⚡ electrical engineering

Identifying Best Candidates for Busbar Splitting

Dit artikel presenteert een reeks metrieken om veelbelovende kandidaat-busbar-locaties te identificeren voor splitsing, waardoor de computationally intractable taak van het testen van alle knooppunten in grote netwerken wordt omzeild en de totale productiekosten worden verlaagd.

Oorspronkelijke auteurs: Giacomo Bastianel, Dirk Van Hertem, Hakan Ergun, Line Roald

Gepubliceerd 2026-03-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Giacomo Bastianel, Dirk Van Hertem, Hakan Ergun, Line Roald

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat ons elektriciteitsnetwerk een enorm drukke snelweg is. In het verleden reden er vooral auto's (stroom) van de fabriek (centrales) naar de stad (huishoudens). Maar nu komen er steeds meer nieuwe, willekeurige ingangen op de snelweg: zonnepanelen op daken en windmolens op velden. Dit zorgt voor file (congestie).

Soms staat de weg vast omdat er te veel stroom op één plek wil, maar de kabels zijn te smal. De oplossing? Ofwel nieuwe wegen aanleggen (duur en langzaam), of slimme verkeersregelaars gebruiken om de bestaande wegen beter te benutten.

Dit artikel gaat over een slimme manier om die "verkeersregelaars" te vinden. Het heet Busbar Splitting (het opsplitsen van een knooppunt), maar laten we het zien als het opknappen van een verkeersplein.

Het Probleem: Te veel keuzes

Stel je voor dat je een verkeersplein hebt waar 20 wegen samenkomen. Je wilt weten: "Als ik dit plein in tweeën split en een nieuwe weg aanleg, lost dat de file op?"

Het probleem is dat er duizenden van deze pleinen in het land zijn. Als je elk plein één voor één zou testen door de verkeerslichten te veranderen, zou je er jaren over doen. De computer wordt er gek van. De onderzoekers vragen zich af: "Hoe vinden we snel de 5 pleinen die het meeste voordeel opleveren, zonder alle 10.000 pleinen te testen?"

De Oplossing: De "Slimme Detectie"

De onderzoekers hebben een set van drie slimme regels (metrieken) bedacht om de beste pleinen te vinden. Ze kijken niet naar de hele stad, maar gebruiken een soort "radar" om de kansrijke plekken te spotten.

Hier zijn de drie regels, vertaald naar alledaagse analogieën:

1. De Prijsverschil-Radar (De "Geld-Regel")

Wat het is: Kijk naar de prijs van elektriciteit aan beide kanten van een weg die uitkomt op een plein.
De Analogie: Stel je voor dat de prijs van benzine aan de ene kant van de stad €1,50 is en aan de andere kant €2,50. Dat is een groot verschil! Als je een nieuwe weg kunt bouwen die deze twee gebieden direct verbindt, kun je goedkope benzine naar de dure kant brengen.
De regel: Hoe groter het prijsverschil tussen de wegen die op een plein uitkomen, hoe interessanter het is om dat plein op te splitsen.

2. De File-Regel (De "Drukte-Radar")

Wat het is: Kijk hoeveel wegen op dat plein vastlopen (vol zitten).
De Analogie: Als één weg op een plein volledig vaststaat (file), maar de andere drie wegen eromheen zijn leeg, is dat een slechte verdeling. Je wilt de auto's van de volle weg naar de lege wegen sturen.
De regel: Pleinen waar veel wegen tegelijk vollopen, zijn goede kandidaten om op te splitsen, zodat je de stroom kunt herschikken.

3. De Spannings-Regel (De "Spannings-Regel")

Wat het is: Kijk of de spanning (voltage) op het punt van zijn limiet zit.
De Analogie: Stel je voor dat je een waterkraan hebt die al helemaal open staat en het leidingnet is zo vol dat het water niet verder kan. Als je dan nog een kraan opent, helpt dat niet; het systeem zit al op zijn maximum.
De regel: Als een plein al op zijn maximale spanning werkt, is het vaak te laat of te moeilijk om er iets mee te winnen. We zoeken plekken waar er nog "ruimte" is.

Hoe hebben ze dit getest?

De onderzoekers hebben dit getest op verschillende "steden" (elektriciteitsnetwerken), variërend van een klein dorpje (39 pleinen) tot een enorme metropool (3374 pleinen).

