Plenz, Maik

Die Übertragungskapazitäten von Freileitungen und Energiekabeln werden durch thermische Modelle bestimmt, die konservative und statische Grenzwerte mit substantiellen Sicherheitsfaktoren festlegen. Ungenutzte Potenziale verstärken die Kapazitätsengpässe der Netzinfrastruktur. Um die Überlastung von Betriebsmitteln zu verhindern, werden die teuren und nicht-ökologischen Maßnahmen des Netzengpassmanagements eingesetzt (Redispatch, Einspeisemanagement und Netzreservekraftwerke). Dieser Beitrag untersucht, inwiefern sich Erhöhungen der Übertragungskapazitäten auf den Einsatz des Netzengpassmanagements auswirken. In der 50Hertz-Zone wurde festgestellt, dass eine statische Erhöhung der Übertragungskapazität um durchschnittlich 7,86 % bzw. 3,83 % für 220 kV- bzw. 380 kV-Systeme ausreicht, um mindestens 50 % der Einspeisungsreduktion zu verhindern. Um 90 % der Reduktion zu verhindern, sind durchschnittlich 23,70 % bzw. 11,90 % für 220 kV- bzw. 380 kV-Systeme notwendig. Bereits geringe Erhöhungen der Energieübertragungskapazität führen folglich zu signifikanten Reduktionen des Netzengpassmanagements.

Die Auswirkungen des Klimawandels sind weltweit spür- und messbar. Langanhaltende Dürrephasen in Frankreich, Überschwemmungen in Italien, wochenlange Waldbrände in den Vereinigten Staaten und Kanada sind nach verschiedenen Experten, wie bspw. des IPCC, Auswirkungen eines sich verschiebenden Klimas. In Deutschland wirken sich die Folgen auf die Umwelt und die Wirtschafts- und Lebensbereiche aus. Auch die Strukturen der Energielogistik sind betroffen. Speziell in Großstädten sind die Auswirkungen spürbar. Klimatische Faktoren wie Temperaturerhöhungen zur Luft und im Boden, Häufigkeit von Niederschlägen und deren Menge aber auch Vegetationsveränderungen oder Extremwetter wirken sich besonders aus. Speziell in der elektrischen Infrastruktur und hier mit dem Fokus auf Übertragung und Verteilung, wird eine Wirkungskette und deren Auswirkungen untersucht. Grundlage ist eine Zusammenarbeit mit der Stromnetz Hamburg GmbH (SNH), bei welchem die Betroffenheit der Verteilnetze und die techno-ökonomischen Auswirkungen und Anpassungsoptionen auf wichtige Assets in zwei Berichten untersucht werden. Nachfolgend werden anonymisierte Auszüge aus den Ergebnissen vorgestellt und die Auswirkungen des Klimawandels beschrieben. Ziel des Papers ist die Darstellung des aktuellen Forschungsstandes auf dem Gebiet der klimatischen Auswirkungen auf Assets von Netzbetreibern.

Die fortlaufende Elektrifizierung der Busflotten führt zu neuen Herausforderungen, sowohl für den Flottenbetreiber als auch für das bestehende Energieversorgungssystem. Ein detailliertes Verständnis der Lastprofile der entsprechenden Busbetriebshöfe kann eventuelle Risiken mildern und zusätzlich eine Reihe von unterschiedlichen markt- und netzorientierten Use Cases ermöglichen. Die synthetischen Lastprofile bieten sich hierbei als eine gute Grundlage für die relevanten Design-, Betrieb- oder Optimierungsanalysen. Dieses Paper definiert synthetische Lastprofile der elektrischen Busbetriebshöfe, basierend auf der Analyse der 17 bestehenden Busbetriebshöfe in der Metropolregion Hamburg. Mithilfe einer Clustering-Analyse konnten drei unterschiedliche synthetische Lastprofile definiert werden, abhängig von den Charakteristiken der Busbetriebshöfe und den dazugehörigen Umläufen.

In diesem Beitrag wird der Einsatz hybrider neuronaler Netze für Zeitreihenprognosen in verschiedenen Bereichen wie Energie, Verkehr, Finanzen und Umweltüberwachung untersucht. Es werden die grundlegenden Bausteine hybrider neuronaler Netze und die Verwendung struktureller Lösungen wie der Bidirektionalität vorgestellt. Außerdem werden die Genauigkeit, Anwendbarkeit und Nutzbarkeit von vier Hybridmodellen bewertet, die Faltungsschichten und rekurrente Einheitenblöcke zur Vorhersage zukünftiger Werte von Zeitreihendaten verwenden. Das Papier zeigt die Funktionalität des Modells, um automatisch zeitliche Muster aus historischen Daten zu extrahieren und zeitliche Vorhersagen zu treffen. Darüber hinaus werden die Ergebnisse von Open-Loop-Simulationen von Szenarien unterschiedlicher Komplexität vorgestellt sowie Schlussfolgerungen und Perspektiven für die weitere Forschung beurteilt. Dieses Paper dient als Übersicht für Forscher und Praktiker, die an der Verwendung neuronaler Netze für Zeitreihenprognosen interessiert sind.

