsqualität verursachte Schäden hängen jedoch direkt mit der zunehmenden fluktuie- renden Einspeisung durch erneuerbare Erzeugungsanlagen und der Abnahme klassischer Kraftwerke im Stromnetz zusammen. Folglich könnten entsprechende Schäden heute potenziell größer sein. Auch betrachtet das Projekt nur, welcher Nutzen sich aus der Schadensvermeidung ergibt. Weitere Vorteile eines WAMS, wie die Qualitätssicherung oder planungstechnische Effekte, bleiben unberücksichtigt. Insgesamt sind die monetä- ren Ergebnisse daher als grobe Orientierung zu verstehen. 4.1.5 Fazit Die Analyse arbeitet das Nutzenversprechen eines Wide- Area-Monitoring-Systems (WAMS) aus und bewertet zentrale angebots- und nachfrageseitige Aspekte. Aufbauend auf einer Einordnung im Rahmen des Business Model Canvas haben wir qualitative Nutzen- und Kostenstrukturen identifiziert und anschließend in einer quantitativen Analyse für ein poten- zielles WAMS im Rheinischen Revier angewandt. Die Ergeb- nisse zeigen, dass insbesondere die Unsicherheiten über den tatsächlichen Anteil des von Spannungsqualitätsproblemen betroffenen Strombedarfs maßgeblich über die Wirtschaft- lichkeit entscheiden. Bei den zu erwartenden, eher geringen Betroffenheitsanteilen übersteigen die geschätzten Kosten den Nutzen deutlich. Die Wirtschaftlichkeit eines regionalen WAMS ist demnach trotz methodischer Unsicherheiten und verein- fachender Annahmen kritisch zu bewerten. Zugleich verdeutlicht die Analyse erhebliche empirische Lücken, die eine robuste Bewertung bisher erschweren und wesent- liche Ansatzpunkte für zukünftige Forschung darstellen. Dazu gehören insbesondere mangelnde Daten zu Spannungsquali- tätsproblemen in verschiedenen Sektoren, die unzureichende Quantifizierung der tatsächlichen Betroffenheit, die fehlende 0246810121416182022
Rahmenbedingungen für das WAMS 79 4.2.2 Regulatorische Implikationen für die Einführung eines WAMS Die mit der Einführung eines WAMS verbundenen Kosten zählen zu den laufenden Betriebskosten des Netzbetreibers, sofern sie nicht unter die nach Messstellenbetriebsgesetz (MsbG) anfallenden Kosten fallen. Damit werden sie bei einem Effizienzwert unter 100 % nur anteilig in die Erlösobergrenze einbezogen. Zudem werden neu anfallende Betriebskosten erst im Basisjahr erfasst und in der darauffolgenden Erlösober- grenze abgebildet [35]. Dadurch kommt es zu einer zeitlichen Verzögerung bei der Kostenanerkennung. Aus regulatorischer Sicht bedeutet dies, dass die zusätzlichen, durch ein WAMS verursachten Aufwendungen dem Effizienzdruck der Regulie- rung unterliegen. Sofern der Einführung eines WAMS keine unmittelbaren Kosteneinsparungen gegenüberstehen, müssen die Netzbetreiber für einen Teil der laufenden Betriebskosten aufkommen. Dies senkt die Zahlungsbereitschaft der Verteil- netzbetreiber für die Implementierung eines WAMS. Darüber hinaus besteht für Verteilnetzbetreiber keine gesetz- liche Verpflichtung, die Spannungsqualität in den Nieder- und Mittelspannungsnetzen systematisch zu überwachen oder Daten darüber zu erfassen. Die europäische Norm EN 50160, die die Merkmale der Spannung definiert, findet derzeit Anwendung in den Technischen Anschlussregelungen (TAR) des VDE/FNN. Netzbetreiber werden laut BNetzA [33] „dazu angehalten“, die Grenzwerte der europäischen Norm einzu- halten. Zudem können Netzbetreiber für Schäden, die durch Überspannung entstehen, nach dem Produkthaftungsgesetz (ProdHaftG) aufkommen. Der Hersteller haftet verschuldens- unabhängig – allerdings nur für Schäden an privat genutzten Produkten. Gewerbe- und Industriekunden sind in der Regel ausgeschlossen [36]. Folglich fehlt den Netzbetreibern der entscheidende monetäre Anreiz, in die Überwachung und Sicherung der Spannungsqualität zu investieren. Monetarisierung immaterieller Nutzenkategorien sowie der Bedarf an Vergleichen mit alternativen Maßnahmen zur Verbes- serung der Spannungsqualität. Eine verbesserte Datengrund- lage gilt daher als Voraussetzung für fundierte volkswirtschaftli- che Bewertungen und potenzielle regulatorische Anpassungen, die wiederum entscheidend für die Tragfähigkeit eines WAMS- Geschäftsmodells sind. 4.2 Regulatorische Rahmenbedingungen und volkswirtschaftlicher Nutzen eines WAMS Die Analyse des Geschäftsmodells zeigt, dass die Zahlungs- bereitschaft der primären Kundengruppe – der Verteilnetz- betreiber – stark vom regulatorischen Umfeld abhängt. Aktuell gibt es auf Verteilnetzebene geringe regulatorische Anreize, die Spannungsqualität systematisch zu erfassen und zu verbessern. Die Kurzstudie von EWI [35] deutet darauf hin, dass der aktuelle regulatorische Rahmen in Deutschland die flächendeckende Ein- führung eines WAMS bei Netzbetreibern tendenziell erschwert. 4.2.1 Mechanismus der Anreizregulierung Die Stromnetzbetreiber unterliegen als natürliche Monopole der Anreizregulierung, die nach dem Prinzip eines simulierten Wettbewerbs ausgestaltet ist. Den Netzbetreibern wird dabei eine Erlösobergrenze vorgegeben, die ihre maximalen Einnah- men aus Netzentgelten definiert. Sie basiert auf den erwarteten Kosten des Netzbetriebs und wird vor Beginn jeder Regulie- rungsperiode festgelegt. Während der Regulierungsperiode sind tatsächliche Kosten und Erlöse voneinander entkoppelt. Netzbetreiber haben somit einen Anreiz, ihre Produktivität zu steigern und Kosten zu senken, da sie Einsparungen gegenüber der Erlösobergrenze als Gewinn behalten können. Der Gegenpart zu einer auf Kosteneffizienz ausgerichteten Netzregulierung ist die Qualitätsregulierung. Um sicherzu- stellen, dass der Kostendruck der Regulierung nicht zulasten der Qualität geht, existiert ein sogenanntes Qualitätselement (Q-Element). Dieses Bonus-Malus-System ist jedoch ausschließ- lich auf die Netzzuverlässigkeit fokussiert – also die Fähigkeit zur unterbrechungsfreien Versorgung. Gemessen wird diese über die durchschnittliche Dauer von Langzeitunterbrechun- gen (länger als 3 Minuten), mittels der Kennzahlen SAIDI und ASIDI. Die eigentliche Spannungsqualität (auch Produktqualität genannt) – also Phänomene wie Spannungsschwankungen, Flicker, Oberschwingungen oder Spannungseinbrüche im Kurz- zeitbereich – berücksichtigt die deutsche Qualitätsregulierung derzeit nicht.
