Motivation
Die Bedeutung von Kunden-Stammdaten in Netzbetrieb und -planung wird zukünftig stark zunehmen. Eine Transparenz über die im Netz angeschlossene Anlagen und ihr spezifisches Verhalten ist entscheidend für eine zielgerichtete Steuerung nach §14a EnWG und eine Prognose der zukünftigen Versorgungsaufgabe.
Die Realität im Verteilnetz sieht heute jedoch anders aus. Eine Vielzahl von Gründen führen zu fehlerhaften und intransparenten Kunden-Stammdaten:
1. Falscher Wert eingetragen
Stammdaten werden von Installateuren und Endkunden händisch eingetragen, dabei entstehen Fehler.
2. Falscher Station zugeordnet
Bei unklarer Netztopologie in der Niederspannung ist die Zuordnung von Kundenanlagen zu Ortsnetzstationen nicht immer transparent.
3. Anlage gealtert/abgebaut
Viele Anlagen werden abgebaut, ohne ordnungsgemäß beim Netzbetreiber abgemeldet zu werden (z.B. Nachtspeicherheizungen). Zudem weisen gealterte PV-Anlagen eine reduzierte Einspeisung gegenüber dem Betriebsbeginn auf.
4. Anlage nicht angemeldet
Vielen Anlagen werden nicht beim Netzbetreiber angemeldet, dazu zählen insbesondere Balkon-Kraftwerke, aber auch das Laden von Elektroautos ohne Wallbox.
Ansatz von embee
Bei vielen Verteilnetzbetreibern ist die Digitalisierung von Ortsnetzstationen im Roll-Out. Das schafft neue Möglichkeiten die Netztransparenz zu erhöhen. embee hat einen Ansatz entwickelt, um die Leistung und die viertelstündliche Zeitreihe je Netzteilnehmer (PV, Wärmepumpe, klassischer Haushaltsverbrauch, etc.) an einer Ortsnetzstation zu bestimmen. Dazu wird die viertelstündlichen Wirkleistungs-Messreihe der Ortsnetzstation (oder der Abgänge) disaggregiert, d.h. in die Bestandteile zerlegt. Das Optimierungs- und Machine-Learning-Modell von embee basiert auf externen Daten wie Wetter-, Markt- und Strukturdaten sowie Bottom-Up-Profilen für die Netzteilnehmer. Darüber hinaus kann der Algorithmus eigene Profile auf Basis von z.B. kalendarischen Effekten erstellen und so stationsspezifische Lastprofile erstellen, die die Netzrealität deutlich genauer abbilden als Standardlastprofile wie H0 und G0.
Das Ergebnis der Disaggregation ist die effektive Leistung und das spezifische Profil je Netzeilnehmer und Ortsnetzstation. Die effektive Leistung schafft Transparenz über die maximale Last und Einspeisung der tatsächlich im Netz vorhandenen Anlagen und bildet die Grundlage für Steuerungsmaßnahmen wie §14a EnWG sowie Entwicklung von Prognosen und Ausbauszenarien. Das spezifische Profil je Netzteilnehmer ermöglicht die Berücksichtigung der lokalen Gegebenheiten des Ortsnetzes in Simulations- und Planungsprozessen.
Proof of Concept
Der Disaggregations-Ansatz wurde auf mehreren Kunden-Daten sowie öffentlichen Datensätzen validiert. Für die Datensätzen von WPUQ [1] und OPSD [2] wurden die disaggregierten Zeitreihen mit den tatsächlichen Zeitreihen vergleichen.
Im folgenden wird die Disaggregation der WPUQ-Daten mit einer interaktiven Grafik vorgestellt. Die Quelle besteht aus Smart-Meter-Daten für 16 Haushalte. Insgesamt liegt eine PV-Leistung von 55 kW und eine Wärmepumpen-Leistung von 159 kW über alle Haushalte vor. Zur Simulation einer fiktiven ONS-Messreihe haben wir die Summe über alle Smart-Meter-Messungen gebildet und damit unser Disaggregations-Modell gestartet. Grafik 1 zeigt die fiktive ONS-Messreihe sowie das Ergebnis der Disaggregation für PV, Haushalte, Wärmepumpen und einen Restterm. Der Restterm stellt den Anteil der Kurve dar, der durch das Modell nicht direkt erklärt werden kann, hierzu zählen (Stand heute) noch die Ladung von Elektroautos. Die untere Abbildung zeigt im Vergleich die disaggregierte und die originale PV-Einspeisung der betrachteten Haushalte.
Hinweis: Die Abbildungen sind interaktiv. Der Zeitraum lässt sich in der Grafik oder über den Schieberegler unter der Grafik verändern. Über die Button (1T, 1W, 1M, Gesamt) lässt sich der Zeitraum schnell begrenzen oder erweitern.
ONS-Messung und disaggregierte Netzteilnehmer (kW)
Disaggregierte und originale PV-Kurve (kW)
Quellen
[1] „WPUQ„: Dataset on electrical single-family house and heat pump load profiles in Germany, Marlon Schlemminger, Tobias Ohrdes, Elisabeth Schneider & Michael Knoop (2022)
[2] „OPSD„: Open Power System Data. 2020. Data Package Household Data. Version 2020-04-15. https://data.open-power-system-data.org/household_data/2020-04-15/. (Primary data from various sources, for a complete list see URL).