The process of electrification of the public transportation sector is resulting in a growing number of electric buses on the streets. Modelling and simulating the electric bus fleets can not only identify possible issues in time but can also provide valuable inputs for the optimal integration of these buses into existing operational plans and management systems. One of the important requirements for accurate modelling is knowledge of the energy consumption of the buses. This paper uses a data-driven approach to analyze the factors impacting energy consumption. The considered factors are: average daily temperature, trip length, total trip time, state of charge at the beginning of the trip, and average vehicle speed during the trip. Additionally, the impact of different buses and routes is analyzed by considering their ID numbers. The data from 96 different electric buses were collected in the city of Hamburg for 13 months. The analysis of individual parameters provides an insight into the actual operation of electric bus fleets. Additionally, using correlation analysis, it is possible to understand the relationship among all mentioned parameters. The analysis of the energy consumption of electric buses provided in this paper offers valuable inputs for future studies and the successful electrification of further bus fleets.

The emergence of new energy optimisation and control technologies with the concept of power system flexibility is a promising way to achieve the desired optimum, secure management within the smart grid and green energy transition. In this context, demand response is available through flexible demand management, taking into account various technical and time constraints. Accordingly, the aim of this paper is to address existing constraints in the field of electric mobility, in particular the operation of the charging infrastructure of bus depots, in order to actively and effectively participate in demand response events by forecasting day-ahead charging costs and load profiles of public transport infrastructure. In line with the development of a methodology for forecasting more accurately, this paper develops a prediction model based on machine learning (ML). A charging schedule is then produced based on Mixed-Integer Linear Programming (MILP) with various objective function scenarios, taking into consideration the electricity price forecast and load distribution. As a result, calculating new provisional load profiles involves assessing the flexibility potential of the bus fleet and preparing solutions in advance based on the electricity market situation.

In recent years, electric vehicles (EVs) are considered to be a promising way to reduce greenhouse gas emissions from the transportation sector. However, the increasing penetration of EVs into the distribution network (DN) raises serious concerns about the network’s safe and reliable operation. The uncontrolled EV charging with random behavior will lead to volatile load peaks on the distribution transformer. In order to obtain more transformer loading capacity available for integration of further EVs, distributed energy resources (DERs) and related devices, such as heat pumps, the transformer loading must be limited to a certain range. For this reason, an intelligent charging management based on model-free Reinforcement Learning (RL) is proposed in this work. The RL management is able to control the charging power of all EVs connected to the network without previous knowledge about the arriving- and leaving time. The needed information for the RL-agent to perceive the current state of the system is formed with cumulated values such as the total energy requirement and the total charging power demand of all EVs. In this paper, the RL algorithm is trained on real-world energy consumption data for a month and on a reference network, created with selected characteristics of a substation network area in the northeast of Hamburg. Comparing with uncontrolled charging, the simulation results show that the RL-based charging management avoids 99 % of threshold violations regarding transformer loading and results in 1% of EV energy requirement is not satisfied. Through sensitivity analysis regarding the state space representation in the employed RL process, the necessity of providing the state of charge (SOC) or the energy requirements of EV users are proven to improve the charging control performance.

Owing to the immense climate changes recently, the city of Hamburg has decided to allow the purchase of only emission-free buses for public transportation. Meanwhile, Hamburg focuses on the implementation of electric buses. For this purpose, the two public transportation companies in Hamburg which are the Hamburger Hochbahn AG (HOCHBAHN), and the Verkehrsbetriebe Hamburg-Holstein GmbH (VHH) decided to build new charging infrastructure for electric bus depots. In addition, they started by electrifying their existing stations. This study proposes an optimal method for electrifying bus depots by modularizing the subsystems in electrical power systems. An approach that allows the study of different configurations of power system components. Analyzing these configurations results in the conclusion of the most technically feasible configuration, achieving the lowest cost. Furthermore, the model objectives include reducing the required area, which is a challenging criterion for bus depots in many cities. Mixed-Integer Quadratic Programming (MIQP) is used to generate this combination based on predefined constraints that must satisfy all implemented constraints of the system.

One of the crucial steps for a successful integration of electric bus fleets into the existing electric power systems is the active and intelligent usage of their flexibility. This is important not only for reducing the eventual negative effects on the power grid but also for reducing energy and infrastructure costs. The first step in the optimal usage of flexibility is its quantification, which al-lows the maximum provision of flexibility without any negative effects for the fleet operation. This paper explores the available flexibility of large‐scale electric bus fleets with a concept of centralized and unidirectional depot charging. An assessment of available positive and negative flexibility was conducted based on the data from two real bus depots in the city of Hamburg, Germany. The analysis shows the biggest flexibility potential was in the period from 16:00 h to 24:00 h, and the smallest one was in the periods from 08:00 h to 16:00 h, as well as from 02:00 h to 08:00 h. The paper also gives an overview of the possible markets for flexibility commercialization in Germany, which can provide an additional economic benefit for the fleet operators. A further analysis of the impact of parameters such as the timeline (working day or weekend), charging concept, ambient temperature, and electrical preconditioning provides an additional understanding of available flexibility.

The high importance of demand-side management for the stability of future smart grids came into focus years ago and is today undisputed among a wide spectrum of energy market participants, and within the research community. The increasing development of communication infrastructure, in tandem with the rising transparency of power grids, supports the efforts for deploying demand-side management applications. While it is then accepted that demand-side management will yield positive contributions, it remains challenging to identify, communicate, and access available flexibility to the flexibility managers. The knowledge about the system potential is essential to determine impacts of control and adjustment signals, and employ temporarily required demand-side flexibility to ensure power grid stability. The aim of this article is to introduce a methodology to determine and communicate local flexibility potential of end-user energy systems to flexibility managers for short-term access. The presented approach achieves a reliable calculation of flexibility, a standardized data aggregation, and a secure communication. With integration into an existing system architecture, the general applicability is outlined with a use case scenario for one end-user energy system. The approach yields a transparent short-term flexibility potential within the flexibility operator system.