4.2.3 Status quo der Spannungsqualität in Deutschland Aktuell liegt keine repräsentative Datenlage dazu vor, wie die Spannungsqualität in den Verteilnetzen ist und welche Schä- den Spannungsqualitätsabweichungen verursachen. Strom- verbraucher haben die Möglichkeit, bei den Netzbetreibern Informationen zur Qualität der Versorgungsspannung anzufor- dern [37]. Da das Monitoring der Spannungsqualität vonseiten der Unternehmen und Netzbetreiber jedoch nicht verpflichtend ist, erfolgt keine offizielle und standardisierte Berichterstattung. Öffentlich zugängliche Informationen über Spannungsqualitäts- probleme stammen daher aus freiwilligen Angaben von Unter- nehmen und Stromnetzbetreibern. Mehrere Unternehmensbefragungen zur Spannungsqualität deuten auf eine wachsende Besorgnis bei Industrieunterneh- men hin ([33], [38], [39]). Dennoch bewertet die BNetzA das in ihrer Befragung von 2020 ermittelte Niveau aufgrund der geringen Rücklaufquote als akzeptabel und sieht derzeit keinen regulatorischen Handlungsbedarf. Das ermittelte Niveau wird angesichts der Energiewende, des Wegfalls rotierender Massen (z. B. durch den Kohleausstieg), der volatilen Einspeisung erneu- erbarer Energien und des zunehmenden Einsatzes leistungs- elektronischer Systeme als zunehmend kritisch bewertet. Die Ergebnisse der Unternehmensbefragungen basieren jedoch größtenteils auf Einzelfalluntersuchungen und liefern aufgrund der kleinen Stichprobe kein repräsentatives Bild für Deutsch- land. Neben der freiwilligen Befragung zur Spannungsqualität innerhalb von Unternehmen erfasst das Forum Netztechnik/ Netzbetrieb (FNN) in einer jährlichen Erhebung die Störungs- daten der Netzbetreiber. Die standardisierten Angaben der Netzbetreiber werden auf das jeweilige Netzgebiet hoch- gerechnet, sodass die FNN-Störungsstatistik rund 80 % des deutschen Stromnetzes abdeckt. Öffentlich zugängliche Daten zur Spannungsqualität erfassen kurzzeitige Spannungsein- brüche, die anhand der Anzahl kurzschlussartiger Fehler pro 100 Kilometer Leitungslänge gemessen werden. Die historische Entwicklung im Zeitraum von 2011 bis 2022 zeigt auf, dass Spannungseinbrüche auf der Mittelspannungsebene nahezu auf einem konstanten Niveau verharren [40]. Insgesamt gibt die FNN-Störungsstatistik jedoch nur bedingt Auskunft über die Spannungsqualität eines Netzgebietes, da die Statistik lediglich ein spezifisches Merkmal der Spannungsqualität abdeckt. Rahmenbedingungen für das WAMS 80 4.2.4 Status quo der Spannungsqualität im europäischen Ausland Der europäische Vergleich zeigt, dass einige Länder bei der Regulierung der Spannungsqualität weiter fortgeschritten sind als Deutschland. Ein Benchmarking-Report des Council of Euro- pean Energy Regulators (CEER) aus dem Jahr 2022 [41] stellt fest, dass 23 europäische Länder die Spannungsqualität auf Verteilnetzebene systematisch überwachen. Sie erfassen dafür Parameter wie Spannungsschwankungen, Flicker, Einbrüche und Oberschwingungen. Die Ansätze reichen von verpflich- tenden Messungen (z. B. in Österreich) bis hin zu regulatorisch unterstützten Programmen (z. B. in Ungarn, wo die Behörde Messgeräte bereitstellte). Viele Länder, wie Italien oder Nor- wegen, nutzen bereits den Rollout von Smart Metern für eine automatisierte und flächendeckende Überwachung. Regulato- risch ist die Norm EN 50160 in vielen Ländern als verbindlicher Standard integriert. Wer sie nicht einhält, muss mit Kompen- sationszahlungen (Italien) oder reduzierten Tarifen (Lettland) rechnen. Einige Länder wie Frankreich und Italien nutzen Responsibility-Sharing Curves, um die Verantwortung für Span- nungseinbrüche klar zwischen Netzbetreiber und Kunde (bzw. der Störfestigkeit seiner Geräte) aufzuteilen. Der Nutzen des WAMS wird maßgeblich durch den von Spannungsqualitäts- problemen betroffenen Strombedarf bestimmt.
