Rutnätet förändras när det stora, centraliserade leverantörer från det förflutna ersätts av mindre, distribuerade leverantörer. Att hålla sådana komplexa nätverk igång stabilt kräver högupplöst sensorteknologi – AI ger ett sätt att göra exakta förutsägelser och automatiskt upptäcka eventuella störningar eller anomalier i realtid. Här är hur Fraunhofer-forskare utvecklade kompressionsteknikerna, algoritmer och neurala nätverk för att göra en strömförsörjning lämplig för framtiden.

Sättet som ström genereras är i övergång:Medan, innan, all vår kraft kom från stora kraftverk, nuförtiden kommer det också från en rad distribuerade källor, inklusive vindkraftverk, solcellsanläggningar och andra liknande anläggningar. Denna förändring har en stor inverkan på vårt nät – med särskilda utmaningar för operatörer av transmissionsnät. Hur övervakar man att nätparametrar som fasvinkel och frekvenser fungerar korrekt? Kan det finnas diskrepanser eller anomalier i hur nätet fungerar korrekt? Eller är det ledningar eller kraftverk nere? Dagens standardmätteknik kan inte längre på ett tillförlitligt sätt ge svar på den här typen av frågor. Fler och fler operatörer därför, vänder sig till ytterligare fasmätenheter (PMU) och andra digitala lösningar. Dessa system mäter amplituden och fasen av ström och spänning upp till 50 gånger per sekund. Denna process genererar enorma mängder data, lätt flera gigabyte om dagen.

Datakomprimering sparar 80 procent av data

Som svar, forskare vid avdelningen Advanced System Technology (AST) vid Fraunhofer Institute for Optronics, Systemteknik och bildexploatering IOSB i Ilmenau letar efter sätt att optimera databehandlingen med hjälp av artificiell intelligens, i syfte att förbättra nätets tillförlitlighet och etablera ett kraftförsörjningssystem anpassat för framtiden. "Vi kan använda AI för att automatiskt logga, komprimera och bearbeta upp till 4,3 miljoner datamängder per dag, " säger prof. Peter Bretschneider, chef för energiavdelningen vid AST-filialen till Fraunhofer IOSB.

I den första fasen av deras arbete, forskarna har kommit fram till en komprimeringsteknik som sparar 80 procent av datan. Det är inte bara lättare att lagra data, men snabbare och effektivare att bearbeta det också.

Automatiserad databehandling i realtid

I den andra fasen, forskarna fortsatte med att använda fasmätdata de hade samlat in för att tillämpa neurala nätverk – en av nyckelkomponenterna för dagens artificiella intelligens. Mer specifikt, de "matade" de neurala nätverken med exempel på typiska systemavbrott. Den här vägen, Algoritmerna lär sig gradvis att särskilja – och exakt kategorisera – normal driftdata från definierade systemfel. Efter träningsfasen, forskarna tillämpade de neurala nätverken på aktuell data genererad från fasmätningar – data som tidigare behövt tas och bearbetas manuellt. Det var här algoritmen tog sitt första steg in i realtidsapplikation, fatta beslut på en del av en sekund om var det finns en anomali eller fel, samt typ och plats för störningen. För att ta ett exempel, om ett kraftverk skulle gå sönder, en plötslig topp kan förväntas i belastningen på de andra kraftverken. Den ökade belastningen saktar ner generatorerna, och frekvensen minskar. Detta kräver snabba motåtgärder eftersom om frekvensen sjunker under ett tröskelvärde, Operatören kan tvingas att skära av delar av nätet för systemets stabilitet. Och snabbt, vi pratar om mindre än 500 millisekunder. Eftersom algoritmen kan fatta ett beslut inom 20–50 millisekunder, som ger tillräckligt med tid för att implementera lämpliga helautomatiska motåtgärder.

Algoritmen är redo att implementeras, eftersom forskarna fortsätter att arbeta med kontroll och reglering av relevanta motåtgärder. Utvecklingen är av intresse inte bara för de stora operatörerna av kraftöverföringsnät, men också till regionala distributionsnät. "För att göra en analogi med vägnätet, vad är poängen med att ha fria motorvägar när de mindre regionala vägarna är permanent blockerade?" säger Bretschneider.

Kraft att förutsäga framtida problem

Alla likadana, forskarna begränsar sig inte till dagens problem, men vill också ta hänsyn till anomalier som inte ens har inträffat hittills. "Om vi ​​fortsätter att sträva efter förnybar energi, det kan leda till situationer som vi inte ens känner till ännu, säger Bretschneider. Här, för, forskarna har vänt sig till artificiell intelligens, där de arbetar med att kategorisera dessa typer av okända fenomen och utveckla lämpliga algoritmer med hjälp av digitala nätverkskartor.