Es gibt einen starken Trend, erneuerbare Energien in Verteilungsnetze (VNs) der Elektroenergieversorgung einzuspeisen. Jedoch muss wegen technischer Beschränkungen dieser Anteil um eine beträchtliche Menge gekürzt werden. Batteriespeichersysteme (BSSs) können optimal genutzt werden, um die Energie zu speichern, den gekürzten Anteil der zu senken somit den ökonomischen Vorteil zu erhöhen. Allerdings werden durch die BSSs dynamische Terme in das Problem des optimalen Lastflusses (engl.: optimal power flow (OPF)) eingeführt. Weiterhin tritt die Windenergie intermittierend auf, weshalb der Netzbetreiber die Betriebsstrategie schnell entsprechend aktualisieren muss. Diese Aufgabe sollte durch eine Online-Optimierung durchgeführt werden, die auf die Bestimmung einer enormen Anzahl von gemischt-ganzzahligen Entscheidungsvariablen abzielt und auf ein dynamisches Echtzeit Wirk-/Blindleistungs-OPF-Problem (engl.: real-time dynamic active-reactive optimal power flow problem (RT-DAR-OPF problem)) führt. Deshalb ist die Entwicklung eines geeigneten Rahmens für das RT-DAR-OPF-Problem von größter Bedeutung für die Gewährleistung von sowohl Optimalität als auch Umsetzbarkeit in der Betriebsführung von VNs mit BSSs unter intermittierender Windenergieeinspeisung. Das herausforderndste Merkmal dabei ist, dass ein hochdimensionales, dynamisches, gemischt-ganzzahliges nichtlineares Optimierungsproblem (engl.: mixed-integer nonlinear programming problem (MINLP)) in Echtzeit gelöst werden muss. Zusätzlich wird die Problemkomplexität sowohl durch die Betrachtung der Wirk- als auch der Blindleistung des BSSs mit flexiblen Betriebsstrategien genauso wie durch die Minimierung der aufgewendeten Lebensdauerkosten der BSSs erhöht. Um dieses Problem zu lösen, wird ein Mehrphasen- und Mehrfachzeitskalen-RT-DAR-OPF-Rahmen in dieser Dissertation entwickelt, der sich mit der optimalen Behandlung spontaner Änderungen bei der Windenergie in VNs und BSSs beschäftigt. In der ersten Phase werden eine enorme Anzahl an gemischt-ganzzahligen Entscheidungsvariablen simultan optimiert und damit wird die Betriebsstrategie für den kommenden Tag berechnet. Die Variablen der BSSs, die in der ersten Phase berechnet wurden, werden in den anderen Phasen als feste Eingangsparameter verwendet. Zu vermerken ist, dass in der nächsten Phase andere Entscheidungsvariablen erneut berechnet werden. In der zweiten Phase werden basierend auf den vorhergesagten Windenergiewerten für kurze Vorhersagehorizonte die wahrscheinlichsten Windenergieszenarios generiert, um die Unsicherheiten bei der Windenergie mit einer Nicht-Gaußschen Verteilung zu beschreiben. Dann werden die MINLP-AR-OPF-Probleme entsprechend der Szenarios parallel im Vorfeld des Vorhersagehorizonts gelöst und in einer Lookup-Tabelle gespeichert. Ein neuer Abgleichsalgorithmus wird vorgeschlagen, um sowohl die Optimalität als auch die Umsetzbarkeit der Lösungen in der Lookup-Tabelle zu garantieren. In der dritten Phase wird basierend auf den Messungen der aktuellen Werte der Windenergie eine der Lösungen ausgewählt, modifiziert und schließlich am Netz für kurze Zeitintervalle realisiert. Die Demonstration der Anwendbarkeit des vorgeschlagenen RT-DAR-OPF-Ansatzes erfolgt unter Verwendung eines Mittelspannung-VN.
There has been a huge trend to penetrate renewable energies into distribution networks (DNs). However, a considerable amount of this generation may need to be curtailed due to technical constraints in the network. Battery storage systems (BSSs) can be optimally used to store the energy, decrease the curtailment and consequently increase economic benefits. However, BSSs introduce dynamic terms to the problem of optimal power flow (OPF). In addition, considering both active and reactive power of the BSSs with flexible operation strategies, as well as maximizing the lifetime of the batteries further increase the complexity of the problem. Furthermore, wind power is intermittent, and therefore the network operator has to fast update the operation strategies correspondingly. This task should be carried out by an online optimization aiming at determining huge number of mixed-integer decision variables leading to a real-time dynamic active-reactive OPF (RT-DAR-OPF) problem. Therefore, developing a suitable framework for RT-DAR-OPF is of utmost importance for ensuring both optimality and feasibility in the operation of DNs with BSSs under intermittent wind energy penetration. The most challenging issue hereby is that a large-scale dynamic mixed-integer nonlinear programming (MINLP) problem has to be solved in real-time. To solve this problem, a multi-phase multi-time-scale RT-DAR-OPF framework is developed in this dissertation to optimally deal with the spontaneous changes of wind power in DNs with BSSs. In the first phase, a huge number of mixed-integer decision variables are simultaneously optimized to compute operation strategies of BSSs on a day-to-day basis. The variables of BSSs computed in the first phase will be used as fixed input parameters for the second phase. Note that in the next phase, other decision variables will be recomputed. In the second phase, based on the forecasted wind power values for short prediction horizons, the most probable wind power scenarios are generated to describe uncertain wind power with a non-Gaussian distribution. Then MINLP active-reactive OPF problems corresponding to the scenarios are solved in parallel in advance of each prediction horizon resulting in a lookup table. A new reconciliation algorithm is proposed to ensure both the feasibility and optimality of the solutions in the lookup table. In the third phase, based on the measured actual values of wind power, one of the solutions is selected, modified and finally realized to the network for very short intervals. The applicability of the proposed RT-DAR-OPF framework is demonstrated using a medium-voltage DN.