Future broadband wireless networks should be able to support not only best effort traffic but also real-time traffic with strict Quality of Service (QoS) constraints. In addition, their available resources are scare and limit the number of users. To facilitate QoS guarantees and increase the maximum number of concurrent users, wireless networks require careful planning and optimization. In this monograph, we studied three aspects of performance optimization in wireless networks: resource optimization in WLAN infrastructure networks, quality of experience control in wireless mesh networks, and planning and optimization of wireless mesh networks. An adaptive resource management system is required to effectively utilize the limited resources on the air interface and to guarantee QoS for real-time applications. Thereby, both WLAN infrastructure and WLAN mesh networks have to be considered. An a-priori setting of the access parameters is not meaningful due to the contention-based medium access and the high dynamics of the system. Thus, a management system is required which dynamically adjusts the channel access parameters based on the network load. While this is sufficient for wireless infrastructure networks, interferences on neighboring paths and self-interferences have to be considered for wireless mesh networks. In addition, a careful channel allocation and route assignment is needed. Due to the large parameter space, standard optimization techniques fail for optimizing large wireless mesh networks. In this monograph, we reveal that biology-inspired optimization techniques, namely genetic algorithms, are well-suitable for the planning and optimization of wireless mesh networks. Although genetic algorithms generally do not always find the optimal solution, we show that with a good parameter set for the genetic algorithm, the overall throughput of the wireless mesh network can be significantly improved while still sharing the resources fairly among the users. / Die Anbindung an das Internet erfolgt zunehmend über drahtlose Netze. Deren Ressourcen sind allerdings limitiert, was die Anzahl der unterstützten Nutzer stark einschränkt. Zudem ist ein Trend dieser Nutzer weg von der Verwendung reiner Datendienste zu Diensten mit Echtzeitanforderungen wie Voice over IP (VoIP) zu erkennen, deren Dienstgüteanforderungen eingehalten werden müssen. Heutige drahtlose Zugangsnetze sind jedoch nur für den herkömmlichen Datenverkehr ausgelegt. Der IEEE 802.11 WLAN Standard unterscheidet zwar zwischen verschiedenen Dienstklassen, gibt aber keine Dienstgütegarantien. Um die Dienstgüte (Quality of Service, QoS), bzw. die vom Nutzer erfahrene Dienstgüte (Quality of Experience, QoE) zu garantieren, müssen die zukünftigen drahtlosen Netze daher sorgfältig geplant und optimiert werden. Um die limitierten Ressourcen auf der Luftschnittstelle effektiv zu nutzen und um Dienstgüteanforderungen für Echtzeitanwendungen einzuhalten, bedarf es eines adaptiven Ressourcenmanagements. Dabei sind sowohl drahtlose Infrastruktur, als auch drahtlose Mesh-Netze zu betrachten. Durch den randomisierten Medienzugriff und die hohe Dynamik im System ist eine a-priori Wahl der Zugangsparameter nicht sinnvoll. Vielmehr wird ein Managementsystem benötigt, das die Zugangsparameter dynamisch in Abhängigkeit der Last in einem Netz wählt. Während dies für drahtlose Infrastrukturnetze ausreicht, müssen in drahtlosen Mesh-Netzen zusätzlich noch Interferenzen von Nachbarpfaden und Eigeninterferenzen berücksichtigt werden. Desweiteren ist eine sorgfältige Planung der Kanalzuweisung und des Routings notwendig, um einerseits den Durchsatz in drahtlosen Mesh-Netzen zu maximieren und andererseits die Ressourcen fair zwischen den Stationen aufzuteilen. Da es dabei eine Vielzahl von Parametern zu berücksichtigen gilt, sind neue Optimierungsmethoden notwendig, die es ermöglichen, auch große Mesh-Netze in annehmbarer Zeit zu planen und zu optimieren. Diese Doktorarbeit arbeitet die folgenden drei Optimierungsmöglichkeiten für drahtlose Zugangsnetze aus: Optimierung der Zugangsparameter in drahtlosen Infrastrukturnetzen, Optimierung von drahtlosen Mesh-Netzen unter Berücksichtigung der QoE und Planung und Optimierung von drahtlosen Mesh-Netzen mit Berücksichtigung einer fairen Ressourcenallokation. Die Ergebnisse und Untersuchungen dieser Arbeit gliedern sich entsprechend dieser Optimierungsmöglichkeiten.

Zugl.: Darmstadt, Techn. University, Diss., 2008.

