Die Anwendung von KI bei der Fehlererkennung und -diagnose in Stromsystemen

AI-Powered Fault Detection in Power Systems: Ein technischer Überblick

Das elektrische Stromnetz ist eine wichtige Infrastruktur, und sein ununterbrochener Betrieb ist für die moderne Gesellschaft von wesentlicher Bedeutung. Fehler – von vorübergehenden Leitungs-zu-Boden-Shorts bis hin zu dauerhaften Geräteausfällen – stellen erhebliche Bedrohungen für die Netzstabilität, Sicherheit und Zuverlässigkeit dar. Herkömmliche Fehlererkennungsmethoden, die oft auf Schwellen-basierten Relais und manueller Analyse basieren, sind für die Komplexität und den Umfang moderner Energiesysteme zunehmend unzureichend. Künstliche Intelligenz (KI) bietet eine leistungsstarke Alternative, die eine Echtzeit-, adaptive und hochgenaue Fehlererkennung und -diagnose ermöglicht. Dieser Artikel bietet eine umfassende Untersuchung darüber, wie KI-Techniken auf Fehlermanagement in Energiesystemen angewendet werden, Datenpipelines, Algorithmus-Entscheidungen, Betriebsvorteile und die verbleibenden Herausforderungen.

Warum Fehlererkennung wichtig ist

Stromnetzfehler können zu weit verbreiteten Stromausfällen übergehen, wenn sie nicht schnell beseitigt werden. Ein einzelner Kurzschluss auf einer Übertragungsleitung kann dazu führen, dass Generatoren in der Nähe ausfallen, was zu Frequenzinstabilität und Lastabwurf führt. Die finanziellen Auswirkungen ungeplanter Ausfälle sind schwerwiegend: Das Electric Power Research Institute (EPRI) schätzt, dass Stromunterbrechungen die US-Wirtschaft jährlich über 150 Milliarden Dollar kosten. Über die Wirtschaftlichkeit hinaus beschädigen Störungen teure Geräte wie Transformatoren, Leistungsschalter und Kabel, verkürzen die Lebensdauer der Anlagen und erhöhen die Wartungskosten. Eine frühzeitige und genaue Fehlererkennung minimiert diese Folgen, indem sie eine schnelle Isolation des fehlerhaften Abschnitts und eine schnelle Wiederherstellung des Dienstes ermöglicht. Herkömmliche Schutzsysteme beruhen auf Überstrom-, Abstands- und Differenzialrelais, die für schwere Fehler wirksam sind, aber oft beginnende, hochohmige oder sich entwickelnde Fehler vermissen. KI-gesteuerte Systeme füllen diese Lücke, indem sie subtile Muster erkennen, die dem Ausfall vorausgehen.

Traditionelle Fehlererkennung: Stärken und Grenzen

Herkömmliche Schutzsysteme verwenden deterministische Regeln: Wenn der Strom einen festgelegten Schwellenwert für eine bestimmte Zeit überschreitet, wird ein Auslösesignal ausgegeben. Distanzrelais messen die Impedanz, um die Fehlerposition zu schätzen. Diese Methoden sind einfach, schnell und gut verstanden. Sie haben jedoch Probleme mit:

• Hochohmige Fehler (z.B. ein Baumzweig, der eine Linie berührt), die niedrige Stromänderungen erzeugen.
• Intermittierende Fehler, die nicht lange genug bestehen, um Schwellenwerte auszulösen.
• Evolving faults that change characteristics over time.
• Netzwerkkomplexität , bei der erneuerbare Quellen, verteilte Erzeugung und bidirektionale Stromflüsse herkömmliche Fehlersignaturen verzerren.

KI-Methoden überwinden diese Einschränkungen, indem sie komplexe, nichtlineare Beziehungen aus Daten lernen, ohne explizite mathematische Modelle des Gitters zu erfordern.

Der AI Workflow für Fault Management

Datenerfassung und -aufbereitung

Die KI-basierte Fehlererkennung beginnt mit hochauflösenden Daten von Phasor-Messeinheiten (PMU), digitalen Fehlerschreibern, Smart Metern und SCADA-Systemen (Supervisory Control and Data Acquisition), wobei die wichtigsten Signale dreiphasige Spannungen und Ströme, Frequenz und Oberwelleninhalte umfassen.

