english  | Home | Impressum | Datenschutz | KIT
Gabriela Molinar, M. Eng.

Gabriela Molinar, M. Eng.

Wissenschaftliche Mitarbeiterin
Gruppe: Prof. Stork
Raum: 2.28
CS 30.10

gabriela molinarBsw7∂kit edu

Engesserstr. 5

76131 Karlsruhe



M. Eng. Gabriela Molinar

Lebenslauf

  • Studium der Elektro- und Informationstechnik an der Simón Bolívar Universität, Venezuela.
  • Austauschjahr 2013-2014 am KIT
    • Thema der Abschlussarbeit: Communication and control interface for photonic powered systems. Am KIT, unter der Betreuung von Dipl.-Ing. Kai Worms.
  • Doktorandin am ITIV seit April 2016.

 

Forschung

 

Der starke Ausbau der Windkraftenergie bringt zusammen mit dem gestiegenen internationalen Stromhandel die Stromübertragungsnetze an ihre Grenzen. Da heute der aktuelle Zustand des Leiterseils (Temperatur, Durchhang) sowie die Witterungsbedingungen im Leitungsumfeld (Umgebungstemperatur, Sonnenstrahlung und Windstärke) in der Regel nicht bekannt sind, sind die Netzbetreiber aus Sicherheitsgründen oft gezwungen, eine große Anzahl von Windkraftanlagen abzuschalten. Der Betrieb der Übertragungs- und Verteilungsnetze mit einer zu großen Sicherheitsmarge zur tatsächlich möglichen Transportkapazität (konservative Belastbarkeit der Leitung) führt folglich zu deutlichen Ertragseinbußen.

Um den erhöhten Stromtransport zu ermöglichen und somit die Abschaltung der Anlagen vor allem bei hohem Windaufkommen zu vermeiden, scheint ein erheblicher Ausbau der bestehenden Stromübertragungsnetze als erforderlich. Die Optimierung der Freileitungen kann jedoch u.a. mit der Nutzung vorübergehend vorhandener Netzreserven mittels Freileitungsmonitoring (FLM) erfolgen. Hierbei werden der Freileitungszustand bzw. die Witterungsbedingungen mittels Sensorknoten erfasst. Daraus kann man dann nicht nur die dynamische Strombelastbarkeit der Leitung in Echtzeit berechnen, sondern auch vorhersagen. Elektrische Netze lassen sich somit jederzeit und abhängig von den aktuellen Witterungsbedingungen optimal auslasten, welches zu einer Erhöhung des Stromtransports zwischen 5% und 20% (in einigen Fällen bis zum 50%) führen kann.

Für die Übertragungsnetzbetreiber ist es wichtig nicht nur einen Belastbarkeitswert in Echtzeit zu haben, sondern auch eine Prognose davon, sodass eine Netzbetriebsplanung durchgeführt werden kann. Die einfachste Lösung, um eine Belastbarkeitsprognose zu ermitteln, ist es, mittels Wettervorhersage. Werden die Wetterbedingungen in der Zukunft bekannt und die maximale Leitertemperatur festgelegt, kann man die Strombelastbarkeit der Leitung berechnen. Deswegen wird in Rahmen dieses Projekts ein Netzwerk von Wetterstationen entlang der Freileitung installiert. Die Daten werden in Echtzeit in einer Zentraleinheit gesammelt und verarbeitet, damit ein lokales Wettermodell in der Umgebung des Leiters selbstgebildet wird und somit die Strombelastbarkeit bei unterschiedlichen Zeitpunkten in der Zukunft berechnet werden kann.

=> Projekt PrognoNetz (https://www.itiv.kit.edu/6518.php)

 

 

 