Zugl.: Aachen, Techn. Hochsch., Diss., 2008.

Zugl.: Darmstadt, Techn. Universiẗat, Diss., 2009.

Stuttgart, Univ., Diss., 2002.

Der Ausbau dezentraler Energieanlagen wie fotovoltaischen Anlagen beeinflusst die Netzzustände signifikant. Dabei ist unsicher, wo und in welchem Maße deren Ausbau zukünftig erfolgt. Es ist nun an den Netzbetreibern gleichzeitig die aktuellen Herausforderungen zu meistern und die Netzplanung und -regelung für die Zukunft zu aktualisieren. Eine statistische Methode wird entwickelt, die Verteilnetzplanung unter Einsatz von quasi-stationär modellierten ”Smart Grid”-Lösungen wie Blindleistungsreglern und regelbaren Ortsnetztransformatoren ermöglicht. Durch Stichprobenverfahren werden Unsicherheiten wie Ort, Größe und Leistungsprofile der Energieanlagen in das Netzmodell eingebunden. Diese als probabilistischer Lastfluss bekannte Methode wird durch Gütemaße im Bereich geringer Kombination evaluiert. Beispiele probabilistischer Netzplanung werden an Netztopologien präsentiert.:Abbildungsverzeichnis iv Tabellenverzeichnis viii Abkürzungsverzeichnis viii Formelzeichen x 1. Einleitung 1 1.1. Definition der Herausforderung 1 1.2. Netzplanung 2 1.3. Ziel der Arbeit3 1.4. Struktur der Arbeit 5 2. Normen und technische Rahmenbedingungen 6 2.1. DIN EN 50160 6 2.2. VDE-AR-N 41057 2.3. Technische Anschlussbedingungen 9 2.4. Erneuerbare-Energien-Gesetz 11 2.5. Zusammenfassung 12 3. Gliederung probabilistischer Lastflussverfahren 13 3.1. Punktschätzende und iterative Verfahren 14 3.2. Gliederung nach Stichprobenverfahren 15 3.3. Reduzierung des Grundraumes 16 3.3.1. Cluster-Analyse17 3.3.2. Ausreißerbehandlung 21 3.3.3. Wahrscheinlichkeits- und Verteilungsfunktion 21 3.4. Methode der Stichprobenziehung 22 3.4.1. Einfache Zufallsstichprobe 23 3.4.2. Systematische Stichprobe24 3.4.3. Geschichtete Zufallsstichprobe 25 3.5. Reduzierung des Stichprobenraumes 26 3.6. Invertierung von Stichproben 26 3.7. Zusammenfassung 27 4. Vergleich probabilistischer Verfahren 28 4.1. Nicht-Gaußsche Eingangsdaten 28 4.2. Bestimmung notwendiger Clusterzentren 29 4.3. Erstellung des Stichprobenraumes pro Kombination 31 4.4. Gütemaße und Effizienz von Stichprobenverfahren 33 4.4.1. Median 34 4.4.2. Median der absoluten Abweichung vom Median 37 4.4.3. Maximale normierte Perzentilsdifferenz 40 4.4.4. Zusammenfassung 43 4.5. Streuung der Stichprobenverfahren bei wiederholter Ausführung 44 4.5.1. Median 44 4.5.2. Median der absoluten Abweichung vom Median 45 4.5.3. Maximale normierte Perzentilsdifferenz 47 4.5.4. Zusammenfassung 49 4.6. Sensitivität bei unterschiedlicher Anzahl statistischer Netzknoten 52 4.6.1. Median 52 4.6.2. Median der absoluten Abweichung vom Median 54 4.6.3. Maximale normierte Perzentilsdifferenz 56 4.6.4. Zusammenfassung58 4.7. Notwendige Kombinationen für Ziel-Gütemaße 59 5. Software-basierte probabilistische Verteilnetzplanung 61 5.1. Struktur der entwickeltenSoftware 61 5.2. Last- und Erzeugungsprofile 63 5.2.1. Synthetische Haushaltslast 63 5.2.2. Elektrofahrzeug 64 5.2.3. Wärmepumpe 65 5.2.4. Photovoltaische Anlagen 66 5.2.5. Windenergieanlagen 66 5.3. Optimale Auswahl nach Regeleffizienz 67 5.4. DezentraleWirkleistungsregler 68 5.4.1. P(U)-Regler für Schnellladeinfrastruktur 68 5.4.2. P(U)-Regelung von Wärmepumpen gemäß thermischer Grenzen 69 5.5. Blindleistungsregler 72 5.5.1. Zentrale Steuerung 73 5.5.2. Dezentrale Regelung 75 5.5.3. Verteilte Regelung 79 5.6. Regelbarer Ortsnetztransformator 83 5.7. Automatisierte