• Denoising: Anwenden von Filtern (z. B. Wavelet-Transformationen), um Messrauschen zu entfernen, ohne transiente Merkmale zu verwischen.
• Normalisierung: Skalierung von Signalen auf Null Mittelwert und Einheitsvarianz, um Konsistenz über verschiedene Betriebsbedingungen hinweg zu gewährleisten.
• Zeitsynchronisation: Ausrichten von Daten aus mehreren Quellen mit GPS-Zeitstempeln - entscheidend für die Fehlerortung.
• Feature-Extraktion: Ableitung von Indikatoren höherer Ebenen wie RMS-Werte, Phasenwinkel, symmetrische Komponenten (positiv, negativ, Null-Sequenz) und Wavelet-Koeffizienten.

AI-Modelle bei der Fehlererkennung

Mehrere Machine Learning- und Deep Learning-Architekturen wurden erfolgreich angewendet:

• Künstliche neuronale Netzwerke (ANNs): Feedforward-Netzwerke, die auf historischen Fehlerdaten trainiert wurden, um normale vs. fehlerhafte Zustände zu klassifizieren.
• Unterstützung von Vektormaschinen (SVMs): Effektiv für die binäre Klassifizierung (Fehler/kein Fehler) auch mit begrenzten Trainingsdaten.
• Entscheidungsbäume und Random Forests: Legen Sie interpretierbare Regeln bereit (z. B. „wenn die Nullsequenzspannung X überschreitet, dann Fehlertyp Y).
• FLT:0 Convolutional Neural Networks (CNNs): Direkt auf rohe Zeitreihensignale oder Zeitfrequenzbilder (Spektrogramme) angewendet. CNNs erfassen lokale Muster und translationale Invarianz, wodurch sie robust gegenüber Veränderungen in der Fehlerlage und Impedanz sind.
• Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM): Konzipiert für sequentielle Daten. LSTMs erinnern sich an langfristige Abhängigkeiten, die für die Erkennung von sich entwickelnden Fehlern oder Vorfehlerbedingungen nützlich sind.
• Autoencoder: Ausgebildet, um normale Betriebsmuster zu rekonstruieren. Hoher Rekonstruktionsfehler zeigt eine Anomalie an – ideal für eine unbeaufsichtigte Fehlererkennung, wenn gekennzeichnete Fehlerdaten knapp sind.

Fehlerklassifizierung und -lokalisierung

Sobald ein Fehler erkannt wird, muss das System seinen Typ (z. B. einzelne Linie-zu-Boden, Linie-zu-Linie, doppelte Linie-zu-Boden, dreiphasig) und seinen Standort bestimmen. KI-Modelle können trainiert werden, um eine Fehlertyp-Bezeichnung und eine geschätzte Entfernung (in Kilometern oder prozentualer Länge der Linie) auszugeben. Für die Lokalisierung entstehen Regressionsmodelle oder spezialisierte Architekturen wie Graphen neuronale Netze (GNNs), die die Netzwerktopologie enthalten. Eine genaue Lokalisierung beschleunigt die Reparaturbesatzung und reduziert die Ausfalldauer.

Vorteile von AI-Driven Fault Management

• Realzeitgeschwindigkeit: Moderne KI-Modelle, insbesondere leichte neuronale Netze, die auf Edge-Geräten eingesetzt werden, können Fehler innerhalb weniger Millisekunden erkennen und klassifizieren – vergleichbar mit oder schneller als herkömmliche Relais.
• Anpassbarkeit: KI-Systeme trainieren automatisch, wenn neue Daten ankommen, und passen sich an Änderungen im Generationsmix, in den Lastmustern und in der Netzwerktopologie an (z. B. nach der Rekonfiguration).
• Empfindlichkeit gegenüber beginnenden Fehlern: AI kann Bedingungen identifizieren, die einem Ausfall vorausgehen, wie teilweise Entladung in Kabeln oder Isolationsdegradation in Transformatoren, was eine vorausschauende Wartung ermöglicht.
• Multivariate Analyse: AI korreliert Signale von mehreren Sensoren über das Gitter und erkennt Fehler, die für Einzelpunktmessungen unsichtbar sind.
• Reduzierte Fehlalarme: Durch das Erlernen der normalen Variabilität des Systems kann KI echte Fehler vom Schalten von Transienten, Laständerungen oder Messfehlern unterscheiden und unnötige Ausflüge reduzieren.
• Kosteneffizienz: Verhinderte Ausfälle, reduzierte Geräteschäden und optimierte Wartungspläne führen zu erheblichen Betriebseinsparungen.

