pandapower

So steigst du ein

Schritt 1: Installiere pandapower über pip: pip install pandapower. Für ML-Integration empfiehlt sich eine virtuelle Umgebung (conda oder venv) mit NumPy, pandas und matplotlib als Grundlage.

Schritt 2: Lade ein Beispielnetz aus der mitgelieferten Bibliothek (z.B. pp.networks.mv_oberrhein() für ein reales Mittelspannungsnetz aus Baden-Württemberg) und führe deinen ersten Lastfluss aus: pp.runpp(net). Vergleiche die Ergebnisse mit bekannten Referenzwerten aus eurem bestehenden Berechnungstools.

Schritt 3: Exportiere euer CIM-Netzmodell aus DIgSILENT PowerFactory oder eurer eigenen Netzdatenbank und lese es per pp.from_cim() ein. Kombiniere historische SCADA-Zeitreihen mit dem Netzmodell und trainiere erste ML-Modelle auf simulierten Lastflussergebnissen.

Ein konkretes Beispiel

Ein Verteilnetzbetreiber in Norddeutschland will verstehen, welche Kombinationen aus PV-Einspeisung und Wärmepumpenlasten regelmäßig zu Überlastungen auf einer 20-kV-Stichleitung führen. Mit pandapower werden 8.760 historische Stundenwerte (ein Jahr SCADA-Daten) als Lastflussszenarien durchgerechnet — rund 15 Minuten Rechenzeit auf einem Standard-Laptop. Das Ergebnis: ein pandas-DataFrame mit 8.760 Zeilen und Betriebsmittel-Auslastungen pro Stunde, der direkt als Trainingsdatensatz für ein Gradient-Boosting-Modell genutzt wird. Das Modell identifiziert, dass Überlastungen fast ausschließlich dann auftreten, wenn PV-Einspeisung >60 % der Nennkapazität und gleichzeitig mehr als 40 % der Wärmepumpen im Speichermodus laden — ein Muster, das manuelle Lastflussrechnungen nie explizit abgedeckt hätten.