EP4487433A1 - Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger - Google Patents

Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger

Info

Publication number
EP4487433A1
EP4487433A1 EP23709196.2A EP23709196A EP4487433A1 EP 4487433 A1 EP4487433 A1 EP 4487433A1 EP 23709196 A EP23709196 A EP 23709196A EP 4487433 A1 EP4487433 A1 EP 4487433A1
Authority
EP
European Patent Office
Prior art keywords
time
point
voltage network
characteristic parameter
artificial intelligence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23709196.2A
Other languages
English (en)
French (fr)
Inventor
Christian Ferstl
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dehn SE and Co KG
Original Assignee
Dehn and Soehne GmbH and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dehn and Soehne GmbH and Co KG filed Critical Dehn and Soehne GmbH and Co KG
Publication of EP4487433A1 publication Critical patent/EP4487433A1/de
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/001—Arrangements for handling faults or abnormalities, e.g. emergencies or contingencies
    • H02J3/0012—Arrangements for handling faults or abnormalities, e.g. emergencies or contingencies characterised by the contingency detection means in AC networks, e.g. using phasor measurement units [PMU], synchrophasors or contingency analysis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote monitoring or remote control of equipment in a power distribution network
    • H02J13/12—Monitoring network conditions, e.g. electrical magnitudes or operational status
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/01—Arrangements for reducing harmonics or ripples
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • H02J2103/35—Grid-level management of power transmission or distribution systems, e.g. load flow analysis or active network management

Definitions

  • Method and system for monitoring a power grid Method for training artificial intelligence for forecasting a future state of a power grid, computer program and computer-readable data carrier
  • the invention relates to a method for monitoring a voltage network. Furthermore, the invention relates to a method for training an artificial intelligence for forecasting a future state of a voltage network. In addition, the invention relates to a system for monitoring a voltage network, a computer program and a computer-readable data carrier.
  • Smart devices such as the DEHN record are known for this purpose, which record and analyze a characteristic parameter of the voltage network in order to determine the current network quality of the voltage network.
  • Such smart devices are used, for example, by the network operator or the electricity user or electricity customer.
  • EP 3 336 995 A1 a method and a system are known from EP 3 336 995 A1, with which a current or instantaneous operating state of a partial network of a power supply network is determined.
  • the voltage network that is analyzed can be the local voltage network, which is also referred to as the building network, ie the voltage network at the customer, for example a private household or an industrial building. In other words, a low-voltage network is monitored.
  • the object of the invention is to provide a possibility with which the voltage network can be monitored in a cost-effective and high-quality manner.
  • the object is achieved according to the invention by a method for monitoring a voltage network, which includes the steps:
  • the basic idea of the invention is that a future network quality is estimated or forecast based on historical and/or current data of the voltage network, so that the network operator of the voltage network and/or the electricity customer/electricity user is able to identify future disruptions at an early stage .
  • the network operator and/or the electricity customer/electricity user can predict the time at which a network disruption will occur and its intensity. This makes it possible to initiate appropriate countermeasures in order to avert the emerging network disruption, at least reduce its intensity or generally minimize the effect of the emerging network disruption on specific areas.
  • the invention is based on the finding that due to the volatile voltage grids, it is often more important for the grid operator and/or the electricity customer/electricity user how the voltage grid will behave in the future in terms of its grid quality (grid condition) than the current grid condition, which is already affected can no longer be reacted to. Looking into the future makes it possible to take suitable measures in good time to counteract the forecast grid disruption, i.e. the deteriorated state of the voltage grid.
  • the network operator and/or the electricity customer/electricity user is able to design the voltage network to be more resilient to disruptions to be expected in the future.
  • the future state of the voltage grid can be predicted for the next few hours, days or weeks, so that the grid operator and/or the electricity customer/electricity user is given enough time to initiate any countermeasures in good time so that they can still counteract a forecast disruption or deterioration.
  • the countermeasures to be taken can consist, for example, in avoiding further loads in a predicted phase of weakness in the voltage network, thereby ensuring fail-safe operation of devices and/or machines whose operation should not be disrupted.
  • the countermeasure can consist of disconnecting non-essential machines or devices from the grid or not connecting them to the grid during the predicted weak phase in order to reduce the load or not to increase it further.
