Künstliche Intelligenz kann Stromnetze sichern

Der Betrieb von Stromnetzen wird auch aufgrund von größeren Zahl von einspeisenden PV-Anlagen immer komplexer. Daher kann es aus Sicht des Fraunhofer IOSB-AST sinnvoll sein, konventionelle Messtechniken für die Netzführung durch neue Technologien zu ergänzen. Zum frühzeitigen Erkennen kritischer Netzdynamiken haben die Forscherdafür neue Lösungen entwickelt, die eine hochpräzise Echtzeitüberprüfung sowie die Komprimierung der Daten für eine beschleunigte Datenanalyse ermöglichen sollen.

„Durch die zunehmend fluktuierende Einspeisung von erneuerbaren Energien werden Stromnetze immer dynamischer belastet“, erläutert Jana Liebe, Geschäftsführerin des Thüringer Erneuerbare Energien Netzwerk (ThEEN) e.V. „Um die Versorgungssicherheit auch bei Schwankungen zu bewerkstelligen, brauchen wir neue Verfahren." Damit befassen sich in Thüringen das Ilmenauer Fraunhofer IOSB-AST sowie die TU Ilmenau. Beide forschten zusammen mit dem Fraunhofer IFF, der Siemens AG, der Otto-von-Guericke-Universität Magdeburg und der Ruhr-Universität Bochum im Projekt „DynaGridCenter“.“ Dieses Projekt wurde vom Bundeswirtschaftsministerium gefördert.

Für eine zuverlässige Überwachung der netzrelevanten Parameter im komplexen modernen Stromnetz werden zunehmend hochpräzise, zeitsynchronisierte Phasormessungen (PMU, Phase measurement unit) genutzt. „Diese ermöglichen u.a. die Messung von Frequenz, Spannung oder Phasenwinkel mit bis zu 50 Abtastungen pro Sekunde“, erklärt André Kummerow, wissenschaftlicher Mitarbeiter am Fraunhofer IOSB-AST.

Bei den Messungen entstehen jeden Tag große Datenmengen, die effizient erfasst und verarbeitet werden müssen. „Hierzu haben wir am Institut ein Komprimierungsverfahren entwickelt, welche den Speicherbedarf zur Archivierung der Daten um etwa 80 Prozent reduzieren kann“, so André Kummerow. Die Messwerte werden verwendet, um Abweichungen vom normalen Netzbetrieb in Echtzeit zu identifizieren. Hierbei werden Verfahren aus dem Bereich der künstlichen Intelligenz (KI) zur automatischen Auswertung der Messwerte eingesetzt.

Die entwickelten Lösungen verbessern und beschleunigen die Messprozesse: „Bisher mussten wir in der Lage sein, bis zu 4,3 Millionen Datensätze pro Tag automatisiert zu erfassen, zu komprimieren und auszuwerten. Entsprechend komplex sind auch unsere Ansätze zur Fehlererkennung, für die wir im Projekt auf KI-basierte Verfahren zurückgreifen“, so André Kummerow weiter. Diese Verfahren sammeln zunächst die Daten ein und wandeln diese in Muster mit charakteristischen Eigenschaften um. In der nachfolgenden Online-Mustererkennung können so im Störungsfall mittels Verfahren der KI Fehlerort und Fehlertyp identifiziert und die entsprechende Eintrittswahrscheinlichkeit geschätzt werden. Anschließend werden diese Daten für den Operator in der Leitwarte zur Verfügung gestellt und zusätzlich visualisiert.

22.2.2019 | Quelle: ThEEN e.V. | solarserver.de © EEM Energy & Environment Media GmbH