Automatisierte Störungsdiagnostik im Stromnetz

Salzburg Research erschloss für einen Stromverteilnetzbetreiber das Potenzial von Telekom-Diagnosedaten für die automatisierte Störungsdiagnostik im Niederspannungsnetz: Mit Hilfe von Machine Learning kann die Ursache für ca. 70 Prozent der Niederspannungsnetzstörungen ohne zusätzliche Hardware automatisch detektiert werden.

Die Ausgangslage

Der Auftraggeber betreibt ca. 5.300 Trafostationen im gesamten Versorgungsgebiet. Je eher eine Störung erkannt werden kann, desto rascher kann die Störungsbehebung eingeleitet werden. Daher wollte der Stromverteilnetzbetreiber seine Störungsdiagnostik im Hoch- und Mittelspannungsnetz auch auf das Niederspannungsnetz erweitern. Bisher war man hier auf die Störungsmeldung der Kundinnen und Kunden per Telefon angewiesen. In den Niederspannungsnetzen jeder Trafostation gibt es auch Telekomgeräte, die zur Störungsdiagnostik verwendet werden können. Unklar war jedoch, ob die zur Verfügung stehende Telekomnetz-Diagnosedaten ausreichend Informationen enthalten, um eine Störung im Niederspannungsnetz zu detektieren.

Machine Learning hilft bei der Identifikation von Störungen

Salzburg Research beantwortete diese Fragen für den Verteilnetzbetreiber mittels Machine Learning. Auf Basis der Informationen der vorliegenden Telekomstörung wird automatisiert identifiziert, ob es sich um eine Telekomstörung oder um eine Störung im Verteilnetz handelt. Die Analyse zeigte, dass für ca. 70 Prozent der Niederspannungsnetzstörungen eine automatische Detektion auf Basis der Telekom-Diagnosedaten möglich ist. Durch die Nutzbarmachung von Telekom-Diagnosedaten können so ohne zusätzliche Investitionen in Hardware Niederspannungsnetzstörungen live ermittelt werden. Dadurch kann früher mit der Störungsbehebung begonnen und somit die Zeit der Versorgungsunterbrechung reduziert werden. Mehr Information:
Gepostet am 21.06.2022

Ähnliche Beiträge

Kommunikationslösung für flexible Produktionssysteme

Aktuelle Kommunikations- und Softwarelösungen für industrielle Systeme zeigen noch nicht die nötige Flexibilität und Resilienz für Industrie 4.0 Produktionssysteme. Hier setzt das Forschungsprojekt R2C2 mit Hilfe von Software-defined Networking und Künstlicher Intelligenz an.

Mit künstlicher Intelligenz will ITS-Masterstudent Georg Schäfer Sortieranlagen effizienter machen. Anhand eines »Digitalen Zwillings« entwickelt er Methoden des Machine Learning weiter. (Foto: FH Salzburg)
Die lernende Fabrik

Den Sortiervorgang einer Industrieanlage intelligent zu machen war das Ziel von Masterstudenten und Junior Researcher Georg Schäfer. Mit Methoden des Machine Learning will der gebürtige Salzburger die Industrie revolutionieren.

Anreize für nachhaltige Mobilität in der Stadt

Dynamic Mobility Nudge: Mit strategischer Datennutzung nachhaltige Mobilität in Städten fördern.