h1

000689766 001__ 689766
000689766 005__ 20230408005150.0
000689766 020__ $$a978-3-942789-39-4
000689766 0247_ $$2datacite_doi$$a10.18154/RWTH-2017-04572
000689766 0247_ $$2HBZ$$aHT019363566
000689766 0247_ $$2Laufende Nummer$$a36131
000689766 037__ $$aRWTH-2017-04572
000689766 041__ $$aEnglish
000689766 082__ $$a621.3
000689766 1001_ $$0P:(DE-82)069853$$aWu, Xiang$$b0
000689766 245__ $$aNew approaches to dynamic equivalent of active distribution network for transient analysis$$cXiang Wu$$honline
000689766 246_3 $$aNeue Ansätze für das dynamische Äquivalent des aktiven Verteilungsnetzes für die Transientenanalyse$$yGerman
000689766 250__ $$a1. Auflage
000689766 260__ $$aAachen$$bE.ON Energy Research Center, RWTH Aachen University$$c2016
000689766 260__ $$c2017
000689766 300__ $$axviii, 138 Seiten : Illustrationen, Diagramme
000689766 3367_ $$2DataCite$$aOutput Types/Dissertation
000689766 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000689766 3367_ $$2ORCID$$aDISSERTATION
000689766 3367_ $$2BibTeX$$aPHDTHESIS
000689766 3367_ $$02$$2EndNote$$aThesis
000689766 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000689766 3367_ $$2DRIVER$$adoctoralThesis
000689766 4900_ $$aE.On Energy Research Center : ACS, Automation of complex power systems$$v40
000689766 500__ $$aDruckausgabe: 2016. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2017
000689766 502__ $$aDissertation, RWTH Aachen University, 2016$$bDissertation$$cRWTH Aachen University$$d2016$$gFak06$$o2016-07-12
000689766 5203_ $$aMit der zunehmenden Anzahl verteilter Generatoren auf der Verteilungsebene wird das dynamische Verhalten von aktiven Verteilungsnetzen (active distribution networks, ADNs) einen zunehmenden Einfluss auf die gesamte elektrische Anlage haben. Um eine Transientenanalyse eines derart großen und komplexen Systems durchzuführen, ist es weder praktisch noch notwendig, ein vollständig detailliertes Systemmodell anzuwenden. Eine Technik zur Erzielung hochgenauer und einfacher Äquivalente für ADNs wird immer wichtiger. In dieser Dissertation werden drei originale Äquivalentmodelle vorgeschlagen, um die Herausforderungen zu meistern, die sich aus der Größe und Komplexität der Transientenanalyse des Stromsystems ergeben. Ein dynamisches Äquivalentmodell mit fester Struktur (fixed-structure dynamic equivalent model, FDEM) wird durch die Integration von vier individuellen Äquivalentmodellen (individual equivalent models, IEMs) vorgeschlagen, die aus den physikalischen Modellen der elektrischen Ausrüstung approximiert werden. Das FDEM erscheint als Zustandsraum sechster Ordnung, was viel weniger komplex ist als die ursprünglichen Systeme. Es lässt sich problemlos in verschiedene Werkzeuge als modulare Komponente mit zu bearbeitenden Parametern integrieren. Die Ableitung der IEMs und der FDEM stellt den ersten ursprünglichen Beitrag dar. Ein adaptives dynamisches Äquivalentmodell (adaptive dynamic equivalent model, ADEM) wird durch die Formulierung eines Äquivalenzproblems in Bezug auf ein Markov-Entscheidungsprozessproblem vorgeschlagen, das unter Verwendung eines maschinellen Lernalgorithmus auf der Grundlage des bestärkenden Lernens (reinforcement learning) gelöst wird. Die Struktur des ADEM ist je nach Messdaten adaptiv und kann direkt für Online-Anwendungen eingesetzt werden. Es hält nicht nur eine einfache äquivalente Modellform, sondern bringt auch Flexibilität für eine äquivalente Modellstruktur. Die Umwandlung des Äquivalenzproblems zum Markov-Entscheidungsprozessproblem und die Lernfähigkeiten des ADEM sind der zweite ursprüngliche Beitrag. Ein random forest-basiertes dynamisches Äquivalentmodell (random forest-based dynamic equivalent model, RF-DEM) wird durch die Einführung eines randomisierten Lernrahmens mit Rückmeldungen von Ausgängen vorgeschlagen, in dem die Beziehung zwischen Inputs und Outputs unter Verwendung von RF als überwachter Lernalgorithmus trainiert wird. Das RF-DEM nutzt die einfache Implementierung und erfordert keine elektrische Modellierung und Näherungswissen für die Ableitung der entsprechenden Modelle. Die Gestaltung des RF-DEM bildet den dritten ursprünglichen Beitrag.$$lger