  • the voltage network can be a local network, which is also referred to as a building network, which is assigned to a private household or an industrial building.
  • the voltage network can therefore be a low-voltage network, for example a building network that is connected to a supply network.
  • the first characteristic parameter can be recorded several times, ie at least at two different points in time, with the values of the first characteristic parameter recorded at the different points in time being fed into the processor unit for evaluation. It can therefore predict the future time profile from a time profile recorded in the past of the first characteristic parameter of the voltage network, which can extend up to the present.
  • the future course over time can relate to the first characteristic parameter, so that its future course over time is predicted, which corresponds to the predicted future state of the voltage network.
  • the first characteristic parameter alone allows the current state of the voltage network to be characterized. Since the processor unit jointly evaluates at least two values of the first characteristic parameter that were recorded at different points in time, it is now possible to forecast future states of the voltage network accordingly, which would not be possible based on the sole evaluation of a single characteristic parameter.
  • correlations between the at least two different points in time of the first characteristic parameter are used, on the basis of which a future state of the voltage network is reliably predicted.
  • a second variable that differs from the first parameter can also be used.
  • the second variable can be a separate variable that is not necessarily a characteristic of the voltage network.
  • the second variable can be obtained from a database, for example to include environmental data, in particular weather data, time data (weekday, weekend, holiday, day and/or night) or usage data from systems in the area, for example a timetable for trains or usage data from electrical charging systems in the neighborhood.
  • environmental data in particular weather data, time data (weekday, weekend, holiday, day and/or night) or usage data from systems in the area, for example a timetable for trains or usage data from electrical charging systems in the neighborhood.
  • the second variable can be used to obtain information that includes a difference between the two different points in time.
  • this makes it possible to determine a connection between two different values of the first characteristic variable that were recorded at the two different points in time.
  • the second variable can also be a second characteristic variable of the voltage network, which is different from the first characteristic variable of the voltage network.
  • the time profile of the first characteristic variable which was recorded at least at the first point in time and at the second point in time, can be evaluated together with the second variable, which is different from the first characteristic variable of the voltage network.
  • a time series of the first characteristic parameter can be evaluated together with further data, for example data obtained from a database such as weather data, time data and/or usage data from systems in the area.
  • the method for monitoring a voltage network can also include the following steps:
  • the first characteristic parameter and/or the second characteristic parameter is a voltage, a current, a power, a frequency, a distortion ("Total Harmonic Distortion" -THD), a harmonic (up to the 50th harmonic) , a reactive power and/or an energy value.
  • the corresponding characteristic parameter can be recorded for each phase of a multi-phase voltage network, ie for phases L1 to L3, for example.
  • a further aspect provides that the first characteristic variable is recorded multiple times, so that there is a time sequence of the first characteristic variable which comprises more than two points in time and which is processed.
  • the second size, in particular the second characteristic parameter are also recorded several times, so that there is a time sequence of the second size, which is processed.
  • the respective variable, ie the first characteristic parameter or the second variable is recorded multiple times in succession, in particular periodically, in order to obtain a time series or time sequence of the corresponding variable.
  • the future state of the voltage network is forecast based on the corresponding time series or time sequence. In other words, at least the historical behavior of the first characteristic parameter is recorded and taken into account when forecasting the future state.
  • a change in the first characteristic variable can be determined in this way, which, together with the change over time in the second variable, is unambiguous for a specific future voltage network.
  • the change over time can be a gradual deterioration, but also generally characteristic oscillations or trends that, viewed on their own, initially have no meaningfulness.
  • the change in the second variable can be, for example, a different day, a changing weather situation, a change due to the timetable, a change in the use of the charging system, or the like.
  • the processor unit includes an artificial intelligence that receives at least the first characteristic parameter detected at the at least two different points in time as an input variable and outputs the future state of the voltage network as an output variable.
  • the artificial intelligence can have been trained to recognize the corresponding correlation between the values of the first characteristic parameter, which were recorded at different points in time, and to learn corresponding technical relationships in the voltage network, which means that reliable and very precise forecasts can be made with regard to the future state of the voltage network are possible.
  • the invention therefore also relates to a method for training an artificial intelligence for forecasting a future state of a voltage network.
