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. / 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.

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