De oude manier: Alles één voor één testen. Dit duurde bij de grote stad 15 dagen computerrekenen.
De nieuwe manier: Eerst de "Slimme Radar" gebruiken om de top-kandidaten te kiezen, en alleen die testen. Dit duurde slechts 4 uur.

Het Resultaat

De slimme regels vonden de plekken waar het splitsen van het knooppunt echt geld bespaarde (door goedkopere stroom te gebruiken en dure stroom te vermijden). Ze vonden zelfs de plekken die de grootste winst opleverden, zonder dat ze de hele stad hoefden te doorzoeken.

Waarom is dit belangrijk?

In plaats van miljarden euro's te investeren in het aanleggen van nieuwe hoogspanningsmasten (wat jaren duurt en vaak tegenstand krijgt van de bevolking), kunnen we nu slimme software gebruiken om de bestaande netwerken beter te laten werken.

Kort samengevat:
Het is alsof je in plaats van een nieuwe snelweg aan te leggen, gewoon de verkeerslichten op de bestaande wegen slim herschikt. De onderzoekers hebben een snelle manier gevonden om te zeggen: "Dit is het verkeerslicht dat je moet veranderen om de file op te lossen," zonder dat je alle lichten in het land hoeft te controleren.

Titel: Identificatie van de beste kandidaten voor busbar-splitsing (Busbar Splitting)

Auteurs: Giacomo Bastianel, Dirk Van Hertem, Hakan Ergun (KU Leuven / Etch - EnergyVille) en Line A. Roald (University of Wisconsin - Madison).

1. Probleemstelling

De elektriciteitsvraag neemt toe en de integratie van hernieuwbare energiebronnen (RES) verergert de congestie in transmissienetten. Traditionele oplossingen, zoals het uitbreiden van het net, zijn duur, tijdrovend en worden vaak vertraagd door technische en maatschappelijke obstakels.

Grid Topology Optimization (GTO): Een veelbelovende aanpak is het optimaliseren van de nettopologie, specifiek door Optimal Transmission Switching (OTS) en Busbar Splitting (BuS). BuS houdt in dat een busbar (koppelingsbalk in een substation) wordt opgesplitst in twee elektrische bussen, waardoor de stroomverdeling kan worden herleid en congestie kan worden verlicht.
De Uitdaging: Het optimaliseren van BuS vereist het gebruik van binaire variabelen voor elke mogelijke splitsing. Het systematisch testen van elke busbar in een groot net is computationeel onhaalbaar (NP-hard probleem). Er is dus behoefte aan een methode om vooraf een klein, veelbelovend subset van busbars te selecteren die het meeste potentieel hebben om de productiekosten te verlagen.

2. Methodologie

De auteurs stellen een geïntegreerde aanpak voor die bestaat uit een optimalisatiemodel en een reeks nieuwe selectiemetrieken.

A. Het Optimalisatiemodel (LPAC-BuS)

Het onderzoek gebruikt een bestaand model voor nettopologie-optimalisatie, gebaseerd op een Lineaire Benadering van de AC-Optimal Power Flow (LPAC-OPF).

Werking: Een geselecteerde busbar $i$ wordt opgesplitst in twee bussen ( $i$ en $i'$ ). Deze worden verbonden via een busbar-koppeling (met een binaire variabele die open/sluit aangeeft). Alle elementen (generatoren, belastingen, lijnen) die oorspronkelijk op $i zaten, worden gekoppeld aan hulpbussen en kunnen via schakelaars (ook binaire variabelen) worden verbonden met $i$ of $i'$ .
Validatie: De gevonden optimale topologie wordt vervolgens getest met een volledige, niet-lineaire AC-OPF simulatie om de haalbaarheid (AC-feasibility) en de daadwerkelijke kostenreductie te verifiëren.

