Kunstig intelligens forbedrer kraftoverførslen

At integrere flygtige vedvarende kilder i energiforsyningen, elnettets kapacitet skal øges. Behovet for nye ledninger kan reduceres ved bedre udnyttelse af eksisterende ledninger som funktion af vejrforholdene. Til denne ende, forskere fra Karlsruhe Institute of Technology (KIT) arbejder på selvlærende sensornetværk for at modellere vejrets køleeffekt baseret på reelle data. Under gunstige forhold, linjens kraftoverførsel kan forbedres på denne måde.

Hurtig udvidelse af brugen af ​​vedvarende energikilder – vindenergi i nord, solcelleanlæg i syd – og den stigende internationale elhandel medfører stigende krav til eltransmissionsnettet. At transportere strøm fra producenter til forbrugere, at forhindre midlertidig lukning af anlæg, der genererer strøm fra regenerative kilder, især ved høje vindstyrker, og at sikre høj forsyningssikkerhed generelt, en betydelig udvidelse af den eksisterende netinfrastruktur er påkrævet. Dette er forbundet med tidskrævende licensprocesser og høje omkostninger.

Imidlertid, behovet for nye transmissionsledninger kan reduceres væsentligt ved en bedre udnyttelse af eksisterende luftledninger. "På denne måde krafttransport kan øges betydeligt afhængigt af vejrforholdene, såsom omgivende temperatur, solbestråling, vindhastighed, og vindretning, siger professor Wilhelm Stork, leder af Microsystem Technology Group i KIT's Institute for Information Processing Technology (ITIV). "Denne stigning kan opnås uden at overskride den maksimalt tilladte ledertemperatur og uden at afstanden mellem lederen og jorden eller genstande falder under det tilladte minimum." Vinden med sin kølende effekt, der er påvirket af lokal topografi og vegetation, er af særlig betydning i denne henseende.

Transmissionslinjeovervågning i høj opløsning og i realtid er målet for det ITIV-koordinerede projekt "PrognoNetz – Selvlærende sensornetværk til vejrafhængig transmissionslinjedrift." Projektpartnere er UBIMET GmbH Weather Service Karlsruhe, transmissionsnetoperatøren i Baden-Württemberg, TransnetBW GmbH, Stuttgart, IT-virksomheden unilab AG Paderborn, GWU-Umwelttechnik GmbH Erftstadt, og Wilmers Messtechnik GmbH Hamburg. Projektet finansieret af det føderale ministerium for økonomiske anliggender og energi (BMWi) startede i begyndelsen af ​​2019 og er planlagt til at vare tre år.

Inden for PrognoNetz, forsknings- og industripartnerne vil udvikle brede sensornetværk med smarte sensorer, der i modsætning til konventionelle vejrstationer, er placeret tæt på hinanden og i nærheden af ​​luftledninger for præcist at måle vejrforholdene. Sensornetværkene er modstandsdygtige over for barske omgivende forhold og leverer kritiske data til kontrolcentret trådløst. Med kommende nye algoritmer, sensorerne vil have en selvlærende funktion. Baseret på de distribuerede vejrdata målt, de vil automatisk generere præcise strømbelastningsprognoser i timer eller endda dage. Brug af historiske vejrdata og topografiske egenskaber, smarte modeller vil blive udviklet til enhver transmissionsledning i elnettet. Inden for PrognoNetz, ITIV-forskere arbejder på prognosemodeller baseret på kunstig intelligens og på en laserbaseret vindsensor, hvis målenøjagtighed er højere end for stift monterede konventionelle sensorer. Ud over, ubemandede droner vil blive brugt til at installere og vedligeholde vejrsensorerne på elmasterne.

Det selvlærende meteorologiske netværk, der skal udvikles inden for PrognoNetz, vil i første omgang blive anvendt på eksisterende højspændingsledninger og udstyr fra partneren TransnetBW. "Dette AI-baserede netværk vil sikre optimal udnyttelse af eksisterende elnet til enhver tid ved at tilpasse driften til vejrforholdene. Flaskehalse kan overvindes, " siger Wilhelm Stork. "På denne måde, krafttransporten kan øges med 15 til 30 procent under gunstige forhold, dvs. en lav udetemperatur eller stærk vind. "