Rahmenbedingungen für das WAMS 81 Effizienzperspektive könnten auf der Niederspannungsebene flächendeckende Messungen über den ohnehin stattfindenden Smart-Meter-Rollout realisiert werden. Diese Geräte müssen nach Messstellenbetriebsgesetz (MsbG) netzrelevante Mess- werte, einschließlich Spannungsdaten, erfassen. Jedoch weisen die Geräte nur eine begrenzte Messgenauigkeit und -tiefe auf und bleiben damit deutlich hinter den Anforderungen norm- gerechter Power-Quality-Messgeräte gemäß EN 50160 zurück. Neben diesen technischen Einschränkungen bestehen zudem regulatorische sowie datentechnische Begrenzungen. Sie stehen bislang einer umfassenden und normkonformen flächendecken- den Überwachung der Spannungsqualität entgegen. Sobald eine umfassende Datengrundlage zur Spannungsqualität in Deutschland etabliert wäre, könnte der Regulierer in einem zweiten Schritt das Q-Element weiterentwickeln und finanzielle Anreize für die Einhaltung der Spannungsqualitätsparameter schaffen. Hierdurch wiederum könnten Anreize für den Einsatz eines WAMS entstehen. Allerdings handelt es sich hierbei um ein Henne-Ei-Problem: Ohne weitreichendes Monitoring sind die volkswirtschaftlichen Vorteile nur schwer abschätzbar. Diese wiederum sind aber die Voraussetzung, um das Monitoring regulatorisch anzureizen und auszurollen. Die Analyse des regu- latorischen Rahmens sowie die Wirtschaftlichkeitsschätzung bilden hierbei nur erste Indikationen, die in Zukunft weiter zu erforschen sind. 4.2.5 Handlungsbedarf und -optionen zur Regulierung von Spannungsqualität Mit Blick auf das europäische Ausland ergeben sich für Deutschland mehrere Handlungsoptionen, um die Qualitäts- regulierung weiterzuentwickeln. Ein erster Schritt wäre die Ausweitung der Messung. Dies könnte zunächst punktuell an kritischen (z. B. industriellen) Netzpunkten erfolgen. Zur fundierten Bewertung der langfristigen Auswirkungen zuneh- mender dezentraler Einspeiser und Lasten sollten zusätzliche feste Messstellen im Rahmen eines systematischen Power- Quality-Monitorings eingerichtet werden. Ein harmonisiertes Datenmanagement kann sicherstellen, dass die Erfassung und Auswertung der Netzqualitätsdaten konsistent erfolgt und den einschlägigen europäischen Standards entspricht. Aus der Zusammenfassung • Die Einführung eines Wide-Area-Monitoring- Systems (WAMS) scheitert weniger an der technischen Machbarkeit als an fehlenden wirt- schaftlichen und regulatorischen Anreizen. • Das System stiftet Nutzen durch Qualitätssiche- rung, Schadensvermeidung und bessere Netz- planung. Dieser Nutzen ist jedoch nur teilweise direkt monetarisierbar. • Spannungsqualität hat Merkmale eines öffent- lichen Guts – der volkswirtschaftliche Nutzen wird von einzelnen Netzbetreibern nicht voll- ständig berücksichtigt. • Unter aktuellen Annahmen ist die regionale Wirtschaftlichkeit eines WAMS kritisch, ins- besondere aufgrund unsicherer Schadensdaten und begrenzter Betroffenheit. • Die deutsche Anreizregulierung fokussiert Netzzuverlässigkeit (SAIDI/ASIDI), nicht Span- nungsqualität – dadurch fehlen gezielte Investitionsanreize. • Es ist nicht verpflichtend, die Spannungsquali- tät flächendeckend zu erfassen – daher ist die Datenbasis unzureichend. • Im europäischen Vergleich ist Deutschland bei der regulatorischen Einbindung von Spannungs- qualität weniger weit. • Eine breite Einführung eines WAMS erfordert bessere Datengrundlagen und neue regulatori- sche Rahmenbedingungen, um volkswirtschaft- lichen Nutzen in investitionswirksame Anreize zu übersetzen.
Handlungsoptionen im Kontext von QUIRINUS Control 83 Handlungsoptionen im Kontext von QUIRINUS Control Eine Roadmap, um Spannungsqualitätsdaten systematisch zu erfassen, zu bewerten und zu nutzen 5.1 Zielsetzung und Einordnung der Handlungsempfehlungen Dieses Kapitel leitet aus den Ergebnissen des Projekts konkrete Handlungsempfehlungen und eine Roadmap ab, welche die Spannungsqualität in Verteilnetzen in Zukunft sicherstellt. Der Fokus liegt dabei darauf, Spannungsqualitätsdaten in einem Wide-Area-Kontext systematisch zu erfassen, zu bewerten und zu nutzen. Unsere Empfehlungen richten sich insbesondere an Verteilnetzbetreiber, Regulierungsbehörden, politische Entschei- dungsträger sowie Industrie und Forschung. Sie berücksichtigen unterschiedliche Umsetzungshorizonte und bauen auf den im Projekt entwickelten Konzepten zur datenbasierten Spannungs- qualitätsbewertung auf. 5.2 Zentrale Botschaften aus QUIRINUS Control Aus den Projektarbeiten lassen sich mehrere zentrale Bot- schaften ableiten, die den Rahmen für unsere Handlungs- empfehlungen bilden. 5.2.1 Zukünftige Relevanz der Spannungsqualität Die Spannungsqualität wird zukünftig deutlich an Bedeutung gewinnen. Nur die allgemeine Versorgungsqualität (z. B. SAIDI) zu betrachten, reicht nicht aus, um fundierte Aussagen über den Zustand und die Entwicklung der Spannungsqualität zu treffen. Die im Projekt identifizierten Unterschiede zwischen heutiger Netzsituation und zukünftigen Anforderungen ver- deutlichen, dass Spannungsqualität ein eigenständiges Quali- tätsmerkmal der Stromversorgung darstellt und gesondert betrachtet werden muss. 5.2.2 Fehlende Datengrundlage für eine kontinuierliche Wide-Area-Überwachung Ein zentrales Ergebnis des Projekts ist die Erkenntnis, dass bislang kein ausreichendes, flächendeckendes Monitoring der Spannungsqualität in der Niederspannung existiert. Vorhande- ne Messungen sind nur eingeschränkt vergleichbar. Sie erfolgen meist punktuell, häufig anlassbezogen und ohne eine einheit- liche Einbettung in ein konsistentes Netzmodell. QUIRINUS Control zeigt, dass erst die Kombination hochauf- gelöster Messdaten mit standardisierten Netzdaten und deren Zusammenführung in einem WAMS eine netzweite Bewertung möglich macht. Ohne eine solche Datenbasis bleiben Span- nungsqualitätsprobleme häufig unsichtbar oder werden erst erkannt, nachdem bereits Schäden aufgetreten sind.