000689766 520__ $$aWith the increasing amount of distributed generators at the distribution level, the dynamic behavior of active distribution networks (ADNs) will have a more significant influence on the overall electrical system. To perform transient analysis of such a large and complex system, it is neither practical nor necessary to apply a fully detailed system model. A technique for obtaining highly accurate yet simple equivalents for ADNs is becoming increasingly important. In this dissertation, three original equivalent models are proposed to cover the challenges posed by the size and complexity of power system transient analysis. A fixed-structure dynamic equivalent model (FDEM) is proposed by integrating four individual equivalent models (IEMs), which are derived from approximation of the physical models of electrical equipment. The FDEM appears as a sixth- order state space, which is much less complex than the original systems. It can be easily integrated into different tools as a modular component with to-be-edited parameters. The derivation of the IEMs and FDEM presents the first original contribution. An adaptive dynamic equivalent model (ADEM) is proposed by formulating an equivalence problem in terms of a Markov decision process problem, which is solved using a machine learning algorithm based on reinforcement learning. The structure of the ADEM is adaptive depending on measured data and it can be directly applied for on-line applications. It keeps not only a simple equivalent model form but also brings flexibility for an equivalent model structure. The transformation of the equivalence problem to Markov decision process problem and the learning skills of the ADEM are the second original contribution. A random forest-based dynamic equivalent model (RF-DEM) is proposed by introducing randomized learning framework with feedbacks from outputs, which trains the relationship between inputs and outputs using RF as the supervised learning algorithm. The RF-DEM takes advantage of easy implementation and does not require electrical modeling and approximation knowledge for deriving the equivalent models. The design of the RF-DEM forms the third original contribution.$$leng
000689766 591__ $$aGermany
000689766 653_7 $$adynamic equivalent
000689766 653_7 $$aactive distribution network
000689766 653_7 $$atransient analysis
000689766 7001_ $$0P:(DE-82)IDM01565$$aMonti, Antonello$$b1$$eThesis advisor$$urwth
000689766 7001_ $$0P:(DE-82)IDM00444$$aMoser, Albert$$b2$$eThesis advisor$$urwth
000689766 8564_ $$uhttps://publications.rwth-aachen.de/record/689766/files/689766.pdf$$yOpenAccess
000689766 8564_ $$uhttps://publications.rwth-aachen.de/record/689766/files/689766_source.zip$$yRestricted
000689766 8564_ $$uhttps://publications.rwth-aachen.de/record/689766/files/689766.gif?subformat=icon$$xicon$$yOpenAccess
000689766 8564_ $$uhttps://publications.rwth-aachen.de/record/689766/files/689766.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000689766 8564_ $$uhttps://publications.rwth-aachen.de/record/689766/files/689766.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000689766 8564_ $$uhttps://publications.rwth-aachen.de/record/689766/files/689766.pdf?subformat=pdfa$$xpdfa$$yOpenAccess
000689766 909CO $$ooai:publications.rwth-aachen.de:689766$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
000689766 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01565$$aRWTH Aachen$$b1$$kRWTH
000689766 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00444$$aRWTH Aachen$$b2$$kRWTH
000689766 9141_ $$y2016
000689766 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000689766 9201_ $$0I:(DE-82)616310_20140620$$k616310$$lLehrstuhl für Automation of Complex Power Systems$$x0
000689766 9201_ $$0I:(DE-82)080052_20160101$$k080052$$lE.ON Energy Research Center$$x1
000689766 961__ $$c2017-06-30T12:12:43.341027$$x2017-05-19T10:46:38.555190$$z2017-06-30T12:12:43.341027
000689766 9801_ $$aFullTexts
000689766 980__ $$aphd
000689766 980__ $$aVDB
000689766 980__ $$abook
000689766 980__ $$aI:(DE-82)616310_20140620
000689766 980__ $$aI:(DE-82)080052_20160101
000689766 980__ $$aUNRESTRICTED