B. Voorgestelde Metrieken voor Selectie

Om de zoekruimte te beperken, stellen de auteurs drie metrieken voor die gebaseerd zijn op de resultaten van een standaard AC-OPF (zonder splitsing):

Metriek $\phi$ (Som van absolute LMP-verschillen):
- Gedefinieerd als de som van de absolute verschillen in Locational Marginal Prices ( $\Delta LMP$ ) over alle takken die verbonden zijn met een specifieke busbar.
- Redenering: Grote prijsverschillen wijzen op congestie. Een busbar met meerdere takken die hoge $\Delta LMP$ -waarden hebben, biedt meer mogelijkheden om stroomstromen te herverdelen door te splitsen.
Metriek $\xi$ (Aantal congested takken):
- Het aantal takken dat verbonden is met de busbar en die al dicht bij hun thermische limieten opereren.
- Redenering: Een groot verschil in benutting van takken op dezelfde busbar suggereert lokale knelpunten die door splitsing kunnen worden opgelost.
Metriek $\zeta$ (Bindende spanningslimieten):
- Een indicator of de spanningsgrootte of hoekverschillen op de verbindingen al aan hun operationele limieten zitten.
- Redenering: Als een busbar al aan spanningslimieten zit, is splitsing waarschijnlijk niet effectief voor kostenreductie. Busbars zonder bindende limieten zijn betere kandidaten.

3. Belangrijkste Bijdragen

Ontwikkeling van een selectieframework: De auteurs introduceren een combinatie van metrieken ( $\phi, \xi, \zeta$ ) om busbars te filteren zonder het hele net exhaustief te hoeven testen.
Validatie op schaal: De methodiek wordt getest op vier verschillende nettestcases (van 39 tot 3374 bussen), variërend van kleine tot zeer grote systemen.
Combinatie van modellen: Het gebruik van een snelle LPAC-BuS voor de selectie en optimalisatie, gevolgd door een nauwkeurige AC-OPF voor validatie, biedt een balans tussen rekentijd en nauwkeurigheid.
Inzicht in bestaande literatuur: De studie toont aan dat eerdere methoden (die vaak alleen op $\Delta LMP$ of DC-OPF gebaseerd waren) ontoereikend zijn voor het selecteren van BuS-kandidaten in moderne, converter-gedomineerde netten.

4. Resultaten

De tests werden uitgevoerd op de volgende netten: 39-bus, 118-bus, 793-bus en 3374-bus.

39-bus en 118-bus:
- De metriek $\phi$ bleek sterk gecorreleerd met kostenreductie, maar alleen in combinatie met andere factoren.
- Busbars met een hoge $\phi$ -waarde, veel verbonden elementen en geen bindende spanningslimieten ( $\zeta = 0$ ) leverden de grootste kostenbesparingen op (tot 0,38% in het 118-bus geval).
- Het bleek dat enkel kijken naar het hoogste $\Delta LMP$ onvoldoende is; de context van het aantal verbindingen is cruciaal.
793-bus en 3374-bus (Grote schaal):
- De voorgestelde metrieken slaagden erin om een klein subset van busbars te selecteren dat de meeste kostenreductie opleverde.
- In het 793-bus geval identificeerden de metrieken 3 van de 4 beste busbars voor splitsing.
- Rekentijd: Het exhaustief testen van elke busbar in het 3374-bus geval zou ongeveer 15,6 dagen duren. Met de voorgestelde metrieken werd de selectie en optimalisatie beperkt tot een klein aantal kandidaten, wat de rekentijd reduceerde tot ongeveer 3,77 uur.
- Beperkingen: In het grootste geval (3374-bus) waren de absolute kostenreducties kleiner dan in kleinere netten, wat aangeeft dat het vinden van effectieve BuS-maatregelen in zeer grote netten complexer is. Sommige kostenreducties bleken het gevolg van lijnschakeling (OTS) in plaats van echte busbarsplitsing.

5. Betekenis en Conclusie

Dit artikel biedt een praktische oplossing voor netbeheerders om de potentie van Busbar Splitting te benutten zonder onrealistische rekentijden.

Efficiëntie: De methode elimineert de noodzaak om elke busbar individueel te testen, wat essentieel is voor de toepassing in grote transmissienetten.
Kostenbesparing: Door de juiste busbars te selecteren, kunnen netbeheerders de productiekosten verlagen en congestie verminderen zonder nieuwe infrastructuur aan te leggen.
Toekomstperspectief: De auteurs suggereren dat deze metrieken ook gebruikt kunnen worden in de netplanning om te bepalen welke bestaande substations geschikt zijn voor retrofitting of waar nieuwe substations moeten worden gebouwd om topologische flexibiliteit te maximaliseren. Toekomstig werk zal zich richten op het gelijktijdig optimaliseren van meerdere busbars.