Handlungsoptionen im Kontext von QUIRINUS Control 84 5.2.3 Unterstützung von Investitionsentscheidungen durch QC-Daten Die im Projekt erhobene und analysierte Datenbasis ermöglicht es erstmals, die Spannungsqualität über größere Netzgebie- te hinweg objektiv zu bewerten. Diese Daten können gezielt genutzt werden, um Investitionsentscheidungen zu unter- stützen, beispielsweise zur Priorisierung von Netzverstärkungs- maßnahmen oder zum gezielten Einsatz von Betriebsmitteln. Damit leistet QUIRINUS Control einen wesentlichen Beitrag zur fundierten, datenbasierten Entscheidungsfindung im Netzbe- trieb und in der Netzplanung. Statt pauschaler oder rein vor- sorglicher Maßnahmen setzen Investitionen gezielt dort an, wo tatsächlich relevante Spannungsqualitätsrisiken bestehen. Damit tragen die Daten dazu bei, Netzplanung und -betrieb effizienter zu gestalten. 5.2.4 Frühzeitiges Handeln ist entscheidend Frühzeitig auf eine Verschlechterung der Spannungsquali- tät zu reagieren, ist essenziell. Die im Projekt durchgeführten Simulationen zeigen: Im Jahr 2035 ist mit einem steigenden und stärker schwankenden Lastaufkommen zu rechnen, das die Spannungshaltung direkt beeinflusst. Die quasistationären Simulationen prognostizieren eine deutlich häufigere Unter- spannung sowie eine signifikante Zunahme der Spannungs- änderungen zwischen aufeinanderfolgenden Minutenwerten. Insgesamt verändert sich die Spannungssituation im Szenario 2035 wesentlich dynamischer als im heutigen Zustand. Ergän- zend weisen die dynamischen Simulationen darauf hin, dass durch den zunehmenden Einsatz umrichterbasierter Anlagen im Zukunftsszenario standortübergreifend eine erhöhte Span- nungsverzerrung (THD) zu erwarten ist. Die prinzipbedingten Störaussendungen dieser Anlagen sind daher frühzeitig in der Netzplanung zu berücksichtigen. Gleichzeitig ist zu beachten, dass derzeit keine repräsentative Datenbasis zur Spannungsqualität vorliegt. Wie oft es wahr- scheinlich zu einem schnellen und deutlichen Absinken kommt, dazu ist keine belastbare Aussage möglich. Die geäußerte Besorgnis stützt sich daher nicht auf statistisch abgesicherte Wahrscheinlichkeiten, sondern auf modellierte Zukunftsszena- rien, strukturelle Veränderungen im Energiesystem sowie auf identifizierte Verschlechterungstendenzen. Vor diesem Hintergrund sollten bereits heute die Ursachen loka- ler und regionaler Abweichungen der Spannungsqualität sys- tematisch analysiert und geeignete Lösungsansätze entwickelt werden. Denn ein rein reaktives Vorgehen ist nur eingeschränkt möglich und in der Regel mit erheblichen Kosten verbunden. Die Spannungsqualität wird an Bedeutung gewinnen. QUIRINUS Control bietet die methodische Grundlage, um Trends und Muster frühzeitig zu erkennen sowie Gegenmaß- nahmen rechtzeitig zu planen und umzusetzen. Ein Wide-Area- Monitoring-System (WAMS) schafft dabei die erforderliche Transparenz, indem es sowohl kurzfristige Spannungsereignisse als auch langfristige Entwicklungen systematisch erfasst und auswertet. Zugleich ist zu berücksichtigen, dass ein WAMS mit zusätzlichen Investitions- und Betriebskosten verbunden ist und im aktuellen regulatorischen Rahmen unter Effizienzdruck steht. Die Einführung eines solchen Systems erfordert daher nicht nur eine technische, sondern auch eine wirtschaftliche und regulatorische Einbettung, um den langfristigen Nutzen einer verbesserten Transparenz und Steuerungsfähigkeit realisieren zu können. 5.2.5 Notwendigkeit einer automatisierten, effizienten Datenverarbeitung Für eine breite Anwendung ist eine automatisierte Lösung erfor- derlich, die große Datenmengen unterschiedlicher Formate und Qualitäten effizient speichert, analysieret und aggregiert dar- stellt. Die automatische Verarbeitung, Voranalyse und Aggre- gation von Messdaten ist eine zentrale Voraussetzung für den praktischen Einsatz eines WAMS. QUIRINUS Control demons- triert, dass hierfür sowohl klassische Datenverarbeitungsansätze als auch KI-gestützte Methoden, etwa zur Zustandsschätzung, geeignet sind. Eine effiziente Datenverarbeitung ist damit nicht nur eine technische, sondern auch eine organisatorische Voraussetzung, um Spannungsqualitätsdaten zu nutzen. Der im Projekt entwickelte Ansatz ist durch automatische Verarbei- tung, Voranalyse und Aggregation von Messdaten effizienter als das aktuell auf EU-Ebene geforderte Datenaustauschformat. Dadurch können Kosten gesenkt und personelle Ressourcen entlastet werden, sodass diese für andere zentrale Aufgaben im Netzbetrieb zur Verfügung stehen.
Handlungsoptionen im Kontext von QUIRINUS Control 85 5.2.6 Konsequenzen des Nichthandelns und der Marktgetriebenheit 5.3 Handlungsempfehlungen im Kontext von QUIRINUS Control 5.2.6.1 Nichthandeln Wenn ein Wide-Area-Monitoring-System (WAMS) nicht umgesetzt wird, könnten in anderen Bereichen unerwartete Kosten entstehen, die bisherige (volks-)wirtschaftliche Analysen nicht berücksichtigen. Darüber hinaus besteht das Risiko einer schleichenden Beeinträchtigung der Netzzuverlässigkeit, was langfristig die Wettbewerbsfähigkeit der Region gefährdet. 5.2.6.2 Marktgetriebene Einführung ohne regulatorischen Rahmen Der Smart-Meter-Rollout dient als ergänzende Infrastruktur für eine breitere Datenerhebung, ersetzt jedoch kein normkonfor- mes Power-Quality-Monitoring. Wird ein WAMS ausschließlich marktgetrieben und ohne regulatorische Anreize eingeführt oder werden stattdessen isolierte bzw. dezentrale Messkonzep- te umgesetzt, besteht die Gefahr einer unkoordinierten Ent- wicklung. In solchen Fällen kann die erforderliche systemweite Transparenz und Vergleichbarkeit nicht gewährleistet werden. Zudem besteht das Risiko, dass Akteure notwendige Investi- tionen zurückstellen, da sie den wirtschaftlichen Nutzen nicht unmittelbar erkennen. Dies kann zu einer unzureichenden Überwachung führen und langfristig eine Verschlechterung der Spannungsqualität begünstigen. Ein WAMS kann das wirtschaftliche Risiko für Unternehmen und Gesellschaft begrenzen. 