Netzausbauplanung 86 5.7.1. Transformatortausch 87 5.7.2. Vergrößerung des Leiterquerschnitts 89 5.7.3. Zusätzliche Stichleitung 89 5.7.4. Kostenberechnung 90 5.8. Zusammenfassung 91 6. Anwendungsfälle probabilistischer Planung 92 6.1. Verwendete Verteilnetzmodelle 94 6.2. Abschätzung der Auswirkung von PV-Anlagenausbau 95 6.2.1. Unterschiede der Planungsverfahren zur Schätzung der PVA-Nennleistung 95 6.2.2. Einfluss der Blindleistungsregelung auf mögliche Anlagenleistung 100 6.3. Abschätzung von Netzauslastungen in Wohngebieten 106 6.3.1. Annahmen und Szenarien 107 6.3.2. Auswertung der Knotenspannungen 110 6.3.3. Auswertung der Betriebsmittelauslastungen 116 6.4. Zusammenfassung 118 7. Zusammenfassung und Ausblick 119 Literaturverzeichnis 121 Anhang 135 A. Statistische Merkmale 135 A.1. Empirische Wahrscheinlichkeitsfunktion 135 A.2. Kumulative empirische Verteilungsfunktion 136 A.3. Quantile 136 A.4. Interquartilsabstand 137 B. PLF-Methoden 138 B.1. Veröffentlichte PLF-Methoden 138 B.2. Test Gaußsche Verteilung 138 C. Definitionen 140 C.1. Symbole für Flussdiagramme 140 C.2. Zählpfeilsystem 140 D. Ergänzende Ergebnisse 142 E. Danksagung 143 / Development of distributed energy units such as photovoltaic systems affects grid states significantly. It is uncertain, where and to what extent the development of these units is carried out in the future. It is now up to the distribution system operator to cope with todays grid challenges and to update grid planning and control for the future. A statistical method is developed, which incorporates quasi-stationary modeled ”smart grid” solutions such as reactive power controllers and on-load tap-changers. Uncertainties such as location, size and power profiles of energy systems are integrated into the grid model by sampling. This method is known as probabilistic load flow and is evaluated by quality measures at low combinations. Examples on probabilistic grid planning of different grid topologies are presented.:Abbildungsverzeichnis iv Tabellenverzeichnis viii Abkürzungsverzeichnis viii Formelzeichen x 1. Einleitung 1 1.1. Definition der Herausforderung 1 1.2. Netzplanung 2 1.3. Ziel der Arbeit3 1.4. Struktur der Arbeit 5 2. Normen und technische Rahmenbedingungen 6 2.1. DIN EN 50160 6 2.2. VDE-AR-N 41057 2.3. Technische Anschlussbedingungen 9 2.4. Erneuerbare-Energien-Gesetz 11 2.5. Zusammenfassung 12 3. Gliederung probabilistischer Lastflussverfahren 13 3.1. Punktschätzende und iterative Verfahren 14 3.2. Gliederung nach Stichprobenverfahren 15 3.3. Reduzierung des Grundraumes 16 3.3.1. Cluster-Analyse17 3.3.2. Ausreißerbehandlung 21 3.3.3. Wahrscheinlichkeits- und Verteilungsfunktion 21 3.4. Methode der Stichprobenziehung 22 3.4.1. Einfache Zufallsstichprobe 23 3.4.2. Systematische Stichprobe24 3.4.3. Geschichtete Zufallsstichprobe 25 3.5. Reduzierung des Stichprobenraumes 26 3.6. Invertierung von Stichproben 26 3.7. Zusammenfassung 27 4. Vergleich probabilistischer Verfahren 28 4.1. Nicht-Gaußsche Eingangsdaten 28 4.2. Bestimmung notwendiger Clusterzentren 29 4.3. Erstellung des Stichprobenraumes pro Kombination 31 4.4. Gütemaße und Effizienz von Stichprobenverfahren 33 4.4.1. Median 34 4.4.2. Median der absoluten Abweichung vom Median 37 4.4.3. Maximale normierte Perzentilsdifferenz 40 4.4.4. Zusammenfassung 43 4.5. Streuung der Stichprobenverfahren bei wiederholter Ausführung 44 4.5.1. Median 44 4.5.2. Median der absoluten Abweichung vom Median 45 4.5.3. Maximale normierte