Real-World-Anwendungen und Fallstudien

Mehrere Versorgungsunternehmen und Forschungsprojekte haben eine KI-basierte Fehlererkennung in der Praxis demonstriert. Zum Beispiel finanzierte das ARPA-E-Programm des US-Energieministeriums (DOE) Projekte, die maschinelles Lernen mit PMU-Daten zur Erkennung und Lokalisierung von Fehlern in Weitverkehrsüberwachungssystemen einsetzten. Eine bemerkenswerte Implementierung eines chinesischen Versorgungsunternehmens verwendete ein hybrides CNN-LSTM-Modell, um Zehntausende von Fehleraufzeichnungen zu analysieren, eine Klassifizierungsgenauigkeit von 98,5 % zu erreichen und Fehlerortungsfehler auf unter 5 % der Leitungslänge zu reduzieren. In Verteilungsnetzwerken haben Versorgungsunternehmen wie Enel KI auf Smart Meter-Daten eingesetzt, um hochohmige Fehler zu identifizieren, die herkömmliche Relais vermissen, und reduzieren Waldbrandrisiken unter trockenen Bedingungen. Diese Erfolge unterstreichen die Reife der KI für den operativen Einsatz.

Herausforderungen zu meistern

Trotz vielversprechender Ergebnisse steht die KI-Einführung im Fehlermanagement vor mehreren Hürden:

• Datenqualität und -verfügbarkeit: Hochwertige markierte Fehlerdaten sind selten. Normale Betriebsdaten sind reichlich vorhanden, aber Fehler sind seltene Ereignisse. Synthetische Datengenerierung und Transferlernen werden untersucht, um dies zu beheben.
• Modellinterpretabilität: Deep Learning-Modelle sind oft Blackboxes. Versorgungsunternehmen und Regulierungsbehörden erfordern erklärbare Entscheidungen, insbesondere wenn einem Schutzrelais vertraut werden muss. Erklärbare KI-Techniken (XAI) wie SHAP und LIME gewinnen an Zugkraft.
• Cybersecurity: KI-Systeme selbst können über gegnerische Eingaben angegriffen werden. Die Gewährleistung der Robustheit gegen böswillige Datenmanipulation ist für die Netzzuverlässigkeit von entscheidender Bedeutung.
• Integration mit Legacy-Hardware: Viele Unterstationen verwenden immer noch elektromechanische oder Festkörperrelais. Die Nachrüstung mit KI-fähigen Steuerungen erfordert sorgfältige Planung und Investitionen.
• Validierung und Zertifizierung: Netzschutzsysteme müssen strengen Tests unterzogen werden, um Standards zu erfüllen (z. B. IEEE C37.118, IEC 61850).

Zukünftige Richtungen

Die nächste Entwicklung der KI im Fehlermanagement wird wahrscheinlich Folgendes beinhalten:

• Federated learning: Trainingsmodelle für mehrere Dienstprogramme, ohne Rohdaten auszutauschen, die Privatsphäre zu wahren und gleichzeitig die Modellverallgemeinerung zu verbessern.
• Edge Computing: Leichtbaumodelle direkt auf intelligenten elektronischen Geräten (IEDs) und Relais bereitstellen, um den Kommunikationslatenz- und Bandbreitenbedarf zu reduzieren.
• Digitale Zwillinge: Erstellen von digitalen Echtzeit-Repliken des gesamten Netzes, um Fehlerszenarien zu simulieren und KI-Modelle in einer sicheren Umgebung zu trainieren.
• Grafik neuronaler Netze: Nutzung der Netzwerktopologie für eine verbesserte Fehlererkennung und -ortung, insbesondere in Netzen mit hoher erneuerbarer Penetration.
• Integration mit erneuerbaren Energien: Da Wechselrichter-basierte Ressourcen dominant werden, müssen sich KI-Modelle an neue Fehlereigenschaften anpassen (z. B. niedriger Fehlerstrom von Solarwechselrichtern).

KI ist kein Ersatz für den traditionellen Schutz, sondern eine starke Erweiterung. Durch die Kombination von Geschwindigkeit und Zuverlässigkeit herkömmlicher Relais mit der Intelligenz des maschinellen Lernens können Energiesysteme ein beispielloses Maß an Widerstandsfähigkeit erreichen. Die laufenden Forschungs- und Pilotprojekte weisen auf eine Zukunft hin, in der Fehler nicht nur erkannt und beseitigt, sondern auch antizipiert und verhindert werden.

Für weitere Informationen siehe den EPRI-Bericht über AI für die Netzmodernisierung, die IEEE-Umfrage zum Deep Learning für die Fehlerdiagnose von Stromsystemen und die U.S. DOE AI für die Netzinitiative.