5.3.1 Empfehlungen für Verteilnetzbetreiber Wir empfehlen Verteilnetzbetreibern, Spannungsqualität syste- matisch als Bestandteil des Netzbetriebs und der -planung zu berücksichtigen. Dies umfasst insbesondere, schrittweise eine Messinfrastruktur aufzubauen sowie Spannungsqualitätsdaten in bestehende Prozesse zu integrieren. Darüber hinaus sollten Netzbetreiber die im Projekt aufgezeigten Möglichkeiten eines WAMS nutzen, um Einblicke über Netzbereiche mit erhöhtem Spannungsqualitätsrisiko zu gewinnen und Investitionsentschei- dungen datenbasiert zu stützen. 5.3.2 Empfehlungen für Regulierungsbehörden Für Regulierungsbehörden ergibt sich aus QUIRINUS Control die Empfehlung, Spannungsqualität stärker als eigenständige Zielgröße im Regulierungsrahmen zu verankern: zum Beispiel durch klare Anforderungen an die Datenerhebung, -bereitstel- lung und -nutzung. Zudem zeigt das Projekt, dass es wirtschaft- liche Anreize für den Aufbau und Betrieb eines WAMS braucht. Ohne entsprechende Mechanismen bleibt die Umsetzung auf einzelne Pilotprojekte beschränkt. Um die Spannungsqualität systematisch zu regulieren, wäre ein erster Schritt, Netzbetreiber zu verpflichten, Spannungs- qualitätsparameter zu erheben. Eine punktuelle Messung an kritischen Netzpunkten könnte zunächst Transparenz schaffen. Da die Qualitätsregulierung bisher lediglich Kennzahlen zur Netzzuverlässigkeit einbezieht, könnte sie künftig um Para- meter zur Spannungsqualität ergänzt werden. Bislang liegt keine hinreichende Datengrundlage vor, um Kosten und Nutzen einer flächendeckenden Messung der Spannungsqualität zu bewerten. Eine Erfassung der wirtschaftlichen Folgen von Spannungsqualitätsproblemen könnte eine solche Bewertung unterstützen [35]. 5.3.3 Empfehlungen für Politik, Industrie und Forschung Auch die Politik sollte die Bedeutung der Spannungsqualität im Kontext der Energiewende stärker berücksichtigen. QUIRINUS Control liefert hierfür belastbare Argumente und eine fundierte Datengrundlage. Industrie und Forschung empfehlen wir, die im Projekt ent- wickelten technischen Konzepte konsequent weiterzuentwi- ckeln. Insbesondere sollte das Schadenspotenzial infolge einer zunehmenden Dynamik von Spannungsqualitätsereignissen systematisch quantifiziert werden. Darüber hinaus besteht Weiterentwicklungsbedarf im Bereich der automatisierten Datenauswertung, der KI-gestützten Zustandsschätzung sowie der Standardisierung von Schnittstellen, um eine effiziente, interoperable und skalierbare Nutzung der erhobenen Daten zu gewährleisten.
Handlungsoptionen im Kontext von QUIRINUS Control 86 5.4 Zusammenfassung der zentralen Handlungsempfehlungen QUIRINUS Control zeigt, dass die Sicherung der Spannungsqua- lität im zukünftigen Energiesystem eine strategische Aufgabe ist. Zentrale Handlungsempfehlungen betreffen den frühzei- tigen Aufbau einer geeigneten Datengrundlage, die Nutzung automatisierter Auswertungsverfahren sowie geeignete regula- torische Rahmenbedingungen. Ein WAMS dient dabei als zent- rales Instrument, um Spannungsqualität transparent, vergleich- bar und systematisch zu bewerten. Die im Projekt entwickelten Konzepte liefern hierfür eine fundierte Grundlage. Gleichzeitig zeigen sie den weiteren Handlungsbedarf auf. 5.3.4 Roadmap zur Weiterentwicklung von QUIRINUS Control Die im Projekt entwickelte WAMS-Architektur stellt eine belast- bare Grundlage für eine Weiterentwicklung dar. Eine mögliche Roadmap umfasst die schrittweise Erweiterung der Messinfra- struktur, die Vertiefung automatisierter Analyseverfahren sowie die Integration weiterer Datenquellen. Parallel dazu sollte die regulatorische Einbettung konkret weiterentwickelt werden, indem zunächst eine systematische und flächendeckende Erfassung der Spannungsqualität etabliert wird, auf deren Basis der Regulierer das bestehende Q-Element weiterentwickeln und finanzielle Anreize für die Einhaltung von Spannungsqualitäts- parametern schaffen kann. Zudem wäre zu prüfen, inwieweit eine klarere Verpflichtung zur systematischen Überwachung der Spannungsqualität eingeführt werden kann, da derzeit keine gesetzliche Verpflichtung zur umfassenden Datenerhebung in Nieder- und Mittelspannungsnetzen besteht. Darüber hinaus ist zu berücksichtigen, dass die zusätzlichen Kosten eines WAMS aktuell dem Effizienzdruck der Regulierung unterliegen und somit die Zahlungsbereitschaft der Netzbetreiber begrenzen. Eine regulatorische Weiterentwicklung müsste daher sowohl geeignete Anreizmechanismen als auch eine angemessene Kostenanerkennung vorsehen, um den langfristigen Betrieb und die Skalierung eines WAMS zu ermöglichen. Zusammenfassung • Spannungsqualität wird im zukünftigen Energiesystem zu einer strategischen Steuerungsgröße. • Es fehlt derzeit eine flächendeckende, systematische Datengrundlage – ohne Wide-Area-Monitoring bleiben Risiken teilweise unsichtbar. • QC-Daten ermöglichen erstmals eine objektive, netz- weite Bewertung und unterstützen gezielte, effiziente Investitionsentscheidungen. • Zukunftsszenarien zeigen eine zunehmende Dynamik, häufigere Unterspannungen und steigende Verzerrungen (THD) – frühzeitiges Handeln ist entscheidend. • Ein WAMS schafft Transparenz über kurz- und langfristi- ge Entwicklungen, erfordert jedoch eine wirtschaftliche und regulatorische Einbettung. • Automatisierte und KI-gestützte Datenverarbeitung ist Voraussetzung, um große Datenmengen skalierbar und praktisch zu nutzen. • Nichthandeln oder eine rein marktgetriebene Einführung birgt Risiken wie Intransparenz, ineffiziente Investitionen und schleichende Qualitätsverschlechterung des Netzes. • Als Erkenntnis aus dem Projekt ergibt sich die Notwendig- keit, eine systematische Messinfrastruktur aufzubauen, um die Spannungsqualität flächendeckend zu erfassen, außerdem den Regulierungsrahmen weiterzuentwickeln, insbesondere durch die Integration von Spannungs- qualitätsparametern in das Q-Element, sowie geeignete wirtschaftliche Anreizmechanismen zu schaffen, die den Aufbau und Betrieb entsprechender Monitoring-Systeme unterstützen. QUIRINUS Control liefert die methodi- sche und technische Grundlage, um ein WAMS schritt- weise zu skalieren und den regulatorischen Rahmen weiterzuentwickeln.