Perzentilsdifferenz 47 4.5.4. Zusammenfassung 49 4.6. Sensitivität bei unterschiedlicher Anzahl statistischer Netzknoten 52 4.6.1. Median 52 4.6.2. Median der absoluten Abweichung vom Median 54 4.6.3. Maximale normierte Perzentilsdifferenz 56 4.6.4. Zusammenfassung58 4.7. Notwendige Kombinationen für Ziel-Gütemaße 59 5. Software-basierte probabilistische Verteilnetzplanung 61 5.1. Struktur der entwickeltenSoftware 61 5.2. Last- und Erzeugungsprofile 63 5.2.1. Synthetische Haushaltslast 63 5.2.2. Elektrofahrzeug 64 5.2.3. Wärmepumpe 65 5.2.4. Photovoltaische Anlagen 66 5.2.5. Windenergieanlagen 66 5.3. Optimale Auswahl nach Regeleffizienz 67 5.4. DezentraleWirkleistungsregler 68 5.4.1. P(U)-Regler für Schnellladeinfrastruktur 68 5.4.2. P(U)-Regelung von Wärmepumpen gemäß thermischer Grenzen 69 5.5. Blindleistungsregler 72 5.5.1. Zentrale Steuerung 73 5.5.2. Dezentrale Regelung 75 5.5.3. Verteilte Regelung 79 5.6. Regelbarer Ortsnetztransformator 83 5.7. Automatisierte Netzausbauplanung 86 5.7.1. Transformatortausch 87 5.7.2. Vergrößerung des Leiterquerschnitts 89 5.7.3. Zusätzliche Stichleitung 89 5.7.4. Kostenberechnung 90 5.8. Zusammenfassung 91 6. Anwendungsfälle probabilistischer Planung 92 6.1. Verwendete Verteilnetzmodelle 94 6.2. Abschätzung der Auswirkung von PV-Anlagenausbau 95 6.2.1. Unterschiede der Planungsverfahren zur Schätzung der PVA-Nennleistung 95 6.2.2. Einfluss der Blindleistungsregelung auf mögliche Anlagenleistung 100 6.3. Abschätzung von Netzauslastungen in Wohngebieten 106 6.3.1. Annahmen und Szenarien 107 6.3.2. Auswertung der Knotenspannungen 110 6.3.3. Auswertung der Betriebsmittelauslastungen 116 6.4. Zusammenfassung 118 7. Zusammenfassung und Ausblick 119 Literaturverzeichnis 121 Anhang 135 A. Statistische Merkmale 135 A.1. Empirische Wahrscheinlichkeitsfunktion 135 A.2. Kumulative empirische Verteilungsfunktion 136 A.3. Quantile 136 A.4. Interquartilsabstand 137 B. PLF-Methoden 138 B.1. Veröffentlichte PLF-Methoden 138 B.2. Test Gaußsche Verteilung 138 C. Definitionen 140 C.1. Symbole für Flussdiagramme 140 C.2. Zählpfeilsystem 140 D. Ergänzende Ergebnisse 142 E. Danksagung 143

Zugl.: Aachen, Techn. Hochsch., Diss., 2008.

Aktuell finden umfangreiche Neuerungen und Veränderungen im Elektroenergiesystem statt. Dabei stellen die Netzintegration von Energiespeichern, EE-Anlagen und Elektrofahrzeugen sowie die Realisierung von Energiemanagementsystemen wichtige Neuerungen in der Niederspannungsebene dar. Analysen der Ladevorgänge von Elektrofahrzeugen zeigen einen nennenswerten Einfluss auf den Lastbedarf. Als ein Ergebnis wird die maximal zulässige Anzahl an Elektrofahrzeugen ermittelt, bei der kein Netzumbau notwendig wird. Neben der Untersuchung verschiedener Ladevarianten wird die zufällige Ladung als innovative Ladevariante vorgestellt und deren Nutzen simuliert. / Currently, fundamental innovations and changes are occurring in the power system. The grid integration of energy storage systems, renewable energy systems and electric vehicles as well as the implementation of energy management systems are important innovations in the low-voltage grid. Analyses of charging processes for electric vehicles show significant impacts on the load demand. As one result, the maximum number of electric vehicles is determined assuming that no grid expansion is needed. Besides studying various charging options, a random charging method is proposed as an innovative charging option and its benefits are shown by simulations.

