Het raster verandert als de grote, gecentraliseerde providers uit het verleden worden vervangen door kleinere, gedistribueerde leveranciers. Om dergelijke complexe netwerken stabiel te houden, is sensortechnologie met hoge resolutie nodig. AI biedt een manier om nauwkeurige voorspellingen te doen en eventuele storingen of afwijkingen automatisch in realtime te detecteren. Hier is hoe Fraunhofer-onderzoekers de compressietechnieken ontwikkelden, algoritmen en neurale netwerken om een ​​stroomvoorziening klaar te maken voor de toekomst.

De manier waarop stroom wordt opgewekt, is in transitie:voordat, al onze kracht kwam van grote energiecentrales, tegenwoordig komt het ook uit een reeks gedistribueerde bronnen, inclusief windturbines, fotovoltaïsche systemen en andere soortgelijke voorzieningen. Deze verschuiving heeft een grote impact op ons net – met bijzondere uitdagingen voor beheerders van transportnetten. Hoe de goede werking van netparameters zoals fasehoek en frequenties bewaken? Zijn er afwijkingen of afwijkingen in de goede werking van het net? Of zijn er leidingen of elektriciteitscentrales uitgevallen? De huidige standaard meettechniek kan op dit soort vragen geen betrouwbaar antwoord meer geven. Steeds meer operators zijn daarom, wenden tot aanvullende phasor-meeteenheden (PMU's) en andere digitale oplossingen. Deze systemen meten de amplitude en fase van stroom en spanning tot 50 keer per seconde. Dit proces genereert enorme hoeveelheden gegevens, al snel enkele gigabytes per dag.

Gegevenscompressie bespaart 80 procent van de gegevens

In antwoord, onderzoekers van de afdeling Advanced System Technology (AST) van het Fraunhofer Institute for Optronics, Systeemtechnologieën en beeldexploitatie IOSB in Ilmenau zoekt naar manieren om de gegevensverwerking te optimaliseren met behulp van kunstmatige intelligentie, met het oog op het verbeteren van de betrouwbaarheid van het net en het opzetten van een energievoorzieningssysteem dat geschikt is voor de toekomst. "We kunnen AI gebruiken om automatisch te loggen, comprimeren en verwerken tot 4,3 miljoen datasets per dag, " zegt prof. Peter Bretschneider, hoofd van de afdeling Energie van de AST-afdeling van de Fraunhofer IOSB.

In de eerste fase van hun werk, de onderzoekers hebben een compressietechniek bedacht die 80 procent van de data bespaart. Het is niet alleen eenvoudiger om de gegevens op te slaan, maar ook sneller en efficiënter te verwerken.

Geautomatiseerde gegevensverwerking in realtime

In de tweede fase, de onderzoekers gingen verder met het gebruik van de phasor-meetgegevens die ze hadden verzameld om neurale netwerken toe te passen - een van de belangrijkste componenten voor de hedendaagse kunstmatige intelligentie. Specifieker, ze 'voedden' de neurale netwerken met voorbeelden van typische systeemstoringen. Op deze manier, de algoritmen leren geleidelijk normale bedrijfsgegevens te onderscheiden - en nauwkeurig te categoriseren - van gedefinieerde systeemstoringen. Na de opleidingsfase, de onderzoekers pasten de neurale netwerken toe op actuele gegevens die zijn gegenereerd op basis van phasormetingen - gegevens die voorheen moesten worden genomen en handmatig verwerkt. Dit is waar het algoritme zijn eerste sprong maakte naar real-time toepassing, in een fractie van een seconde beslissingen nemen over waar er een anomalie of fout is, evenals het type en de locatie van die storing. Om een ​​voorbeeld te nemen, als een elektriciteitscentrale uitvalt, een abrupte piek kan worden verwacht in de belasting van de andere centrales. De verhoogde belasting vertraagt ​​de generatoren, en de frequentie neemt af. Dit vraagt ​​om snelle tegenmaatregelen, want als de frequentie onder een drempelwaarde zakt, de exploitant kan worden gedwongen om delen van het net af te sluiten omwille van de systeemstabiliteit. En door snelle, we hebben het over minder dan 500 milliseconden. Aangezien het algoritme in staat is om binnen 20-50 milliseconden een beslissing te nemen, waardoor er voldoende tijd overblijft om de juiste volledig geautomatiseerde tegenmaatregelen te implementeren.

Het algoritme is klaar om te worden geïmplementeerd, terwijl de onderzoekers blijven werken aan de controle en regulering van de relevante tegenmaatregelen. De ontwikkeling is niet alleen van belang voor de grote exploitanten van elektriciteitstransportnetten, maar ook naar regionale distributienetten. "Om een ​​analogie te maken met het wegennet, wat heeft het voor zin om vrije snelwegen te hebben als de kleinere regionale wegen permanent geblokkeerd zijn?", zegt Bretschneider.

Vermogen om problemen van de toekomst te voorspellen

Allemaal hetzelfde, de onderzoekers beperken zich niet tot de problemen van vandaag, maar wil ook rekening houden met anomalieën die tot nu toe niet eens zijn voorgekomen. "Als we duurzame energie blijven nastreven, het kan leiden tot situaties die we nog niet eens kennen, " zegt Bretschneider. Hier, te, de onderzoekers hebben zich tot kunstmatige intelligentie gewend, waar ze werken aan het categoriseren van dit soort onbekende fenomenen en het ontwikkelen van de juiste algoritmen met behulp van digitale netwerkkaarten.