Sensoren und Künstliche Intelligenz überwachen das Stromnetz

Anbieter zum Thema

Fraunhofer IITB-AST

MES Electronic Connect GmbH & Co. KG

Schneider Electric GmbH

IBR Leiterplatten GmbH & Co. KG

Energie aus Photovoltaik und Windenergie werden vermehrt dezentral in das Stromnetz eingespeist. Methoden der Künstlichen Intelligenz und Sensorik überwachen das Netz in Echtzeit.

Die Transformation des elektrischen Energiesystems befindet sich nach der Phase I, dem Ausbau der erneuerbaren Energien, aktuell in der Phase II: Die Integration der erneuerbaren Energien in die optimale Systemführung. Allerdings ergeben sich infolge der steigenden, dezentralen, fluktuierenden Einspeiser wie Photovoltaik und Wind und aktiven Netzkomponenten zunehmend neue Anforderungen an die Netzbetriebsführung. Wechselnde und kurzzeitig auftretende, große Leistungsflüsse bei der dezentralen Einspeisung erhöhen allerdings die Netzbelastung vor allem im dynamischen Zeitbereich und führen zu einer hohen Anfälligkeit gegenüber Versorgungsausfällen oder Instabilitäten.

An dieser Stelle notwendig ist eine Echtzeitbewertung des Netzzustands, um automatisch und schnell kritische Betriebssituationen auf Basis hochdynamischer Messungen zu erkennen. Nur so ist es möglich, auf plötzlich eintretende Betriebsstörungen schnell zu reagieren und passende Gegenmaßnahmen einzuleiten, um einen stabilen und sicheren Netzbetrieb aufrechtzuerhalten. Vor dem Hintergrund des weiteren Ausbaus der erneuerbaren Energieanlagen von derzeit rund 1,5 Mio. auf schätzungsweise 5 Mio. Anlagen sowohl in Übertragungs- als auch Verteilnetzen ist die Bewertung des Netzzustands in Echtzeit zwingend notwendig. Bei der Phasormesstechnik, aus dem Englischen von Phasor Measurement Unit, PMU, lassen sich hochdynamische Netzphänomene präzise beobachten und erfassen. Schon seit einigen Jahren werden PMU erfolgreich in Übertragungsnetze eingesetzt. Vor allem in den USA und Indien.

Bildergalerie

Bildergalerie mit 5 Bildern

Komplexe Strom- und Spannungszeiger

Auf Basis einer hochfrequenten Abtastung, wie mit 50 Hz, werden komplexe Strom- und Spannungszeiger ermittelt und mithilfe eines GPS-Signals zeitsynchronisiert. Den prinzipiellen Aufbau einer PMU zeigt Bild 1. Die sekundärseitig erfassten Strom- und Spannungsmessungen werden mit der diskreten Fourier-Transformation und einem Referenzsignal in komplexe Zeigergrößen überführt. Aus der zeitlichen Änderung der Spannungswinkel werden zusätzlich Frequenz und Frequenzänderung ermittelt. Je nach Messkonfiguration ergeben sich weitere Signale wie symmetrische Komponenten oder Wirk- und Blindleistung. Die erzeugten Phasoren werden kontinuierlich im festen Zeitintervall über das TCP-basierte Übertragungsprotokoll IEEE C37.118 an einen zentralen PDC (Phasor Data Concentrator) weitergeleitet.

Wertet man mehrere, im Netz verteilter PMUs aus, ist die Weitbereichsüberwachung (Wide Area Monitoring) in Übertragungs- oder Verteilnetzen möglich. Dabei können unterschiedliche Aufgaben sowohl im operativen Betrieb als auch bei der Planung von Netzen oder für Post-Mortem-Analysen durchgeführt werden. Hierzu zählen Analysen von Oszillationsmoden inkl. Dämpfungseigenschaften, Stabilitätsbewertungen, Inselbildungen erkennen, Phasenwinkeldifferenzen überwachen oder aktive Netzbetriebsmittel wie FACTS-Regler (Flexible AC Transmission Systems) und HVDC- (Hochspannungsgleichstrom-)Umrichter ansteuern. Das Bild 2 zeigt exemplarische Simulationsergebnisse für einen Generator- und Leitungsausfall, aufgezeichnet von sechs verschiedenen PMUs.

Stromnetze mit Künstlicher Intelligenz überwachen

Die aus Phasormessungen gesammelten Informationen können je nach Einsatzgebiet sehr hohe Datenvolumen (mehrere GByte am Tag) verursachen und sind mit manuellen Auswertungsroutinen kaum beherrschbar. Hier bietet sich Künstliche Intelligenz (KI) an. Sie verarbeitet große Datenmengen effizient und wertet sie automatisiert aus. Dazu werden die Messsignale im Zeit- und Frequenzbereich analysiert, damit sich daraus charakteristische Muster extrahieren lassen, die mit statistischen Kenngrößen (Varianz und Entropie) oder Verfahren zur Zeit-Frequenz-Transformation (Wavelet-Zerlegung und S-Transformation) ausgewertet werden.

