Risk-Based Dynamic Thermal Rating in Distribution Transformers via Probabilistic Forecasting

Dit artikel presenteert een probabilistisch raamwerk dat historische data gebruikt om dynamische thermische beschermingsinstellingen te voorspellen, waardoor de capaciteit van laagspanningstransformatoren met 10–12% kan worden vergroot terwijl het oververhittingsrisico nauwkeurig wordt beheerd.

De kern

Stel je voor dat je een oude, betrouwbare vrachtwagen hebt die al jaren voor je bedrijf rijdt. Je hebt er veel aan, maar de weg wordt steeds drukker en er komen steeds meer zware ladingen. Tegelijkertijd zijn nieuwe vrachtwagens duur en moeilijk te krijgen. Je wilt dus je oude truck zo veel mogelijk gebruiken, maar je bent bang dat de motor oververhit raakt als je te hard gaat.

Normaal gesproken heeft de vrachtwagen een statische snelheidsbegrenzer. Die zegt: "Je mag nooit harder dan 80 km/u, want dat is veilig." Maar dat is zonde! Soms is het koud, de weg is leeg en de motor kan prima 100 km/u aan zonder problemen. De beperking is er alleen omdat de bestuurder (of de beveiliging) niet precies weet wat er nu gebeurt.

Dit artikel over dynamische thermische rating (DTR) gaat over slimme vrachtwagens die dat probleem oplossen. Hier is de uitleg in simpele taal:

1. Het Probleem: Te Veilig, Te Statisch

In het elektriciteitsnetwerk zijn transformatoren (de "vrachtwagens") verantwoordelijk voor het leveren van stroom aan huizen. Ze worden steeds meer belast door bijvoorbeeld zonnepanelen en elektrische auto's.

• Het oude systeem: Beveiligingsapparatuur (zekeringen) is heel conservatief. Ze zeggen: "Bij 100% capaciteit schakelen we uit, want we willen geen risico lopen."
• Het gevolg: De transformatoren worden vaak niet voluit gebruikt, terwijl ze het op koude dagen of in de winter eigenlijk wel aankunnen. Het is als een vrachtwagen die stopt bij 80 km/u, terwijl de motor erom vraagt om 120 km/u te rijden op een koude dag.

2. De Oplossing: Een Slimme, Voorspellende Chauffeur

De auteurs van dit artikel hebben een manier bedacht om de beveiliging slimmer en flexibeler te maken. In plaats van een vaste snelheid, gebruiken ze een waarschijnlijkheidsmodel.

Stel je voor dat je niet zegt: "Rijd 80 km/u", maar tegen je chauffeur zegt:

"Ik heb gekeken naar de weersvoorspelling en het verkeer. Er is een 95% kans dat je vandaag veilig 110 km/u kunt rijden zonder dat de motor smelt. Maar als je 120 km/u rijdt, is er een klein risico dat de motor te heet wordt."

Dit is wat ze doen:

• Directe Voorspelling: Ze voorspellen niet eerst hoeveel stroom er gevraagd wordt (wat fouten kan opleveren), maar ze voorspellen direct hoe hoog de beveiligingsdrempel mag worden.
• Risico-inzicht: Ze gebruiken statistiek om te zeggen: "Als we de drempel op deze stand zetten, is de kans op oververhitting precies 5%." Dit geeft de netbeheerder de keuze: "Wilt u 5% risico voor meer stroom, of liever 0% risico en minder stroom?"

3. Hoe werkt het? (De "Kluster" Methode)

Ze hebben data van 644 transformatoren in het VK gebruikt. Dat is veel, maar elke transformator is uniek (sommige staan in de schaduw, sommige in de zon, sommige hebben veel buren).

• De Analogie: In plaats van voor elke vrachtwagen een aparte chauffeur te trainen (wat te veel data kost), hebben ze de vrachtwagens in groepen (clusters) ingedeeld.
• Ze hebben vrachtwagens met vergelijkbare eigenschappen bij elkaar gezet. Zo leert het systeem van de hele vloot tegelijk, maar houdt het rekening met de specifieke kenmerken van elke groep. Het is alsof je een "team van winterrijders" hebt en een "team van zomerrijders", en ze leren van elkaar.

