Kunstig intelligens registrerer automatisk forstyrrelser i strømforsyningsnettene

Gitteret ændrer sig som det store, centraliserede udbydere fra fortiden erstattes af mindre, distribuerede leverandører. At holde sådanne komplekse netværk kørende stabilt kræver højopløsningssensorteknologi – AI giver mulighed for at lave præcise forudsigelser og automatisk registrere eventuelle forstyrrelser eller uregelmæssigheder i realtid. Her er hvordan Fraunhofer-forskere udviklede kompressionsteknikkerne, algoritmer og neurale netværk for at gøre en strømforsyning egnet til fremtiden.

Måden strøm genereres på er i forandring:Hvorimod, Før, al vores kraft kom fra store kraftværker, i disse dage kommer det også fra en række distribuerede kilder, herunder vindmøller, solcelleanlæg og andre lignende anlæg. Dette skifte har stor indflydelse på vores net – med særlige udfordringer for operatører af transmissionsnet. Hvordan overvåger man den korrekte funktion af netparametre såsom fasevinkel og frekvenser? Kan der være uoverensstemmelser eller anomalier i den korrekte funktion af nettet? Eller er der ledninger eller kraftværker nede? Dagens standardmåleteknologi er ikke længere i stand til at give pålidelige svar på den slags spørgsmål. Flere og flere operatører er, derfor, henvender sig til yderligere fasemålingsenheder (PMU'er) og andre digitale løsninger. Disse systemer måler amplitude og fase af strøm og spænding op til 50 gange i sekundet. Denne proces genererer enorme mængder data, nemt flere gigabyte om dagen.

Datakomprimering sparer 80 procent af data

Som svar, forskere ved Advanced System Technology (AST) afdelingen af ​​Fraunhofer Institute for Optronics, Systemteknologier og billedudnyttelse IOSB i Ilmenau leder efter måder at optimere databehandlingen ved hjælp af kunstig intelligens, med henblik på at forbedre nettets pålidelighed og etablere et strømforsyningssystem, der passer til fremtiden. "Vi kan bruge AI til automatisk at logge, komprimere og behandle op til 4,3 millioner datasæt om dagen, " siger prof. Peter Bretschneider, leder af energiafdelingen i AST-afdelingen af ​​Fraunhofer IOSB.

I den første fase af deres arbejde, forskerne har fundet frem til en komprimeringsteknik, der sparer 80 procent af dataene. Ikke alene er det nemmere at gemme data, men hurtigere og mere effektivt at behandle det også.

Automatiseret databehandling i realtid

I anden fase, forskerne fortsatte med at bruge de fasemålingsdata, de havde indsamlet, til at anvende neurale netværk – en af ​​nøglekomponenterne for nutidens kunstige intelligens. Mere specifikt, de "fodrede" de neurale netværk med eksempler på typiske systemafbrydelser. Denne måde, Algoritmerne lærer efterhånden at skelne – og præcist kategorisere – normale driftsdata fra definerede systemfejl. Efter træningsfasen, forskerne anvendte de neurale netværk på aktuelle data genereret fra fasemålinger – data, der tidligere skulle tages og behandles manuelt. Det er her, algoritmen tog sit første spring ind i realtidsapplikation, træffe beslutninger på et splitsekund om, hvor der er en anomali eller fejl, samt typen og placeringen af ​​denne forstyrrelse. For at tage et eksempel, hvis et kraftværk skulle svigte, der kan forventes en brat stigning i belastningen på de øvrige kraftværker. Den øgede belastning bremser generatorerne, og frekvensen falder. Dette kræver hurtige modforanstaltninger, fordi hvis frekvensen synker under en tærskelværdi, operatøren kan blive tvunget til at afskære dele af nettet af hensyn til systemets stabilitet. Og ved hurtige, vi taler om mindre end 500 millisekunder. Da algoritmen er i stand til at nå en beslutning inden for 20-50 millisekunder, der giver tilstrækkelig tid til at implementere de passende fuldautomatiske modforanstaltninger.

Algoritmen er klar til at blive implementeret, efterhånden som forskerne arbejder videre med kontrol og regulering af de relevante modforanstaltninger. Udviklingen er af interesse ikke kun for de store operatører af eltransmissionsnet, men også til regionale distributionsnet. "For at lave en analogi med vejnettet, hvad er meningen med at have frie motorveje, når de mindre regionale veje er permanent spærret?« siger Bretschneider.

Magt til at forudsige fremtidens problemer

Alt det samme, forskerne begrænser sig ikke til nutidens problemer, men ønsker også at tage højde for anomalier, der ikke engang er opstået indtil videre. "Hvis vi fortsætter med at forfølge vedvarende energi, det kan føre til situationer, vi ikke engang kender til endnu, " siger Bretschneider. Her, også, forskerne har vendt sig til kunstig intelligens, hvor de arbejder med at kategorisere den slags ukendte fænomener og udvikle de passende algoritmer ved hjælp af digitale netværkskort.