Machine-Learning-Methoden zur Prognose von Netzzuständen

Mit dem zunehmenden Ausbau von Photovoltaik, Elektromobilität und weiteren dezentralen Energieressourcen steigen die Anforderungen an den Betrieb von Verteilnetzen. Vor diesem Hintergrund untersuchen wir im Paper „Probabilistic Spatio-Temporal Machine Learning Methods for Distribution System State Forecasting“, wie zukünftige Spannungen und Leitungsauslastungen mithilfe datengetriebener Methoden zuverlässig prognostiziert werden können.

Die Arbeit wurde zunächst auf der Power Systems Computation Conference (PSCC) 2026 vorgestellt und anschließend im Journal Electric Power Systems Research (EPSR) veröffentlicht. Die Ergebnisse zeigen, dass insbesondere Machine-Learning-Methoden, die zeitliche Entwicklungen mit Netzstrukturinformationen kombinieren, robuste und übertragbare Vorhersagen ermöglichen.

Ein wesentlicher Mehrwert liegt in der frühzeitigen Erkennung kritischer Betriebszustände wie Spannungsverletzungen oder Überlastungen. Damit schaffen Netzzustandsprognosen eine wichtige Grundlage für Anwendungen wie netzorientierte Hüllkurven, dynamische Netzentgelte sowie die vorausschauende und netzfreundliche Steuerung von Flexibilitäten. Darüber hinaus ermöglichen probabilistische Prognosen eine transparente Abbildung von Unsicherheiten und unterstützen so fundierte Entscheidungen im zukünftigen Netzbetrieb.

Theodor Haug
FfE
thaug@ffe.de