Kenntnisse über das prinzipielle Verhalten der Lasten und deren Benutzung durch die Endabnehmer sind im Wesentlichen vorhanden. Viele der aktuell notwendigen Untersuchungen benötigen jedoch Zeitreihen elektrischer Lasten, sogenannte Lastgänge. Mit der Synthese von Zeitreihen elektrischer Lasten können unter Berücksichtigung verschiedenster Anforderungen Lastgänge aufgebaut werden, wobei in dieser Arbeit der Fokus auf Haushaltsabnehmer liegt. Wichtige Eingangsdaten für die Lastgangsynthese sind die technischen Kenngrößen der elektrischen Geräte und die sozialen Kennzahlen zur Benutzung der Geräte durch die Endabnehmer. Anhand dieser Eingangsdaten wird die Lastgangsynthese durchgeführt und werden Anwendungsbeispiele dargestellt. Die Entwicklung von klassischen Versorgungsnetzen hin zu aktiven Verteilungsnetzen ist bedingt durch neue Verbraucher, wie Wärmepumpen, Elektroautos, sowie vielen dezentralen Erzeugungsanlagen. Speziell die fluktuierende Einspeisung durch Photovoltaik-Anlagen ist Anlass zur Forderung nach einem Verbrauchs- und Lastmanagement. Mit dem Verbrauchsmanagement wird die Last an die Einspeisung angepasst und das Lastmanagement berücksichtigt zusätzlich die Versorgungssituation des Netzes. Für die Lastgangsynthese werden die Haushaltsgeräte in fünf Geräteklassen unterteilt, für die spezifische Kennzahlen aus technischer und sozialer Sicht angegeben werden. Diese Kennzahlen sind Leistung pro Gerät oder Energieverbrauch pro Nutzung sowie Ausstattungsgrade, Benutzungshäufigkeiten und Zeiten für das Ein- und Ausschalten der Geräte. Damit wird ein neuer Ansatz gewählt, welcher nicht mehr auf die detaillierte Beschreibung des Bewohnerverhaltens beruht, da die Datenbereitstellung dafür äußerst schwierig war und ist. Vorzugsweise in Niederspannungsnetzen sind mit synthetischen Zeitreihen umfangreiche und umfassende Untersuchungen realisierbar. Es gibt verschiedenste Möglichkeiten, die Zeitreihen zusammenzustellen. Mit Lastgängen je Außenleiter können beispielsweise unsymmetrische Zustände der Netze analysiert werden. Zudem können auch Lastgänge für Geräte bzw. Gerätegruppen erstellt werden, welche für Potenzialanalysen des Verbrauchsmanagement essenziell sind. Der wesentliche Unterschied besteht darin, dass viele Berechnungen nicht mehr auf deterministische Extremwerte beruhen, sondern die stochastischen Eigenschaften der Endabnehmer mit den resultierenden Lastgängen berücksichtigt werden. / Distributed generation and novel loads such as electric vehicles and heat pumps require the development towards active distribution networks. Load curves are needed for the appropriate design process. This thesis presents a feasible and expandable synthesis of load curves, which is performed exemplary on residential customers with a period under review of 1 year and time steps of as little as 30 s. The data is collected for up-to-date appliances and current statics examining the way of life. The main focus lies on the input data for the synthesis and distinguishes between technical and social factors. Some thirty home appliances have been analyzed and are classified into five appliance classes by incorporating switching operations and power consumptions. The active power is the key figure for the technical perspective and the data is derived from manufacturer information. For the social perspective six different customer types are defined. They differ in sizes of household and housekeeping. The social key figures are appliance penetration rate and depending on the appliance class the turn-on time, turn-off time, operating duration or cycle duration. The elaborated two-stage synthesis is efficiently implemented in Matlab®. First, artificial load curves are created for each appliance of the households under consideration of the appliance class. In the second step, the individual load curves of the appliances are combined to load curves per line conductor. The algorithms have been validated in the implementation process by retracing the input data in the load curves. Also, the feasibility of the results is shown by comparing the key figures maximum load and power consumption to data in literature. The generated load curves allow for unsymmetrical calculations of distribution systems and can be used for probabilistic investigations of the charging of electric vehicles, the sizing of thermal storage combined with heat pumps or the integration of battery storage systems. A main advantage is the possibility to estimate the likelihood of operating conditions. The enhancement to further appliances and the changeability of the input data allows for versatile further possible investigations.