Mit den identifizierten Muster werden bestimmte Ereignisse im Netz (Anomalien, Ausfälle von Betriebsmitteln oder Kurzschlüsse) erkannt und der Netzbetriebsführung als Information bereitgestellt. Allerdings sind die Verfahren rechenintensiv und eignen sich nicht für den operativen Betrieb, schnell eine Entscheidung zu treffen. Hier helfen Verfahren zur Datenkompression, um die Messwerte im Vorfeld in kompakte Repräsentationen (Zustände) zu überführen und redundante Informationen zu eliminieren. Forscher am Fraunhofer IOSB-AST haben, ähnlich dem Verfahren der Audio- oder Bildkompression, ein zweistufiges Kompressionsverfahren entwickelt, mit dem die Datensätze um bis zu 80% ohne Informationsverlust verringert werden konnten [2].

Alternativ vereinen künstliche neuronale Netze die Schritte Merkmalsextraktion und Entscheidungsfindung in mehrschichtigen Modellen. Somit lassen sie sich direkt auf Rohdaten trainieren (End-to-End-Learning). Die Modellparameter müssen über verhältnismäßig viele Beispieldaten, wie Netzsimulationen, iterativ bestimmt werden. Trotz des hohen Trainingsaufwands sind künstliche Neuronale Netze zu einer schnellen Entscheidungsfindung fähig, da die Modellausführung aus relativ einfachen Matrixoperationen besteht. Als Nachteil können die vom Modell getroffenen Entscheidungen kaum nachvollzogen werden und erschweren somit den Einsatz in kritischen Energieversorgungssystemen.

Unregelmäßigkeiten und Anomalien mit einer KI erkennen

Mit einer KI lassen sich neuartige Assistenzsysteme entwickeln. Sie unterstützen bei der Entscheidung in zukünftigen Netzleitwarten. Unregelmäßigkeiten bzw. Anomalien lassen sich erkennen. Dazu gehören Abweichungen zum ungestörten Netzbetrieb und potentielle Betriebsstörungen. Zudem lassen sich vordefinierte Betriebsstörungen wie Generator- und Leitungsausfälle identifizieren und lokalisieren. Im Vorfeld wird das Netz umfangreich und dynamisch simuliert, womit sich bestimmte Ausfallszenarien erkennen lassen.

Mit den extrahierten Trainingsdaten wird eine KI angelernt, welche in der anschließenden Anwendungsphase auf Basis der Phasormessungen den Fehlertyp identifiziert, den Fehler im Netz lokalisiert und die Eintrittswahrscheinlichkeit automatisiert und in Echtzeit abschätzt. Die Fraunhofer-Forscher entwickelten unterschiedliche Klassifikationsverfahren und in verschiedenen Parameterstudien untersucht. Neben künstlichen neuronalen Netzen kamen auch weitere maschinelle Lernverfahren wie Support-Vektor-Maschinen oder Entscheidungsbäume zum Einsatz.

Das Bild 3 zeigt den prinzipiellen Aufbau der KI-basierten Fehleridentifikation und Fehlerlokalisierung auf Basis von PMU-Daten sowie exemplarisch die Struktur eines Klassifikators auf Basis von Long-Short-Term-Memories (LSTM) – einer speziellen Form rekurrenter neuronaler Netze. Dabei werden die PMU-Daten mithilfe der Z-Transformation vorverarbeitet und über mehrere, in Schichten angeordnete LSTM-Einheiten zur Bildung eines Merkmalsvektors weiterverarbeitet. Bewertet wurden die Klassifikatoren, indem sie auf Basis einer 10-fachen Kreuzvalidierung getestet wurden und damit die Klassifikationsgenauigkeit sowie die notwendige Berechnungszeit für eine Prädiktion ermittelt.

Fehlertyp und Fehlerort ermitteln

Danach wird die Prädiktion über einen linearen Klassifikator mithilfe einer Softmax-Aktivierungsfunktion in den Entscheidungsvektor transformiert, welcher unter Angabe von Wahrscheinlichkeiten Informationen über den vorliegenden Fehlertyp sowie Fehlerort enthält. Dabei erreichten die LSTM-, GAK-SVM- und DTW-kNN-Klassifikatoren eine Genauigkeit von nahezu 100% die höchsten Werte zur Identifikation und Lokalisierung mehrerer Generator- und Leitungsausfälle in einem synthetischen Übertragungsnetz.

Der LSTM-Klassifikator wird unter 10 ms ausgeführt. Damit liegt er unterhalb des Übertragungsintervalls der PMU-Daten von 20 bis 100 ms. Die GAK-SVM- und DTW-kNN-Klassifikatoren benötigen über 100 ms und sind für den Online-Betrieb ungeeignet. Ein Standard-PC mit 2,8 GHz und 16 GByte RAM erledigte die Berechnungen. Ausblick: Für eine höhere Effizienz bei der Datenverarbeitung könnten mehrere Netzbeobachter dezentral im Netz verteilt werden. Experten diskutieren außerdem den Einsatz Digitaler Zwillinge in elektrischen Netzen.

Referenzen

[1] J. Dagle, “Synchrophasor Technology and Systems,” CIGRE-NASPI SYNCHROPHASOR, TECHNOLOGY TUTORIAL. Houston, Texas, Oct. 19 2014.

[2] Kummerow, Andre; Nicolai, Steffen; Bretschneider, Peter: Spatial and temporal PMU data compression for efficient data archiving in modern control centres. In: 2018 IEEE International Energy Conference (ENERGYCON). Limassol, Cyprus, S. 1– 6.

KI-basierte Messverfahren für hochautomatisierte Stromnetze

Künstliche Intelligenz soll helfen die Stromübertragung zu optimieren

* André Kummerow ist stellvertretender Gruppenleiter Energiesysteme und -komponenten am Fraunhofer IOSB in Ilmenau.

(ID:45883796)