Referenzen 88 Referenzen Hinweis: Aus technischen Gründen der Barrierefreiheit gibt es bei mehrfach zitierten Quellen für jede Zitierung einen eigenen Eintrag in der Referenzliste. [1] [a] DIN EN 50160 (2022) [b] DIN EN 50160 (2022) [c] DIN EN 50160 (2022) [2] Interconnector GmbH (2022). Netzfrequenz. Abgerufen am 18. August 2026 von https://www.interconnector.de/wissen/ netzfrequenz/ [3] [a] Kamenka, A.: Oberschwingungen Kapitel 1: Oberschwingungen – die Grundlagen. IHKS FachJournal, 26. Apr. 2019, www.ihks-fachjournal.de/online/page/2/. Zugegriffen am 18. August 2026 [b] Kamenka, A.: Oberschwingungen Kapitel 1: Oberschwingungen – die Grundlagen. IHKS FachJournal, 26. Apr. 2019, www.ihks-fachjournal.de/online/page/2/. Zugegriffen am 18. August 2026 [4] [a] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [b] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [c] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [d] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [e] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [f] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [g] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [h] A. Eberle GmbH & Co. KG. (2024). Power Quality/Versorgungsqualität. Abgerufen am 18. August 2026 von https://www.a-eberle.de/wissen/power-quality/ [5] [a] Kolb, T., Lautz, H.: Power Quality. Ein komplexes Thema verständlich erklärt (VDE Verlag, 2023) [b] Kolb, T., Lautz, H.: Power Quality. Ein komplexes Thema verständlich erklärt (VDE Verlag, 2023) [6] [a] Kompensation von Spannungseinbrüchen. Freqcon (2026), www.freqcon.com/anwendungen/kompensation-von- spannungseinbruechen/. Zugegriffen am 18. August 2026 [b] Kompensation von Spannungseinbrüchen. Freqcon (2026), www.freqcon.com/anwendungen/kompensation-von- spannungseinbruechen/. Zugegriffen am 18. August 2026 [7] Ulrich, H., Weber, H.: Laplace-, Fourier- und z-Transformation. Grundlagen und Anwendung (Springer Verlag, 2017) [8] [a] Garn, T. et al.: Parameters Of Rapid Voltage Changes And Their Effects On Power Quality (2022), https://share.google/28sQUBrZAPaf1Q35i [b] Garn, T. et al.: Parameters Of Rapid Voltage Changes And Their Effects On Power Quality (2022), https://share.google/28sQUBrZAPaf1Q35i
Referenzen 89 [9] [a] Humpert, C.: Hochspannungsübertragungstechnik Vorlesung 2. Vorlesungsskript, Technische Hochschule Köln (2023) [b] Humpert, C.: Hochspannungsübertragungstechnik Vorlesung 2. Vorlesungsskript, Technische Hochschule Köln (2023) [10] [a] Jahn, R.: Einsatz eines Niederspannungslängsreglers zur Behebung von Spannungsunsymmetrien hervorgerufen durch Elektromobilität und dezentrale Energieerzeugung, Masterarbeit an der TU Dortmund (2020) [b] Jahn, R.: Einsatz eines Niederspannungslängsreglers zur Behebung von Spannungsunsymmetrien hervorgerufen durch Elektromobilität und dezentrale Energieerzeugung, Masterarbeit an der TU Dortmund (2020) [11] [a] Illinois Institute of Technology – Information Trust Institute (ITI), https://iti.illinois.edu/, Zugriff im Februar 2026 [b] Illinois Institute of Technology – Information Trust Institute (ITI), https://iti.illinois.edu/, Zugriff im Februar 2026 [12] cimpyorm – Open-Source-Python-Bibliothek, https://github.com/RWTH-IAEW/cimpyorm, Zugriff im August 2026 [13] Kraftfahrt-Bundesamt (KBA): Bestand nach Gemeinden/Zulassungsbezirken, Stand 2023 (2023) [14] Statistisches Bundesamt (Destatis): Lohn- und Einkommensteuer (2023) [15] Fraunhofer-Institut für System- und Innovationsforschung ISI: Langfristszenarien für die Transformation des Energiesystems in Deutschland. Szenario TN-Strom (Karlsruhe, 2021) [16] Bundesministerium für Digitales und Verkehr (BMDV), Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR): Regional- statistische Raumtypologie (RegioStaR7) (Bonn/Berlin, 2023) [17] Vertgewall, C. M., Trageser, M., Kurth, M., Bong, A., Homann, N., Ulbig, A.: Modelling georeferenced locations of charging infrastructure and electric vehicles based on socio-economic parameters, IET Conf. Proc., 2022, (3), S. 859–863 [18] Gotzens, F., Gillessen, B., Burges, S. et al.: DemandRegio – Harmonisierung und Entwicklung von Verfahren zur regionalen und zeitlichen Auflösung von Energienachfragen: Abschlussbericht (Forschungszentrum Jülich GmbH, Jülich, 30.09.2020) [19] Bundesverband Wärmepumpe (BWP): Branchenstudie 2023: Marktentwicklung – Prognose – Handlungsempfehlungen (2023) [20] OpenEnergyPlatform, Reiner Lemoine Institut, fortiss, OFFIS: open-MaStR: open-MaStR (GitHub, 2024) [21] Thünen-Landatlas: Karten und Daten zu ländlichen Räumen in Deutschland, https://karten.landatlas.de/, Zugriff im Juli, 2024 [22] [a] Zdrallek, M.: Potenzialstudie von Power-to-Gas-Anlagen in deutschen Verteilungsnetzen. Abschlussbericht (Bonn/Berlin, 2019) [b] Zdrallek, M.: Potenzialstudie von Power-to-Gas-Anlagen in deutschen Verteilungsnetzen. Abschlussbericht (Bonn/Berlin, 2019) [23] Wirtz, C., Fröhlich, C., Vanselow, A., Krahl, S. and Moser, A.: Sequential hybrid power-flow and EMT simulations for investigat ing power quality in distribution grids, 23rd Wind & Solar Integration Workshop (WIW 2024), hybride Konferenz, Helsinki, 2024, S. 939-944, doi: 10.1049/icp.2024.3897. [24] Technische Universität Braunschweig – Institut für Elektrische Maschinen, Antriebe und Bahnen (ELENIA): Abschlussbericht zum Verbundvorhaben U-Quality: Auswirkungen zukünftiger Netznutzungsfälle der Niederspannung: Photovoltaik, Elektro- fahrzeuge, PV-Batteriespeichersysteme und Power-to-Heat-Anwendungen und ihre Betriebsweise auf die Spannungsqualität (Spannungsgrenzen, Gradienten, Unsymmetrie, Oberschwingungen, Flicker) und deren Beherrschung (2022) [25] Mobilität in Deutschland (MiD), https://www.mobilitaet-in-deutschland.de/, Zugriff im Februar 2026 [26] FNN: FNN-Hinweis: Regelbarer Ortsnetztransformator (rONT) – Einsatz in Netzplanung und Betrieb (Berlin), 2016) [27] Peng, F. Z., Adams, D. J.: Harmonic sources and filtering approaches-series/parallel, active/passive, and their combined power filters. 34th Annual Meeting of the IEEE Industry Applications, Phoenix, AZ, USA, 3-7 Oct. 1999, S. 448–455 [28] Akagi, H.: Active Harmonic Filters, Proc. IEEE, 2005, 93, (12), S. 2128–2141 [29] Active Filters for Harmonic Elimination, https://www.monolithicpower.com/en/learning/mpscholar/power- electronics/power-quality-and-harmonics/active-filters-for-harmonic-elimination, Zugriff im Februar 2026 [30] Pfeifer, P. P.: Betriebsplanung für aktive Verteilnetze. Dissertation, RWTH Aachen University, 2023 [31] Osterwalder, A.: The Business Model Ontology – A Proposition in a Design Science Approach, 2004 [32] Osterwalder, A., Pigneur, Y.: Business Model Generation, 2011, https://www.ciando.com/img/books/ extract/3593411539_lp.pdf