Kenntnisse über das prinzipielle Verhalten der Lasten und deren Benutzung durch die Endabnehmer sind im Wesentlichen vorhanden. Viele der aktuell notwendigen Untersuchungen benötigen jedoch Zeitreihen elektrischer Lasten, sogenannte Lastgänge. Mit der Synthese von Zeitreihen elektrischer Lasten können unter Berücksichtigung verschiedenster Anforderungen Lastgänge aufgebaut werden, wobei in dieser Arbeit der Fokus auf Haushaltsabnehmer liegt. Wichtige Eingangsdaten für die Lastgangsynthese sind die technischen Kenngrößen der elektrischen Geräte und die sozialen Kennzahlen zur Benutzung der Geräte durch die Endabnehmer. Anhand dieser Eingangsdaten wird die Lastgangsynthese durchgeführt und werden Anwendungsbeispiele dargestellt. Die Entwicklung von klassischen Versorgungsnetzen hin zu aktiven Verteilungsnetzen ist bedingt durch neue Verbraucher, wie Wärmepumpen, Elektroautos, sowie vielen dezentralen Erzeugungsanlagen. Speziell die fluktuierende Einspeisung durch Photovoltaik-Anlagen ist Anlass zur Forderung nach einem Verbrauchs- und Lastmanagement. Mit dem Verbrauchsmanagement wird die Last an die Einspeisung angepasst und das Lastmanagement berücksichtigt zusätzlich die Versorgungssituation des Netzes. Für die Lastgangsynthese werden die Haushaltsgeräte in fünf Geräteklassen unterteilt, für die spezifische Kennzahlen aus technischer und sozialer Sicht angegeben werden. Diese Kennzahlen sind Leistung pro Gerät oder Energieverbrauch pro Nutzung sowie Ausstattungsgrade, Benutzungshäufigkeiten und Zeiten für das Ein- und Ausschalten der Geräte. Damit wird ein neuer Ansatz gewählt, welcher nicht mehr auf die detaillierte Beschreibung des Bewohnerverhaltens beruht, da die Datenbereitstellung dafür äußerst schwierig war und ist. Vorzugsweise in Niederspannungsnetzen sind mit synthetischen Zeitreihen umfangreiche und umfassende Untersuchungen realisierbar. Es gibt verschiedenste Möglichkeiten, die Zeitreihen zusammenzustellen. Mit Lastgängen je Außenleiter können beispielsweise unsymmetrische Zustände der Netze analysiert werden. Zudem können auch Lastgänge für Geräte bzw. Gerätegruppen erstellt werden, welche für Potenzialanalysen des Verbrauchsmanagement essenziell sind. Der wesentliche Unterschied besteht darin, dass viele Berechnungen nicht mehr auf deterministische Extremwerte beruhen, sondern die stochastischen Eigenschaften der Endabnehmer mit den resultierenden Lastgängen berücksichtigt werden. / Distributed generation and novel loads such as electric vehicles and heat pumps require the development towards active distribution networks. Load curves are needed for the appropriate design process. This thesis presents a feasible and expandable synthesis of load curves, which is performed exemplary on residential customers with a period under review of 1 year and time steps of as little as 30 s. The data is collected for up-to-date appliances and current statics examining the way of life. The main focus lies on the input data for the synthesis and distinguishes between technical and social factors. Some thirty home appliances have been analyzed and are classified into five appliance classes by incorporating switching operations and power consumptions. The active power is the key figure for the technical perspective and the data is derived from manufacturer information. For the social perspective six different customer types are defined. They differ in sizes of household and housekeeping. The social key figures are appliance penetration rate and depending on the appliance class the turn-on time, turn-off time, operating duration or cycle duration. The elaborated two-stage synthesis is efficiently implemented in Matlab®. First, artificial load curves are created for each appliance of the households under consideration of the appliance class. In the second step, the individual load curves of the appliances are combined to load curves per line conductor. The algorithms have been validated in the implementation process by retracing the input data in the load curves. Also, the feasibility of the results is shown by comparing the key figures maximum load and power consumption to data in literature. The generated load curves allow for unsymmetrical calculations of distribution systems and can be used for probabilistic investigations of the charging of electric vehicles, the sizing of thermal storage combined with heat pumps or the integration of battery storage systems. A main advantage is the possibility to estimate the likelihood of operating conditions. The enhancement to further appliances and the changeability of the input data allows for versatile further possible investigations.