Motivation
Die Energiewende erfordert eine beschleunigte Umstellung der Stromerzeugung auf erneuerbare Energien. Ein zuverlässiges Stromnetz ist dafür essenziell. Allerdings sind die niederen Spannungsebenen in den Stromverteilnetzen durch die Energiewende hohen Belastungen ausgesetzt, sodass Fehler und Überlastungen zu Ausfällen der lokalen Infrastruktur führen. Um Fehler zu erkennen und Diagnosen zu erstellen, sind Verteilnetzbetreiber derzeit meist auf Kundenfeedback und manuelle Fehlersuche angewiesen, was zu entsprechend längeren Ausfallzeiten führt. Gleichzeitig wird vermehrt digitale Messtechnik in den Stromverteilnetzen eingesetzt, deren Potenzial zur Fehlerlokalisierung jedoch noch nicht umfassend erforscht ist.
Ziele und Vorgehen
GRID-ML entwickelt einen automatisierten Prozess zur robusten und präzisen Fehlererkennung und -diagnose in Nieder- und Mittelspannungsnetzen. Dazu werden Messdaten aus mehreren über das Netz verteilten Messgeräten genutzt. Ziel ist es, die Fehlersuchzeiten im Vergleich zu den manuellen Vor-Ort-Suchen um mindestens 90 % zu reduzieren und somit essenziell zu einer stabilen Stromnetzinfrastruktur für die Energiewende beizutragen.
Innovationen und Perspektiven
Der GRID-ML-Ansatz erforscht lernende Verfahren zur präzisen, datengetriebenen und robusten Fehlerlokalisierung in Mittel- und Niederspannungs-Stromnetzen auf Basis eines Digitalen Zwillings des Stromnetzes. Dazu werden externe Wissensquellen wie Domänenwissen oder menschliches Feedback einbezogen. Der Digitale Zwilling vereint Netztopologie- und Messdaten mit einem gelernten Modell zur Fehlerlokalisierung. Eine zentrale Herausforderung des Verbundprojekts besteht darin, robuste Methoden zu entwickeln, die trotz häufig vorkommender fehlender oder ungenauer Messdaten – etwa aufgrund des Einsatzes von Datenschutzverfahren – eine schnelle und zuverlässige Fehlerlokalisierung im Stromverteilnetz ermöglichen.