  • the procedure for training includes the steps:
  • Providing a training data record for the artificial intelligence which includes at least a first characteristic parameter of the voltage network at a first point in time, the first characteristic parameter of the voltage network at a second point in time, and an actual state of the voltage network at a third point in time, which is later than the first point in time and the second point in time is
  • the artificial intelligence can therefore be trained accordingly using at least one training data set that contains the first characteristic parameter both at a first point in time and at a second point in time, in particular a corresponding time sequence or time series of the first characteristic parameter, as well as an actual future state of the voltage network, which is present at the third point in time, which is chronologically after the points in time at which the first characteristic parameter was determined or recorded, i.e. corresponding Values of the first characteristic parameter.
  • the first point in time and the second point in time do not coincide, so that the first characteristic parameter was recorded at two different points in time, in particular the respective values of the first characteristic parameter.
  • the artificial intelligence when training the artificial intelligence, it can also be provided that the artificial intelligence does not output the state of the voltage network at a discrete point in time, but at an interval that includes the third point in time, i.e. predicts the future state of the voltage network for a future period of time.
  • the corresponding tolerance range for the deviation can be predefined and/or specified by a user, for example as a percentage or variance.
  • artificial intelligence trained using the method described above can be used to forecast the future state of the voltage network.
  • the processor unit includes a trained artificial intelligence, in particular an artificial intelligence trained according to the method described above.
  • the artificial intelligence has at least one artificial neural network, for example an artificial recurrent neural network (“Recurrent Neural Network” - RNN) or an artificial convolutional neural network (“Convolutional Neural Network” - CNN).
  • the artificial intelligence can have a Long Short Term Memory (LSTM) network or a "Gated Recurrent Unit” (GRU).
  • LSTM Long Short Term Memory
  • GRU Gated Recurrent Unit
  • Such neural networks allow a future state to be predicted based on time series or time sequences.
  • the artificial intelligence learns from past data (historical data), whereby the artificial intelligence predicts the future state of the voltage grid.
  • a multi-dimensional vector is generated which includes the first characteristic parameter at the different points in time, ie the first characteristic parameter recorded at the at least two different points in time, with the multi-dimensional vector being processed by the processor unit.
  • the artificial neural network is accordingly set up to process a multidimensional vector which, for example, includes a number of points in time of the first characteristic parameter, in order in this way to predict the future state of the voltage network.
  • the multidimensional vector can also include other variables, for example at least a second variable, in particular at a number of points in time.
  • the second variable can be a variable obtained from a database or a second characteristic variable of the voltage network.
  • the multidimensional vector has a dimension of up to eight, so that the vector can have data from up to eight different characteristic parameters, for example information regarding voltage, current, power, frequency, distortion, harmonics, reactive power and/or the energy value.
  • the other variables in addition to the first characteristic variable can in principle each be singular values or (likewise) corresponding time series or time sequences.
  • At least one future course over time of a characteristic parameter can be predicted as the future state of the voltage network.
  • the artificial intelligence can therefore, for example, predict a future voltage curve for a specific time interval.
  • artificial intelligence can predict a future current course for the corresponding time interval.
  • the time interval can be defined by a user so that forecasts for a targeted time interval are possible. This is of particular interest when certain machines or devices that are connected to the voltage network to be monitored have to be operated without faults for a defined period of time.
  • the operator or network operator has an interest in that at least in this Period it is ensured that no or only very small disturbances of the voltage network occur.
  • the future course over time of a characteristic parameter can be predicted, for example the future course over time of the previously recorded characteristic parameter.
  • the invention achieves the object through a system for monitoring a voltage network, the system having a processor unit which is set up to carry out one of the aforementioned methods.
  • the system can be a measuring and analysis device that is integrated into the voltage network to be monitored, for example on a top-hat rail.
  • the system can have a device, for example a measuring and/or evaluation device or a protective device such as a surge arrester (“surge protection device”—SPD), the device having the processor unit.
  • a device for example a measuring and/or evaluation device or a protective device such as a surge arrester (“surge protection device”—SPD), the device having the processor unit.
  • SPD surge protection device
  • the system in particular the device, can also include at least one data transmission device, which means that the system, in particular the device, can communicate with other devices, for example, and in particular receive data that is also used for evaluating or forecasting the future state of the voltage network.
