Application of synthetically trained Neural State Estimation to real-world distribution grids
| dc.contributor.advisor | Rehtanz, Christian | |
| dc.contributor.author | Oberließen, Thomas | |
| dc.contributor.referee | Lehnhoff, Sebastian | |
| dc.date.accepted | 2025-10-16 | |
| dc.date.accessioned | 2026-01-19T09:55:35Z | |
| dc.date.available | 2026-01-19T09:55:35Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | Die Integration erneuerbarer Energien und Fortschritte der Sektorkopplung führen zu einer zunehmend komplexen Versorgungssituation in Verteilnetzen. Während aktive Netzüberwachung und Betriebsführung in Verteilnetzen historisch unüblich waren, nimmt ihre Bedeutung nun deutlich zu. Aktuelle Forschung verweist, unter anderem, auf Ansätze basierend auf überwachtem Lernen als eine effektive Lösung für die Verteilnetz-Zustandsschätzung. Eine fundamentale Einschränkung dieser Ansätze ist die Abhängigkeit von synthetischen Trainingsdaten für das Training und Testen der Modelle. Diese Arbeit modelliert eine synthetische Variante eines realen Verteilnetzes und untersucht die Übertragbarkeit eines synthetisch trainierten Modells auf die Messdaten des realen Netzes. Reale Messdaten enthalten unweigerlich Fehler und fehlende Signale, was eine signifikante Herausforderung für die Zustandsschätzung darstellt. Daher untersucht die Arbeit die Detektion und Rekonstruktion von Anomalien in realen Messdaten. Darüber hinaus behindert die begrenzte Transparenz von Machine-Learning-Modellen ihre Anwendung in der Praxis. Folglich wird eine Erweiterung des Modells des überwachten Lernens zu einer stochastischen Zustandsschätzung vorgeschlagen, die die Schätzunsicherheit quantifiziert und Schätzbereiche liefert. | de |
| dc.description.abstract | The integration of renewable energies and sector coupling advances lead to an increasingly complex supply environment in distribution grids. Whereas active grid monitoring and operational control were historically uncommon in distribution grids, their significance is now markedly increasing. Recent research points, among others, to supervised learning-based approaches as an effective solution for distribution system state estimation. A fundamental limitation of those approaches is the reliance on synthetic training data for training and testing. This thesis models a synthetic variant of a real distribution grid and investigates the transferability of a synthetically trained model to the measurement data of the real grid. Real-world measurement data inevitably contains errors and missing signals, presenting a significant challenge for state estimation. Thus, the thesis investigates the detection and reconstruction of anomalies within the measurement data. Furthermore, the limited transparency of machine learning models hinders their adoption in the field. Consequently, an extension of the supervised learning model to a stochastic state estimation that quantifies estimation uncertainty and delivers estimation ranges is proposed. | en |
| dc.identifier.uri | http://hdl.handle.net/2003/44685 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-26452 | |
| dc.language.iso | en | |
| dc.subject | Distribution System State Estimation | en |
| dc.subject | Machine learning | en |
| dc.subject | Digital twin | en |
| dc.subject.ddc | 620 | |
| dc.subject.rswk | Verteilungsnetz | de |
| dc.subject.rswk | Digitaler Zwilling | de |
| dc.subject.rswk | Maschinelles Lernen | de |
| dc.subject.rswk | Überwachtes Lernen | de |
| dc.subject.rswk | Zustandsschätzung | de |
| dc.title | Application of synthetically trained Neural State Estimation to real-world distribution grids | en |
| dc.type | Text | |
| dc.type.publicationtype | PhDThesis | |
| dcterms.accessRights | open access | |
| eldorado.dnb.deposit | true | |
| eldorado.secondarypublication | false |