4. De Resultaten: Meer Stroom, Zekerheid

De resultaten zijn indrukwekkend:

• Meer capaciteit: Door deze slimme instellingen kunnen ze 10% tot 12% meer stroom leveren dan met de oude, stijve systemen. Dat is als extra vracht voor je vrachtwagen zonder dat je hem hoeft te vervangen.
• Risico beheersbaar: Als ze kiezen voor een "conservatieve" voorspelling (bijvoorbeeld de 2% kans op oververhitting), dan gebeurt er bijna niets. De transformatoren blijven veilig, maar krijgen wel meer ruimte.
• Robuust: Zelfs als de weersvoorspelling niet 100% klopt (bijvoorbeeld 2 graden verschil), werkt het systeem nog steeds goed. Het is als een slimme chauffeur die ook rekening houdt met een beetje mist.

5. Waarom is dit belangrijk?

Vroeger dachten mensen: "We moeten nieuwe transformatoren kopen als de stroomvraag te hoog wordt."
Dit artikel zegt: "Nee, wacht even. Laten we eerst kijken of we de bestaande apparatuur slimmer kunnen gebruiken."

Het is een manier om:

1. Kosten te besparen (geen dure nieuwe apparatuur).
2. Wachttijden te verkorten (nieuwe transformatoren zijn lang niet leverbaar).
3. De energietransitie te ondersteunen (meer ruimte voor elektrische auto's en zonnepanelen).

Samenvattend

Stel je voor dat je een slimme thermostaat hebt die niet alleen de temperatuur meet, maar ook de weersvoorspelling en je gedrag kent. Die thermostaat zegt dan: "Vandaag is het koud, dus we kunnen de verwarming iets harder zetten zonder dat het huis te heet wordt."

Dit artikel doet precies dat voor het elektriciteitsnet: het maakt de beveiliging dynamisch en risicobewust, zodat we meer stroom kunnen leveren zonder dat de "motor" (de transformator) smelt. Het is een slimme, veilige manier om het beste uit onze oude infrastructuur te halen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Risk-Based Dynamic Thermal Rating in Distribution Transformers via Probabilistic Forecasting" in het Nederlands.

Titel: Risicogebaseerde Dynamische Thermische Rating in Distributietransformatoren via Probabilistische Voorspelling

Auteurs: Scott Angus, Jethro Browell, David Greenwood, Matthew Deakin (Newcastle University & University of Glasgow)

---

1. Het Probleem

Laagspannings (LV) distributietransformatoren staan onder toenemende druk door een versnelde vraaggroei (naar 2050 verwacht een stijging van 50–100%), terwijl de levertijden en kosten voor vervanging stijgen.

• Beperkingen van bestaande systemen: Huidige beveiligingsapparatuur (zoals zekeringen en miniatuur-circuitonderbrekers) is statisch en conservatief ingesteld. Dit beperkt de beschikbare capaciteit van de transformatoren, zelfs onder veilige thermische omstandigheden. De capaciteit wordt vaak beperkt door het beveiligingsbeleid in plaats van door de daadwerkelijke thermische limieten.
• Uitdaging bij Dynamische Thermische Rating (DTR): Hoewel DTR (het aanpassen van laadlimieten op basis van real-time of voorspelde omstandigheden) op hogere spanningsniveaus bestudeerd is, is dit op LV-niveau moeilijk toe te passen vanwege gebrek aan monitoring en simpele beveiligingsapparatuur.
• Noodzaak voor automatisering: Het handmatig ingrijpen van operators is onpraktisch voor netbeheerders (DNO's) die honderdduizenden transformatoren beheren. Er is een geautomatiseerde methode nodig die de afweging tussen extra capaciteit en het risico op oververhitting (hotspot-temperatuur) kan balanceren.

2. Methodologie

De auteurs stellen een probabilistisch raamwerk voor om de optimale instellingen (schaalfactor) voor numerieke relais een dag van tevoren te voorspellen.