  • the predicted future state of the voltage network can be output via the data transmission device, which is designed as a communication interface, for example.
  • the invention provides a computer program which has program code means in order to carry out the steps of one of the aforementioned methods when the computer program is executed on a processor unit, for example the processor unit of the aforementioned system. Furthermore, the invention provides a computer-readable data carrier on which the computer program of the aforementioned type is stored.
  • FIG. 2 is an overview showing the method according to the invention for monitoring a voltage network
  • FIG. 3 shows an overview that represents the method according to the invention for training an artificial intelligence.
  • the voltage network 12 is a low-voltage network, for example.
  • the system 10 comprises a plurality of measuring devices 14 which are connected to a device 15 in a signal-transmitting manner, for example a protective device or a measuring and/or evaluation device.
  • a device 15 in a signal-transmitting manner
  • both the measuring devices 14 and the device 15 are connected or integrated to the voltage network 12 to be monitored.
  • the device 15 can also be designed separately from the voltage network 12, so that it is only connected to the measuring devices 14 in a signal-transmitting manner.
  • the device 15 includes a processor unit 16 which is set up to run a computer program 18 with program code means in order to monitor the voltage network 12 .
  • the computer program 18 can be installed on the processor unit 16 from a computer-readable data medium 20 on which the computer program 18 is stored, so that the system 10, in particular the device 15 having the processor unit 16, is able to to carry out a corresponding method for monitoring the voltage network 12 .
  • the device 15 accordingly has a corresponding interface via which the data medium 20 can be coupled to the device 15 in order to install the computer program 18 .
  • the computer program 18 can also have been transmitted via a data transmission device 22 which is designed, for example, as a communication interface, for example for, in particular wireless, communication with the measuring devices 14 and/or a server. It can also be a LAN interface via which the device 15 can communicate.
  • a data transmission device 22 which is designed, for example, as a communication interface, for example for, in particular wireless, communication with the measuring devices 14 and/or a server. It can also be a LAN interface via which the device 15 can communicate.
  • a first step S1 at least one first characteristic parameter of the voltage network 12 is recorded at a first point in time. This can be done using a first of the measuring devices 14 or via the device 15 itself. In any case, it is ensured that the device 15, in particular its processor unit 16, detects the first characteristic variable of the voltage network 12.
  • the first characteristic parameter of the voltage network 12 can be recorded at a number of points in time.
  • the first characteristic parameter is thus recorded several times in succession over time, in particular periodically, so that a time series/time sequence of the first characteristic parameter is present.
  • At least one second variable for example a second characteristic variable of the voltage network 12, is detected, which is different from the first characteristic variable of the voltage network 12.
  • the second size can be independent of the voltage network 12 are recorded, for example read from a database to which the device 15 has access, in particular by means of the communication interface 22.
  • Data can be obtained from the database which are included for analysis, for example environmental data such as weather data, time data (workday, weekend, public holiday, day and/or night) or usage data from systems in the area, for example a timetable for trains or usage data from electrical charging systems in the area. In this way, additional information can be obtained that explains any difference between the two values of the first characteristic variable of the voltage network 12, which were measured at the two points in time.
  • the second variable obtained from the database is transmitted to the processor unit 16 of the device 15 so that the processor unit 16 records the second variable of the voltage network 12 .
  • the second variable can also be a second characteristic variable of the voltage network 12, which is recorded by one of the measuring devices 14 or by the device 15 itself, with the second characteristic variable being transmitted to the processor unit 16 of the device 15, so that the processor unit 16 transmits the second characteristic parameter of the voltage network 12 is detected. If two characteristic parameters are determined, the two characteristic parameters differ from one another.
  • the first characteristic parameter of the voltage network 12 can be a voltage, a current, a power, a frequency, a distortion, a harmonic, a reactive power and/or an energy value of the voltage network 12, in particular of a phase of the multi-phase voltage network 12 This applies in an analogous manner to the second characteristic parameter, provided this is also recorded.
  • a time series/time sequence of the first characteristic parameter of the voltage network 12 is recorded.
  • This can likewise apply to the optionally recorded second variable.
  • the second variable is also always recorded when the first characteristic parameter of the voltage network 12 is recorded, so that the values of the respective variable are recorded in parallel, in particular at the same time.
