Sichere Stromnetze dank KI

Der Betrieb der Stromnetze ist infolge der Energiewende zunehmend anspruchsvoll geworden. Gleichzeitig eröffnet die Digitalisierung der Netze neue Chancen. Um die enormen Datenmengen zu verarbeiten, die sich beim Messen des täglichen Netzzustandes ansammeln, können Netzbetreiber künftig KI-Methoden einsetzen. Forscherinnen und Forscher des Fraunhofer IOSB-AST haben hierfür ein neues Verfahren entwickelt.

Die bestehenden Stromnetze stoßen zunehmend an ihre Belastungsgrenzen. Gründe dafür sind die lastferne Erzeugung erneuerbarer Energien, ein stark gewandelter Energiemix und der komplexe Netzausbau. Um die Netze auch künftig bei kurzfristigen und großen Änderungen des Leistungsflusses stabil zu betreiben, ist eine automatisierte Echtzeitbewertung des Netzzustandes auf Grundlage hochdynamischer Messdaten erforderlich.  

An dieser Thematik arbeiten die Forscherinnen und Forscher des Institutsteils Angewandte Systemtechnik (AST) des Fraunhofer IOSB in Ilmenau. Sie haben in einem ersten Schritt ein Komprimierungsverfahren für die Messwerte sogenannter PMU-Messgeräte, spezieller Sensoren aus dem Stromnetz, entwickelt. Diese zeitlich hochaufgelösten Daten – bei bis zu 50 Messungen pro Sekunde – zeigen detaillierte Informationen zu Strömen und Spannungen zu einem beliebigen Zeitpunkt an. Damit liefern sie einen wichtigen Indikator für den Zustand des Netzes. Mit Hilfe des neuen Verfahrens ist es möglich, die dabei entstehende Datenmenge um bis zu 80 Prozent zu reduzieren, ohne dass dabei Informationen verloren gehen. Im Ergebnis lassen sich die Messdaten nicht nur platzsparender archivieren, sondern auch effizienter auswerten.

Betriebsstörungen in Echtzeit erkennen

André Kummerow, wissenschaftlicher Mitarbeiter am Fraunhofer IOSB-AST, beim Einsatz der Algorithmen (©Fraunhofer IOSB-AST/Martin Käßler)

Dies ist wichtig für den zweiten Schritt des Verfahrens, bei dem die aufbereiteten Daten zum Anlernen von künstlichen neuronalen Netzen eingesetzt werden. Dabei sind vor allem die Daten typischer Betriebsstörungen von großem Interesse. Die KI-Algorithmen lernen auf diese Weise, normale Betriebsdaten von Unregelmäßigkeiten zu unterscheiden sowie die auftretenden Störungen exakt zu kategorisieren und zu lokalisieren. Nach der Trainingsphase sind die KI-Algorithmen in der Lage, die Daten von PMU-Sensoren in Echtzeit auszuwerten. Bisher erfolgte dies in der Regel manuell und im Nachhinein. Der KI-basierte Algorithmus ermöglicht es so, auf Betriebsstörungen schnell und weitgehend automatisiert zu reagieren und größere Versorgungsausfälle (z.B. Blackouts) zu vermeiden.

Der Nutzwert der KI lässt sich am besten an einem Beispiel verdeutlichen: Fällt ein Kraftwerk aus, so steigt die Last für die anderen Kraftwerke abrupt an. Die Generatoren werden durch die steigende Last langsamer, die Frequenz des Wechselstroms sinkt. Wird dabei ein vorgegebener Grenzwert unterschritten, müssen gegebenenfalls Netzabschnitte aus Gründen der Systemstabilität schnell abgeschaltet werden. Schnell, das heißt mitunter: in weniger als 500 Millisekunden. Da der Algorithmus seine Entscheidung innerhalb von 20 bis 50 Millisekunden trifft, bleibt genügend Zeit, um vollautomatische Gegenmaßnahmen einzuleiten.

Die nächsten Schritte zur Marktreife

Der Algorithmus zur Komprimierung der Echtzeit-Messwerte ist einsatzbereit, an der Steuerung und Regelung der Gegenmaßnahmen arbeiten die Wissenschaftlerinnen und Wissenschaftler des Fraunhofer IOSB-AST derzeit. Interessant ist die Entwicklung ist nicht nur für die Betreiber der Höchstspannungsübertragungsnetze, sondern auch für Betreiber regionaler Verteilnetze. Künstliche Intelligenz kann ihnen in Zukunft dabei helfen, der steigenden Nachfrage nach umweltfreundlichem Strom sowie dem gesetzlichen Auftrag einer sicheren Stromversorgung nachzukommen.

Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB/AST

KI-Entwickler
Universität/Forschungsinstitution
Webseite

Fakten zur Anwendung


Technologiefeld
Datenmanagement und -analyse
Anwendungsbranche
Energie und Umwelt
Einsatzfeld
  • Data Analytics
    Predictive Analytics
Wertschöpfungsaktivität
Operational/Strategic Planning