Referenzen 90 [33] [a] Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (BNetzA): Bericht zur Spannungs- qualität 2020 (2021) [b] Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (BNetzA): Bericht zur Spannungs- qualität 2020 (2021) [c] Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (BNetzA): Bericht zur Spannungs- qualität 2020 (2021) [d] Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (BNetzA): Bericht zur Spannungs- qualität 2020 (2021) [e] Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (BNetzA): Bericht zur Spannungs- qualität 2020 (2021) [f] Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (BNetzA): Bericht zur Spannungs- qualität 2020 (2021) [34] Netzqualität: Lösungen für Industriebetriebe, https://library.e.abb.com/public/8b886170a0474f82aaf8c55797e66c65/9AK- K107992A8378_Rev_A_Netzqualitaet_WEB.pdf, Zugriff im Juli 2025 [35] [a] EWI – Energiewirtschaftliches Institut an der Universität zu Köln: Messung und Regulierung von Spannungsqualität – Status quo in Deutschland und Erfahrungen anderer europäischer Länder (2025) [b] EWI – Energiewirtschaftliches Institut an der Universität zu Köln: Messung und Regulierung von Spannungsqualität – Status quo in Deutschland und Erfahrungen anderer europäischer Länder (2025) [c] EWI – Energiewirtschaftliches Institut an der Universität zu Köln: Messung und Regulierung von Spannungsqualität – Status quo in Deutschland und Erfahrungen anderer europäischer Länder (2025) [36] Wann zahlt der Netzbetreiber für „fehlerhafte Elektrizität“? BGH führt zum ProdHaftG aus, https://www.bbh-blog.de/alle- themen/wann-zahlt-der-netzbetreiber-fuer-fehlerhafte-elektrizitaet-bgh-fuehrt-zum-prodhaftg-aus/, Zugriff im Oktober 2025 [37] Deutsch-französisches Büro für die Energiewende (DFBEW): Versorgungszuverlässigkeit, Spannungsqualität und Kosten: Betrachtung der Stromnetze in Deutschland und Frankreich (Berlin/Paris, 2019) [38] Deutscher Industrie- und Handelskammertag (DIHK): Betriebe verzeichnen hohe Zahl an Stromunterbrechungen: Ergebnisse einer DIHK-Unternehmensbefragung von Februar 2024 (2024) [39] Bayerischer Industrie- und Handelskammertag (BIHK) Industrie- und Handelskammern in Bayern: Energiewende im Strom- markt – Versorgungsqualität (München, 2017) [40] VDE FNN Störungs- und Verfügbarkeitsstatistik 2022, https://www.vde.com/de/fnn/arbeitsgebiete/versorgungsqualitaet/ versorgungszuverlaessigkeit/versorgungszuverlaessigkeit, Zugriff im Januar 2025 [41] Council of European Energy Regulators (CEER) Energy Community Regulatory Board (ECRB): 7th CEER-ECRB Benchmarking Report on the Quality of Electricity and Gas Supply (Brüssel/Wien, 2022)
Abbildungsverzeichnis 91 Abbildungsverzeichnis Abbildung 1: Vereinfachtes Datenflussdiagram des WAMS ...................................................................................................... Abbildung 2: Einfluss von Harmonischen ................................................................................................................................. Abbildung 3: Spannungseinbruch (Dip) und Spannungserhöhung (Swell) ................................................................................. Abbildung 4: Rapid Voltage Change (RVC) ............................................................................................................................... Abbildung 5: Flickerflimmern ................................................................................................................................................... Abbildung 6: Spannungsunsymmetrien .................................................................................................................................... Abbildung 7: Vereinfachtes Datenflussdiagramm des WAMS ................................................................................................... Abbildung 8: WAMS-Oberfläche ............................................................................................................................................. Abbildung 9: Netzdatenkarte ................................................................................................................................................... 13 16 18 19 19 21 27 28 29 Abbildung 10: Zeitreihenvisualisierung ..................................................................................................................................... 30 Abbildung 11: Störschriebvisualisierung .................................................................................................................................... Abbildung 12: Cloud-Infrastruktur ........................................................................................................................................... Abbildung 13: Beispielhafte Darstellung der frequenzabhängigen Netzimpedanz ..................................................................... Abbildung 14: Ablaufdiagramm zum gekoppelten Simulationsprozess mit quasistationärer und dynamischer Simulation ......... 31 32 41 45 Abbildung 15: Aggregierte Darstellung je 50 Kundenanlagen an einem exemplarischen Tag (1 Zeitschritt = 1 Minute) ............ 46 Abbildung 16: Matrixdarstellung zu Spannungsabsenkungen .................................................................................................. 50 Abbildung 17: Vergleich der Total Harmonic Distortion (THD) der Spannung nach Standort und Szenario bei typischer Umrichterstöreinprägung ......................................................................................................................................................... Abbildung 18: Ausbreitung von harmonischen Verzerrungen bei verstärkter Störung einer Einzelanlage nach Szenario und Abstand von Störknoten ..................................................................................................................................... 52 53 Abbildung 19: Ausgehend von wenigen Messungen der Spannungsqualität in einem Stromnetz werden mithilfe der Zustandsschätzung entsprechende Größen an allen Knoten (rechts) abgeschätzt ............................................................... 54 Abbildung 20: Methoden der Spannungsqualitätszustandsschätzung und abgeschätzte Größen ............................................ Abbildung 21: Ablauf der Netzzustandsschätzung ................................................................................................................... Abbildung 22: Schematischer Aufbau eines Multi-Layer-Perzeptrons (links) und Ablauf des Forward Pass (rechts) ................... 55 56 57 Abbildung 23: Vergleich von Dense Neural Networks (DNN, links) und Physics-Aware Neural Networks (PANN, rechts) PANN prägen die Stromnetzstruktur in die Verbindungen der Neuronen ein. .......................................................................... 58 Abbildung 24: CIGRE-Niederspannungsverteilnetz bestehend aus Wohngebiet, Industriezweig und Gewerbegebiet, erweitert um drei PV-Anlagen und mit Spannungsqualitätsmessgeräten in Rot markiert. ........................................................ 59 Abbildung 25: Oberschwinungsgesamtverzerrung (Total Harmonic Distortion, THD) an drei ausgewählten Knoten ................. 60 Abbildung 26: Kumulative Verteilungsfunktion der gemittelten absoluten Fehler .................................................................... 61