Betreute abgeschlossene studentische Arbeiten

  • BA: "Entwicklung einer energiesparenden Wake-Up-Pattern-Detection und Portierung des Race Result Active-Transponder-Protokolls auf einen 32-Bit Mikrocontroller"
  • BA: "Vergleich der räumlichen Interpolationsverfahren für Wetterdaten und ihre Integration in den selbstlernenden Modellen zur Strombelastbarkeitsprognose des Hochspannungsnetzes; Comparison of Spatial Interpolation Methods for Weather Data and their*"
  • BA: "Untersuchung des Einflusses unterschiedlicher Datenaufbereitungsmethoden beim Taining von LSTM und QRF Modellen; Study of the Influence of Different Data Preparation Mehods before Training LSTM and QRF Models"
  • BA: "Ampacity Forecasting Accuracy Improvement based on a Dynamic and Automatic Selection over Time of the Best Performing Ensemble Method; Verbesserung der Prognosegenauigkeit der Strombelastbarkeit mittels einer zeitlich dynamischen und automatischen Auswahl"
  • MA: "Optimization of Sensor Nodes Distribution for Overhead Line Monitoring Systems Based on Meterological and topographical Features; Optimierung der Sensorknotenverteilung für Freileitungsmonitoringssysteme auf Basis von meterologischen und topographischen*"
  • MA: "Evaluierung der Eignung numerischer Wetterprognose und topographischen Daten für Strombelastbarkeitsprognose auf Basis von Machine Learning Methoden; Evaluation of the Suitability of Numerical Weather Prediction and Topographical Data for Tampacity*"
  • BA: "Two-day Ahead Ampacity Forecasting of Overhead Lines Based on Parallelized Quantile Regression Forests
  • Masterarbeit    Development and Evaluation of a few Shot Segmentation Algorithm in Deep Learning for Machine Vision Applications"
  • BA: "Implementation of Ensemble Methods to Increase the Accuracy of the Ampacity Forecasting of High Voltage Overhead Lines; Umsetzung Ensembleverfahren zur Genauigkeitserhöhung der Strombelastbarkeitsprognose von Hochspannungsleitungen"
  • BA: "Umsetzung eines intelligenten adaptiven Sensornetzwerkes für Freileitungsmonitoringssysteme
  • Masterarbeit    Objekterkennung mittels Transfer Learning durch Convolutional Neural Networks (CNN) Eine Fallstudie zur automatisierten Mahlzeitenerkennung; Object Recognition Through Transfer with Convolutional Neural Networks (CNN)"
  • MA: "Objekterkennung mittels Transfer Learning durch Convolutional Neural Networks (CNN): Object Recognition through Transfer Learning with Convolutional Neural Networks (CNN)"
  • MA: "Implementierung und Bewertung eines rekurrenten neuronalen Netzes für die 48-Stunden Strombelastbarkeitsprognose einer Freileitung anhand von Daten aus verteilten Wetterstationen"
  • MA: "Quantile Regression Forests Applied to Weather-Based Ampacity Forecasting of Overhead Lines; Wetterbedingte Belastbarkeitsprognose von Freileitungen mittels Quantile Regression Forests"
  • BA: "Umsetzung eines energieeffizienten Kommunikationskanals für weitreichende Sensornetzwerke; Implementation of an Energy Efficient Communication Channel for Long-Range Sensor Networks"
  • BA: "Umsetzung und Auswertung von Gauß-Prozessen zur Verbesserung der Strombelastbarkeitsprognose von Hochspannungsleitungen; Implementation and Evaluation of Gaussian Processes for the Improvement of Ampacity Forecasts of High Voltage Overhead Lines"
  • BA: "Spatial Correlation of Weather Data and its Impact on Weather Forecasting by Means of Machine Learning"
  • BA: "Langzeite Belastbarkeit der Freileitungen mittels Klassifizierungsalgorithmen; Long-Term Forecasting of the Maximum Current Capacity of Overhead Lines Using Classification Algorithms"
  • BA: "Entwicklung eines Windgeschwindigkeits- zund Windrichtungssensors in 2D mittels der Charakterisierung von Schallwellen; Development of a Wind Speed and Direction Sensor in 2D by Means of a Characterization of Sound Waves"
  • MA: "Auswahl, Implementierung und Validierung maschineller Lernalgorithmen für lokale, kurzzeitige Wetterprognosen; Selection, implementation and validation of learning algorithms for local short-term weather forecasting"
  • MA: "Entwicklung einer optimierten Zeitsynchronisierung für entfernte Sensorknoten von Freileitungsmonitoringssysteme; Development of an Optimal Synchronization System for Remotely Located Sensor Units of Overhead Line Monitoring Systems"                                

 

Studentische Arbeiten
Titel Datum
offen (zu vergeben)
offen (zu vergeben)
offen (zu vergeben)
offen (zu vergeben)


Publikationen


2019
Proceedingsbeiträge
Ampacity forecasting: an approach using Quantile Regression Forests.
Molinar, G.; Fan, L. T.; Stork, W.
2019. IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), Washington, DC, USA, 18-21 Feb. 2019, 1–5, IEEE, Piscataway (NJ). doi:10.1109/ISGT.2019.8791615
2018
Proceedingsbeiträge
From Data Points to Ampacity Forecasting: Gated Recurrent Unit Networks.
Molinar, G.; Popovic, N.; Stork, W.
2018. 2018 IEEE Fourth International Conference on Big Data Computing Service and Applications (BigDataService), Bamberg, March 26-29, 2018, 200–207, IEEE, Piscataway (NJ). doi:10.1109/BigDataService.2018.00037
2017
Proceedingsbeiträge
Infrared spectral imaging for damage detection and prevention of overhead power lines.
Molinar, G.; Stork, W.
2017. OCM 2017 - Optical Characterization of Materials - conference proceedings. Hrsg.: J. Beyerer, F. Puente León, T. Längle, 159–168, KIT Scientific Publishing, Karlsruhe. doi:10.5445/IR/1000068201