  • a third step S3 at least the first characteristic parameter recorded at the first point in time and the first characteristic parameter recorded at the second point in time are fed into processor unit 16, which transmits the first characteristic parameter recorded at the first point in time and the first characteristic parameter recorded at the second point in time characteristic parameter is processed jointly, so that a future state of the voltage network 12 is predicted by the processor unit 16 based on the first characteristic parameter recorded at the at least two different points in time.
  • the second variable which is recorded at least once and is different from the first characteristic variable of the voltage network 12 , is also processed together in order to predict the future state of the voltage network 12 by the processor unit 16 .
  • the processor unit 16 has an artificial intelligence 24, which receives at least the first characteristic parameter recorded at the at least two different points in time as an input variable and outputs the future state of the voltage network 12 as an output variable.
  • the artificial intelligence 24 can include at least one artificial neural network, e.g. a convolutional neural network (CNN) or an artificial recurrent neural network (RNN), such as a Long Short-Term Memory (LSTM) network or a "Gated Recurrent Unit” (GRU).
  • a convolutional neural network CNN
  • RNN artificial recurrent neural network
  • LSTM Long Short-Term Memory
  • GRU Gated Recurrent Unit
  • the artificial intelligence 24 is able to predict a future state of the voltage network 12 based at least on the time series obtained, ie the time sequence of the first characteristic variable forecast.
  • the artificial intelligence 24 processes the multiple values of the first characteristic parameter, which were recorded at different points in time, by generating them as a multidimensional vector and processing them accordingly by the artificial intelligence 24 .
  • the multi-dimensional vector has, for example, up to eight dimensions, e.g. eight dimensions per phase of the multi-phase voltage network 12.
  • the eight dimensions can be represented by the voltage, the current, the power, the frequency, the distortion, the harmonics, the reactive power and the energy value be mapped accordingly.
  • the dimension of the vector can also be higher, depending on the application.
  • the artificial intelligence 24 can have been previously trained using a method in which the artificial intelligence 24 was trained to predict the future state of the voltage network 12 based on values of the first characteristic parameter, which were recorded at at least two different points in time. Consequently, the artificial intelligence 24 is a trained artificial intelligence 24.
  • FIG. 3 The corresponding method for training the artificial intelligence 24 is shown in FIG. 3, to which reference is made below.
  • a training data record is provided for artificial intelligence 24, which contains at least the first characteristic parameter of voltage network 12 at a first point in time, the first characteristic parameter of voltage network 12 at a second point in time, and an actual state of voltage network 12 at a third time time included.
  • the third point in time is later than the first point in time and the second point in time, so that it is a future point in time to be predicted based on the first point in time and the second point in time.
  • a second variable can be contained in the training data set, which is different from the first characteristic parameter, so that the training data set includes at least two different variables.
  • the second variable can be a second characteristic parameter of the Act voltage network 12, which is different from the first characteristic parameter.
  • the training data set can include a time series or time sequence of the first characteristic parameter, so that there are a number of values, preferably more than two values, of the first characteristic parameter, which have been measured or recorded at different points in time.
  • the optionally provided second variable can also be contained in the training data record as a time series or time series.
  • the training data set can therefore include data from at least two different variables, in particular two different characteristic parameters of the voltage network 12, for a specific period of time and information about the state of the voltage network 12 that was obtained at a later point in time than the specific period of time.
  • the training data set may include corresponding information from more than just two different variables, in particular from more than two different characteristic parameters of voltage network 12, which means that more information or data is made available overall, making the training more extensive and the The meaningfulness of the correspondingly trained artificial intelligence 24 is higher.
  • a second training step T2 at least the first characteristic parameter recorded at the first point in time and the first characteristic parameter recorded at the second point in time, in particular the time series or time sequence of the first characteristic parameter, are fed into the processor unit 16, which contains the artificial intelligence to be trained 24 has.
  • the processor unit 16, which has the artificial intelligence 24, processes the first characteristic parameter recorded at the different points in time, in particular the time series or time sequence, together and outputs a predicted future state of the voltage network 12 at the third point in time, at which the training data set shows the actual state of the voltage network 12 includes.
  • the artificial intelligence 24 learns corresponding connections between the two different ones Points in time recorded, first characteristic parameter and their effect (s) on the later state of the voltage network 12, so that the artificial intelligence 24 is trained to predict the future state of the voltage network 12 based on the past or current data.
