Kurzbeschreibung
EVOControl: Data-Driven Approaches for Adaptive and Self-Evolving Control of Grid-Connected Inverters Durch die Energiewende werden Stromnetze zunehmend dynamisch und von Stromrichtern wie Wechsel-, Gleich- und Umrichtern dominiert. Viele Netze operieren inzwischen in hochvariablen Zuständen, zeitweise dominiert von Synchronmaschinen und zeitweise von stromrichterbasierten Erzeugern wie Wind und Sonne. Da beide Technologien sehr unterschiedliche dynamische Eigenschaften aufweisen, reichen klassische Netzregelstrategien mit fest eingestellten Parametersätzen, die bei der Inbetriebnahme einmalig gewählt werden, unter heutigen Bedingungen mitunter nicht mehr aus, um die Stabilität und Leistungsfähigkeit zu garantieren. Netzbetreiber und Forschende erkennen zunehmend die Grenzen solcher starren Ansätze. Neue Regelwerke wie die erwartete RfG 2.0 weisen bereits auf einen Wandel hin, indem sie statt fixer Parameter, etwa für Dämpfung oder Trägheit, Wertebereiche zulassen. Obwohl der Anpassungsbedarf klar ist, fehlen allerdings bislang systematische Rahmenbedingungen, die bestimmen, wann eine Anpassung nötig ist, wie sie erfolgen kann und wie dabei die Betriebssicherheit gewahrt bleibt. Das Projekt EVOControl greift diese Lücke auf und schlägt einen Paradigmenwechsel vor: weg von statischer „fit-and-forget“-Steuerung hin zu einem kontextsensitiven, adaptiven Regelansatz für stromrichterbasierte Erzeugung. Ziel ist es, fundiert zu definieren, unter welchen Netzbedingungen eine Anpassung notwendig ist und wie sie sicher und effizient durchgeführt werden kann. Dabei werden netzweite Zustandsdaten genutzt, um durch zentral koordinierte Parameterupdates Stabilität und Leistungsfähigkeit des Gesamtsystems zu sichern. Die Kerninnovationen von EVOControl beinhalten: a) Identifikation kritischer Instabilitätsszenarien, in denen fixe Steuerparameter versagen – mittels theoretischer Analyse und simulationsgestützter Validierung. b) Entwicklung adaptiver Steuerverfahren, u.?a. auf Basis sicheren Reinforcement Learnings mit eingebetteten Sicherheitsgarantien und interpretierbaren Entscheidungsregeln. c) Weiterentwicklung lokaler Parametrisierungsstrategien zu einer zentrale Adaptionsarchitektur unter Berücksichtigung netzweiter Betriebsdaten und detaillierter Systemmodelle, die gezielte und koordinierte Parameteranpassungen ermöglichen. d) Aufbau einer hyperskalierbaren Simulations- und Modell-Trainingsumgebung, die das Training hochkomplexer KI-Modelle erleichtert und realistische Bedingungen für adaptive Steuerstrategien bietet. Statt auf vereinfachte Modelle oder intransparente KI-Methoden zu setzen, kombiniert EVOControl bewährte Regelungstheorie mit modernsten KI-Techniken wie Graph-Neuronalen Netzen, Attention-Mechanismen und erklärbarem Reinforcement Learning. Die Lösung adressiert nicht nur technische, sondern auch operationale Anforderungen und schafft so einen nachvollziehbaren Rahmen für systemweite Regelanpassungen. Damit stärkt EVOControl die Netzstabilität und -flexibilität, ermöglicht eine höhere Integration erneuerbarer Energien ohne teure Infrastrukturmaßnahmen und unterstützt damit die Energieziele Österreichs und Europas durch ein skalierbares, robustes und zukunftssicheres Steuerungskonzept für klimaneutrale Stromsysteme.