Netzzustandsüberwachung

Künstliche Intelligenz für die Energiewende

Fotolia_Tobago77.jpg
Wetter und Tageszeit beeinflussen die Stromerzeugung durch Wind und Sonne. Umso wichtiger ist die Zustandsanalyse der angeschlossenen Anlagen. Bild: Tobago77/Fotolia
Anzeige
Basierend auf dem Forschungsvorhaben FiN werden in FiN 2.0 großflächige Lösungen zur Überwachung des Netzzustandes mit Big Data und Künstlicher Intelligenz erprobt.

Wetter- oder tageszeitbedingt können aus Wind und Sonne gewonnene erneuerbare Energien Schwankungen im Netz verursachen und die Versorgungssicherheit gefährden. Auf diese Herausforderung zielt das nach dreijähriger Laufzeit beendete Forschungsprojekt „Fühler im Netz“ (FiN) ab. In dessen Fokus standen intelligente Lösungen zur einfachen und günstigen Zustandsanalyse von Verteilnetzen und den angeschlossenen Anlagen. Dabei können per Breitband-Powerline-Technologie alle Punkte im Stromnetz über die Stromkabel miteinander kommunizieren. Fühler im Netz ermöglichen ein Echtzeit-Netzmonitoring sowie die Zustandserfassung von Kabeln und Anlagen. Entstanden sind kostengünstige Methoden zur Netzwerküberwachung.

Diesen ersten praxistauglichen Lösungen wollen die Forscher nun im Anschlussprojekt „Fühler im Netz 2.0“ weitere folgen lassen. Dabei sollen die Möglichkeiten zur Anlagen- und Netzzustandsüberwachung ausgeweitet werden. Zudem sollen Optimierungspotenziale genutzt werden, die sich aus der Erfassung und der automatisierten Analyse von Massendaten ergeben. Dafür werden Erkenntnisse über Spannungsverläufe und „Fingerprints“ im Breitband-Powerline (BPL)-Spektrum vertieft und Big-Data-Analysen ebenso wie Methoden der Künstlichen Intelligenz (KI) angewendet. Über 3500 BPL-Sensormodems werden im Rahmen des Projekts in den Netzgebieten der Netze BW, der Mainzer Netze und der EVL Energieversorgung Leverkusen installiert. Diese messen in einer hohen zeitlichen Auflösung den lokalen Netzzustand, insbesondere die Spannung, und den Zustand von Kabeln und Anlagen.

Die großen Datenmengen, die dabei in kürzester Zeit anfallen, werden mithilfe von Massendatenverarbeitungsmethoden erfasst und per KI-Algorithmen auf Muster und Auffälligkeiten untersucht. Hierfür werden Machine Learning- und Deep-Learning-Ansätze aus dem DFKI eingesetzt. Die Algorithmen analysieren die Datenströme, erkennen Auffälligkeiten, lernen daraus und leiten so Vorhersagen oder eigene Strategien ab. Damit kann eine Vorhersage des Spannungsverlaufs und der Asymmetrie zwischen den Phasen ermittelt werden. Diese Erkenntnisse werden in Zukunft insbesondere bei der Integration von E-Mobilität in den Verteilnetzen hochrelevant, betonen die Projektpartner DFKI und Power Plus Communication (PPC). (dk)

Anzeige

Industrieanzeiger

Titelbild Industrieanzeiger 21
Ausgabe
21.2019
LESEN
ABO

E.ON: Energie für Unternehmen

E.ON für Unternehmen

Energielösungen für Unternehmen

Video aktuell

Greiferintegration leicht gemacht: Die Zimmer Group zeigt, wie es geht.

Newsletter

Jetzt unseren Newsletter abonnieren

Tipps der Redaktion

Unsere Technik-Empfehlungen für Sie

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Aktuelle Whitepaper aus der Industrie

Unsere Partner

Starke Zeitschrift – starke Partner

Anzeige
Anzeige

Industrie.de Infoservice

Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de