• Doel: Het maximaliseren van de dynamische thermische rating (DTR) door de uitschakelstroom van het relais aan te passen via een schaalfactor ($k$), terwijl het risico dat de hotspot-temperatuur de limiet van 140°C overschrijdt, wordt beheerst.
• Thermisch en Beveiligingsmodel:
  • Er wordt gebruikgemaakt van het IEEE-thermische model om de hotspot-temperatuur ($\theta_H$) te schatten op basis van omgevings temperatuur, top-olie-temperatuurstijging en hot-spot stijging.
  • Het model houdt rekening met onbalans in de fasestromen door de belastingsfactor op te splitsen in een wikkel-component en een olie-component.
  • Een dual-time constant model (ANSI 49) in het relais berekent de uitschakelstroom op basis van de schaalfactor $k$.
• Probabilistische Voorspelling (Directe Aanpak):
  • In plaats van eerst de last te voorspellen en daaruit de schaalfactor af te leiden (wat foutenpropagatie veroorzaakt), voorspelt het model direct de optimale schaalfactor.
  • Clustering: Om overfitting te voorkomen bij individuele transformatoren (weinig data) en variatie binnen de vloot vast te leggen, worden transformatoren gegroepeerd (geclusterd) op basis van historische lasten en metadata (bijv. nominaal vermogen, aantal klanten). De K-means algoritme wordt gebruikt, geoptimaliseerd met PCA en silhouette scores.
  • Model: Er wordt gebruikgemaakt van LightGBM voor kwantielregressie. Dit levert probabilistische uitkomsten op die direct corresponderen met operationele risiconiveaus.
  • Training: Het model wordt getraind op retrospectief berekende optimale schaalfactoren (de maximale $k$ waarbij de temperatuur net onder 140°C blijft).
  • Risicomanagement: Door een specifiek percentiel (bijv. 5e percentiel) te kiezen, kiest de DNO een veiligheidsmarge. Een 5e percentiel betekent dat er slechts een 5% kans is dat de werkelijke schaalfactor lager is dan de voorspelling (en dus dat de temperatuurlimiet wordt overschreden).

3. Belangrijkste Bijdragen

1. Directe Probabilistische Voorspelling: Een nieuwe methode om de schaalfactor voor relais direct te voorspellen, wat de foutenpropagatie van multi-stap methoden (lastvoorspelling $\rightarrow$ schaalfactor) elimineert.
2. Risicogestuurde Beheersing: Een praktische tool voor DNO's om het risico op oververhitting direct te koppelen aan de gekozen voorspellingspercentiel. Dit maakt het mogelijk om de capaciteit te maximaliseren binnen het risicobereidheid van de operator.
3. Schalbaarheid: Door clustering en het gebruik van fleet-wide data kan het model goed generaliseren voor duizenden transformatoren, zelfs met beperkte individuele meetdata.
4. Robuustheid: De methode is getest onder realistische weersvoorspelfouten (±2°C) en blijft goed gekalibreerd.

4. Resultaten

De methode is gevalideerd met data van 644 LV-distributietransformatoren in het VK gedurende de winter van 2024/25.

• Capaciteitswinst: De methode levert een 10–12% extra capaciteit op vergeleken met statische instellingen (standaard schaalfactor 1.05).
• Risicokalibratie:
  • Er is een directe correlatie tussen het gekozen percentiel en het risico op temperatuuroverschrijding. Bijvoorbeeld: het kiezen van het 2e percentiel resulteert in een gemiddelde capaciteitsstijging van >10% met slechts een 2% kans op het overschrijden van de 140°C limiet.
  • Het model toonde een 90% dekking (coverage) voor het 90% voorspellingsinterval, wat aangeeft dat de probabilistische voorspellingen goed gekalibreerd zijn.
• Vergelijking met Multi-stap Methode: Een alternatieve aanpak waarbij eerst de last wordt voorspeld en daaruit de schaalfactor wordt berekend, presteerde slecht (slechts 17% dekking) door de cumulatie van voorspelfouten en het niet kunnen modelleren van fase-interacties. De directe aanpak was duidelijk superieur.
• Robuustheid: Zelfs in de "slechtste" scenario's binnen de dataset leidde het gebruik van het 5e percentiel slechts tot een maximale hotspot-temperatuur van 140,8°C, wat aantoont dat het risico beheersbaar blijft.

5. Betekenis en Conclusie

Dit onderzoek biedt een praktische, geautomatiseerde oplossing voor netbeheerders om de bestaande infrastructuur efficiënter te benutten zonder de veiligheid te compromitteren.

• Operationeel: Het stelt DNO's in staat om adaptieve beveiligingsinstellingen (via numerieke relais) in te voeren die reageren op weersomstandigheden en laadprofielen.
• Economisch: Het uitstellen van dure vervangingen en upgrades door de bestaande transformatoren beter te benutten.
• Toekomstperspectief: De methode vormt een basis voor verdere optimalisatie, zoals het gebruik van langere datasets, frequentere updates van de relaisinstellingen en het bestuderen van de cumulatieve verouderingseffecten van het vaker werken op de thermische limiet.

Kortom, het paper demonstreert dat probabilistische voorspelling een krachtig instrument is om de afweging tussen capaciteitswinst en asset-risico in distributienetwerken nauwkeurig en veilig te managen.