Att integrera flyktiga förnybara källor i energiförsörjningen, kapaciteten på elnätet måste ökas. Behovet av nya ledningar kan minskas genom bättre utnyttjande av befintliga ledningar som funktion av väderförhållandena. För detta ändamål, forskare vid Karlsruhe Institute of Technology (KIT) arbetar med självlärande sensornätverk för att modellera vädrets kyleffekt baserat på verkliga data. Under gynnsamma förhållanden, linjens kraftöverföring kan förbättras på detta sätt.

Snabb utvidgning av användningen av förnybara energikällor – vindkraft i norr, solceller i söder – och den ökande internationella krafthandeln leder till ökade krav på kraftöverföringsnätet. Att transportera kraft från producenter till konsumenter, för att förhindra tillfällig avstängning av anläggningar som genererar kraft från regenerativa källor, särskilt vid höga vindintensiteter, och att säkerställa hög försörjningstrygghet i allmänhet, en betydande utbyggnad av den befintliga nätinfrastrukturen krävs. Detta är förknippat med tidskrävande licensieringsprocesser och höga kostnader.

Dock, behovet av nya kraftledningar kan minskas avsevärt genom ett bättre utnyttjande av befintliga luftledningar. "På det här sättet, krafttransporten kan ökas avsevärt beroende på väderförhållandena, såsom omgivningstemperatur, solstrålning, vindhastighet, och vindriktning, säger professor Wilhelm Stork, chef för Microsystem Technology Group vid KIT:s Institute for Information Processing Technology (ITIV). "Denna ökning kan uppnås utan att överskrida den högsta tillåtna ledartemperaturen och utan att avståndet mellan ledaren och marken eller från föremål faller under det tillåtna minimum." Vinden med sin kylande effekt som påverkas av lokal topografi och vegetation är av särskild betydelse i detta avseende.

Transmissionsledningsövervakning i hög upplösning och i realtid är målet för det ITIV-koordinerade projektet "PrognoNetz – Självlärande sensornätverk för väderberoende transmissionsledningsdrift." Projektpartners är UBIMET GmbH Weather Service Karlsruhe, nätoperatören för överföringsnätet i Baden-Württemberg TransnetBW GmbH, Stuttgart, IT-företaget unilab AG Paderborn, GWU-Umwelttechnik GmbH Erftstadt, och Wilmers Messtechnik GmbH Hamburg. Projektet som finansieras av det federala ministeriet för ekonomi och energi (BMWi) startade i början av 2019 och är planerat att pågå i tre år.

Inom PrognoNetz, forsknings- och industripartnerna kommer att utveckla breda sensornätverk med smarta sensorer som, till skillnad från konventionella väderstationer, är placerade nära varandra och nära luftledningar för att exakt mäta väderförhållandena. Sensornätverken är resistenta mot tuffa omgivningsförhållanden och levererar kritisk data till kontrollcentret trådlöst. Med kommande nya algoritmer, sensorerna kommer att ha en självlärande funktion. Baserat på uppmätta distribuerade väderdata, de kommer automatiskt att generera exakta effektbelastningsprognoser för timmar eller till och med dagar. Med hjälp av historiska väderdata och topografiska egenskaper, smarta modeller kommer att utvecklas för alla överföringsledningar i elnätet. Inom PrognoNetz, ITIV-forskare arbetar med prognosmodeller baserade på artificiell intelligens och på en laserbaserad vindsensor, vars mätnoggrannhet är högre än för fast monterade konventionella sensorer. Dessutom, obemannade drönare kommer att användas för att installera och underhålla vädersensorerna på elstolparna.

Det självlärande meteorologiska nätverket som ska utvecklas inom PrognoNetz kommer initialt att tillämpas på befintliga högspänningsledningar och utrustning från partnern TransnetBW. "Detta AI-baserade nätverk kommer att säkerställa optimalt utnyttjande av befintliga elnät när som helst genom att anpassa driften till väderförhållandena. Flaskhalsar kan övervinnas, " säger Wilhelm Stork. "På detta sätt, krafttransporter kan ökas med 15 till 30 procent under gynnsamma förhållanden, dvs en låg yttertemperatur eller stark vind."