Abbildungsverzeichnis 92 Abbildung 27: Abschätzungen eines diskreten Zustandes mehrerer Modelle ........................................................................... 62 Abbildung 28: Microgrid an der TH Köln, bestehend aus sechs steuerbaren, bidirektionalen Wechselrichtern an den Knoten 9 bis 14, die variable Haushaltslasten und -erzeuger darstellen und auf der Gleichstromseite mit einem Batteriepool verbunden sind ................................................................................................................................... 63 Abbildung 29: Abschätzung und tatsächliche Werte der Oberschwingungsgesamtverzerrung (THD) im echten Netz (Microgrid) .......................................................................................................................................................... 64 Abbildung 30: Spannungsband bei zunehmender rONT-Durchdringung .................................................................................. 66 Abbildung 31: Business Modell Canvas für ein WAMS.............................................................................................................. Abbildung 32: Nutzenkategorien eines WAMS ........................................................................................................................ Abbildung 33: Potenzielle Schäden durch verringerte Spannungsqualität in der Industrie ........................................................ Abbildung 34: Break-Even-Analyse des WAMS-Geschäftsmodells ........................................................................................... 73 74 77 78
Tabellenverzeichnis und Formeln 93 Tabellenverzeichnis Tabelle 1: Die Norm DIN EN 50160 ........................................................................................................................................... Tabelle 2: Grenzwerte für die zulässigen Anteile von Harmonischen im Versorgungsnetz ......................................................... Tabelle 3: Transienten .............................................................................................................................................................. 16 17 20 Tabelle 4: Auftrittshäufigkeit von PQ-Phänomenen zwischen KW 16 2023 und KW 30 2025................................................... 40 Tabelle 5: Zusammenfassung der Simulation ............................................................................................................................ 48 Tabelle 6: Ergebnisse der quasistationären Simulation anhand der exemplarischen anonymisierten Testnetze. .......................... 49 Tabelle 7: Gegenmaßnahmen .................................................................................................................................................. 68 Tabelle 8: Kosten eines WAMS ................................................................................................................................................. 76 Formeln Formel 1 .................................................................................................................................................................................. 16 Formel 2 .................................................................................................................................................................................. 17 Formel 3 .................................................................................................................................................................................. 17 Formel 4 .................................................................................................................................................................................. 20 Formel 5 .................................................................................................................................................................................. 20 Formel 6 .................................................................................................................................................................................. 51 Formel 7 .................................................................................................................................................................................. 67
Abkürzungsverzeichnis 94 Abkürzungsverzeichnis WAMS Wide-Area-Monitoring-System EMV HMI NTP PTP Elektromagnetische Verträglichkeit Human-Machine Interface Network Time Protocol Precision Time Protocol PMUs Phasor Measurement Units PQ WLS RVC SVD SSH SV EQ TP Power Quality Weighted Least Squares Rapid Voltage Change Singular Value Decomposition Steady State Hypothesis State Variables Equipment (Ausstattung/Anlagenteile) Topologie CGMES Common Grid Model Exchange Standard CIM Common Information Model CIMPyORM Mapping-Logik zur CGMES-Transformation DL GL VoLL VoVQ EEG NEP MsBG CEER Diagram Layout Geographical Location (geografische Koordinaten) Value of Lost Load (Wert der Verlustlast) – hier als volkswirtschaftlicher Schaden Value of Voltage Quality (Wert der Spannungsqualität) – Nutzen von Vermeidung von Schäden Erneuerbare-Energien-Gesetz Netzentwicklungsplan Messstellenbetriebsgesetz Council of European Energy Regulators COMTRADE Kommunikationsformat für Störschriebe ERA5 MaStR DNN PANN Era5-Datensatz des European Centre for Medium-Range Weather Forecasts Marktstammdatenregister Deep Neural Network Physics-Aware Neural Network EVOsim Eigenverbrauchsoptimierungssimulation IGP MQTT KPI Intelligent Grid Platform Message Queuing Telemetry Transport Key Performance Indicator
Abkürzungsverzeichnis und Formelzeichen 95 ERP MAE CDF SAIDI ASIDI RMS TB CNN ERP Mean Absolute Error Cumulative Distribution Function; kumulative Verteilungsfunktion System Average Interruption Duration Index (durchschnittliche Unterbrechungsdauer) Additional SAIDI (gewichteter SAIDI je Netzbereich) Root Mean Square (effektivwerte der Spannung beschreiben die tatsächlich wirksame Höhe der elektrischen Spannung über einen bestimmten Zeitraum und sind damit eine zentrale Kenngröße zur Bewertung der Spannungsqualität. Im Gegensatz zu Momentanwerten liefern RMS-Werte eine geglättete, praxisrelevante Größe, die direkt mit der Belastung und dem Verhalten elektrischer Verbraucher zusammenhängt.) Terabyte Convolutional Neural Network SCADA Supervisory Control and Data Acquisition API Application Programming Interface Formelzeichen Variablenname Beschreibung THD Δf U F ΔUn Un P Q S cos φ Total Harmonic Distortion = Oberschwingungsgesamtverzerrung, Gesamtoberschwingungsgehalt. Gesamtverzerrung der Harmonischen im Verhältnis zur Grundfrequenz Schrittweite, Spannungsdelta. Spannungsänderungspotenzial bei Schnellspannungsänderungen Spannung Netzfrequenz Maximale Spannungsänderung innerhalb spezieller Bedingungen Nennspannung Einheit Prozent (%) Prozent (%) Volt (V) Hertz (Hz) Prozent (%) Volt (V) Wirkleistung. Leistungskomponenten. Leistungsparameter Kilowatt (kW) Blindleistung. Leistungskomponenten. Leistungsparameter Kilovoltampere (kVA) Scheinleistung. Leistungskomponenten. Leistungsparameter KilovAr (kVar) Leistungsfaktor zwischen –1 und 1