  • the second variable can optionally be included, whereby correlations between the different variables can be detected during training, i.e. correlations between the values of the first characteristic parameter, which have been recorded at different times, and the second variable, which is unique or also recorded at different points in time.
  • a third training step T3 the predicted future state of the voltage network 12 at the third point in time is compared with the actual state of the voltage network 12 at the third point in time, the latter being contained in the training data set.
  • a deviation between the predicted future state of the voltage network 12 and the actual state of the voltage network 12 is determined by means of the comparison. In this respect, it is determined during the training how accurate the prognosis of the artificial intelligence 24 already is, ie how well the prognosis actually describes the state.
  • a fourth training step T4 the discrepancy found between the predicted future state of the voltage network 12 and the actual state of the voltage network 12 is fed back into the artificial intelligence 24 to be trained, in order to adjust weighting factors of the artificial intelligence 24 to be trained, provided the deviation is outside a tolerance range .
  • the tolerance range can be predetermined and/or set by a user.
  • At least training step T3 is then repeated, with the deviation ascertained during the comparison in training step T3 being increasingly reduced. After a certain number of repetitions (iterations), the deviation is so small that the deviation is within the tolerance range, so that the deviation is no longer fed back. Then the artificial intelligence 24 has reached an at least (pre-)trained state for the training data set, so that it can be used.
  • the artificial intelligence 24 can then be further trained with the same training steps T1-T4 with corresponding iterations, so that the artificial intelligence 24 is trained, for example, on further characteristic parameters of the voltage network 12, in particular different pairings of characteristic parameters of the voltage network 12.
  • the training of the artificial intelligence 24 can also include the feeding in of more than two different variables, in particular characteristic parameters of the voltage network 12, for example up to eight different variables or more.
  • the corresponding training set that is used for this purpose therefore has more data that is provided and fed in.
  • the training steps T1 to T4 are therefore typically repeated for a number of different actual states of the voltage network 12 and/or a number of different data of the characteristic parameters, in particular for a number of different characteristic parameters in order to train the artificial intelligence 24 .
  • the weighting factors of the artificial intelligence 24 to be trained are adjusted in such a way that the respectively predicted future state of the voltage network 12 is always within the tolerance range.
  • the artificial intelligence 24 used in the method for monitoring the voltage network 12 has been trained in accordance with the aforementioned training method, so that it is a trained artificial intelligence 24 which, based on at least two values of the first characteristic parameter that have been recorded at different points in time, the future state of the voltage network 12 is predicted.
  • the processor unit 16 which includes the trained artificial intelligence 24, accordingly outputs the predicted future state of the voltage network 12 in a fourth step S4.
  • This can be a time course of a characteristic parameter of the voltage network 12, in particular a characteristic parameter that differs from the first characteristic parameter (and from the second characteristic parameter).
  • the artificial intelligence 24 is designed, among other things, to predict the future course of a total harmonic distortion ("Total Harmony Distortion" - TH D) of the voltage network 12, this being based on the historical data (time series or time sequences) of the current and /or the tension happens.
  • the network operator and/or the electricity customer or the electricity user it is thus possible for the network operator and/or the electricity customer or the electricity user to recognize future faults or phases of weakness in the voltage network 12 in good time and to initiate appropriate countermeasures in order to operate the voltage network 12 stably.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

Ein Verfahren zum Überwachen eines Spannungsnetzes (12) wird beschrieben, bei dem zumindest eine erste charakteristische Kenngröße zu einem ersten Zeitpunkt und die erste charakteristische Kenngröße (u) des Spannungsnetzes (12) zu einem zweiten Zeitpunkt erfasst werden. Die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße werden in eine Prozessoreinheit (16) eingespeist, die die zu den beiden Zeitpunkten erfasste, erste charakteristische Kenngröße gemeinsam derart verarbeitet, dass basierend auf der zu den zumindest zwei unterschiedlichen Zeitpunkten erfassten, ersten charakteristischen Kenngröße ein zukünftiger Zustand des Spannungsnetzes (12) prognostiziert wird. Der prognostizierte zukünftige Zustand des Spannungsnetzes (12) wird ausgegeben. Zudem sind ein Verfahren zum Trainieren einer künstlichen Intelligenz (24), ein System (10), ein Computerprogramm (18) und ein computerlesbarer Datenträger (20) beschrieben.

