Enhancing situational awareness in low-voltage grids through digital process twins and data-driven methods

Abstract

The low-voltage power grid is experiencing significant transformations due to the integration of renewable energy sources and the introduction of new types of loads, including electric vehicles, electric heat pumps, and smart home systems. These developments add complexity and variability, posing significant challenges to conventional grid management methods. As a result, there is a growing need for digitalization, particularly in low-voltage grids, to support timely and informed decision-making by distribution system operators. In response, the implementation of digital technologies, particularly digital process twins, has emerged as a promising solution. Digital process twins provide a model of grid operations, capturing both manual and automated tasks. Digital process twins provide real-time simulation and analysis of the power grid, enabling operators to visualize and manage the grid's behavior effectively. By leveraging real-time data analysis and artificial intelligence, digital process twins facilitate a deeper understanding of grid operations, enhancing the ability to preempt potential issues and thus improving the grid’s stability and reliability. The core objective of this thesis is to enhance situational awareness within low-voltage grids by utilizing the advanced capabilities of digital process twins. This involves employing sophisticated data-driven methodologies to forecast potential critical scenarios and detect anomalies that could disrupt grid functionality, capabilities that are essential for adapting to new consumer behaviors, managing potential grid failures, and accommodating the variable nature of renewable energy sources. Moreover, this research addresses the growing complexity and operational demands of modern power systems, which often challenge distribution system operators' ability to maintain a comprehensive and accurate understanding of the grid state. These challenges can hinder their ability to attain the necessary level of situational awareness required to make informed decisions and respond effectively to incidents. This thesis aims to demonstrate how digital process twins can be strategically utilized to improve situational awareness in the low-voltage grid. By utilizing data and artificial intelligence-driven insights, this research aims to establish a foundation for a more resilient and efficient power system, ensuring the grid is well-equipped to meet the demands of an increasingly complex and rapidly evolving energy environment.Das Niederspannungsnetz erfährt durch die Integration erneuerbarer Energiequellen und die Einführung neuer Arten von Lasten wie Elektrofahrzeuge, elektrische Wärmepumpen und Smart-Home-Systeme transformative Veränderungen. Diese Entwicklungen führen zu mehr Komplexität und Variabilität und stellen herkömmliche Netzmanagementmethoden vor erhebliche Herausforderungen. Als Reaktion darauf ist die Implementierung digitaler Technologien, insbesondere digitale Prozesszwillinge, von entscheidender Bedeutung. Digitaler Prozesszwillinge in Stromnetzen bieten ein digitales Modell der von Netzbetreibern durchgeführten betrieblichen Aufgaben, das sowohl manuelle technische Aufgaben als auch solche umfasst, die von Software ausgeführt werden. Digitale Prozesszwillinge bieten Echtzeitsimulationen und -analysen des Stromnetzes und ermöglichen es den Betreibern, das Verhalten des Netzes effektiv zu visualisieren und zu steuern. Durch den Einsatz von Echtzeit-Datenanalyse und künstlicher Intelligenz ermöglichen digitaler Prozesszwillinge ein tieferes Verständnis des Netzbetriebs, was die Fähigkeit zur Vorbeugung potenzieller Probleme verbessert und somit die Stabilität und Zuverlässigkeit des Netzes erhöht. Das Hauptziel dieser Arbeit ist die Verbesserung der Situation in Niederspannungsnetzen durch die Nutzung der fortschrittlichen Fähigkeiten digitaler Prozesszwillinge. Dies beinhaltet den Einsatz hochentwickelter datengesteuerter Methoden zur Vorhersage potenziell kritischer Szenarien und zur Erkennung von Anomalien, die die Netzfunktionalität stören könnten, Fähigkeiten, die für die Anpassung an neue Verbraucherverhaltensweisen, die Bewältigung potenzieller Netzausfälle und die Berücksichtigung der variablen Natur der erneuerbaren Energien unerlässlich sind. Darüber hinaus befasst sich diese Forschung mit der zunehmenden Komplexität und den betrieblichen Anforderungen moderner Stromnetze, die die Fähigkeit von Verteilnetzbetreibern, ein umfassendes und genaues Verständnis des Netzzustands zu erhalten, oft in Frage stellen. Diese Herausforderungen können ihre Fähigkeit beeinträchtigen, das erforderliche Maß an Sicherheit zu erreichen, um fundierte Entscheidungen zu treffen und wirksam auf Zwischenfälle zu reagieren. Diese Arbeit soll zeigen, wie digitaler Prozesszwillinge strategisch eingesetzt werden können, um die Sicherheit im Niederspannungsnetz zu verbessern. Durch die Nutzung von Daten und künstlicher Intelligenz-gesteuerten Erkenntnissen soll diese Forschung eine Grundlage für ein widerstandsfähigeres und effizienteres Stromsystem schaffen und sicherstellen, dass das Netz gut auf die Anforderungen einer zunehmend komplexen und sich schnell entwickelnden Energieumgebung vorbereitet ist.