Description

Verfahren und System zum Überwachen eines Spannungsnetzes, Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes, Computerprogramm sowie computerlesbarer Datenträger
Die Erfindung betrifft ein Verfahren zum Überwachen eines Spannungsnetzes. Ferner betrifft die Erfindung ein Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes. Darüber hinaus betrifft die Erfindung ein System zum Überwachen eines Spannungsnetzes, ein Computerprogramm sowie einen computerlesbaren Datenträger.
In der heutigen Zeit sind Spannungsnetze bereits deutlich volatiler, als dies in der Vergangenheit der Fall gewesen ist. Dies liegt unter anderem an dem ständig steigenden, aber schwankenden Energiebedarf sowie an der fortschreitenden Einspeisung regenerativer Energien in das Versorgungsnetz, die auch unregelmäßiger erfolgt. Zudem ist davon auszugehen, dass die Spannungsnetze in Zukunft noch volatiler werden, da der Anteil an eingespeister regenerativer Energie weiter steigen wird und gleichzeitig die Spannungsnetze kurzfristig stärker belastet werden, beispielsweise aufgrund der zunehmenden Elektromobilität, insbesondere im Automobilsektor. Die zunehmende Volatilität der Spannungsnetze hat jedoch zur Folge, dass die Netzqualität sinkt, wodurch es vermehrt zu Störungen und sogar Ausfällen kommen kann, was es zu vermeiden gilt.
Für Netzbetreiber und für Stromnutzer bzw. Stromkunden ist es daher bereits jetzt interessant, den aktuellen Netzzustand des Spannungsnetzes zu erfassen, wobei zurückliegende netzstörende Ereignisse analysiert werden, um etwaige Störstellen zu identifizieren. Hierzu sind smarte Geräte wie der DEHN record bekannt, der eine charakteristische Kenngröße des Spannungsnetzes erfasst und analysiert, um die momentane Netzqualität des Spannungsnetzes zu ermitteln. Derartige smarte Geräte kommen also beispielsweise beim Netzbetreiber oder dem Stromnutzer bzw. Stromkunden zum Einsatz.
Aus der EP 3 336 995 A1 ist beispielsweise ein Verfahren sowie ein System bekannt, womit ein aktueller bzw. momentaner Betriebszustand eines Teilnetzes eines Energieversorgungsnetzes ermittelt wird.
Insofern kann es sich bei dem Spannungsnetz, welches analysiert wird, um das lokale Spannungsnetz handeln, was auch als Gebäudenetz bezeichnet wird, also das Spannungsnetz beim Kunden, beispielsweise einem Privathaushalt oder einem Industriegebäude. Mit anderen Worten wird ein Niederspannungsnetz überwacht.
Aufgrund der in Zukunft steigenden Volatilität der Spannungsnetze wird die Analyse der momentanen Netzqualität jedoch vermutlich nicht mehr ausreichen, sodass es einer verbesserten Analyse bzw. Überwachung des Spannungsnetzes bedarf.
Die Aufgabe der Erfindung ist es, eine Möglichkeit bereitzustellen, mit der das Spannungsnetz kostengünstig und qualitativ hochwertig überwacht werden kann.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zum Überwachen eines Spannungsnetzes, das die Schritte umfasst:
Erfassen von zumindest einer ersten charakteristischen Kenngröße des Spannungsnetzes zu einem ersten Zeitpunkt,
Erfassen der ersten charakteristischen Kenngröße des Spannungsnetzes zu einem zweiten Zeitpunkt, der vom ersten Zeitpunkt verschieden ist,
Einspeisen der zum ersten Zeitpunkt erfassten, ersten charakteristischen Kenngröße und der zum zweiten Zeitpunkt erfassten, ersten charakteristischen Kenngröße in eine Prozessoreinheit, die die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße gemeinsam derart verarbeitet, dass basierend auf der zu den zumindest zwei unterschiedlichen Zeitpunkten erfassten, ersten charakteristischen Kenngröße ein zukünftiger Zustand des Spannungsnetzes prognostiziert wird, und Ausgeben des prognostizierten zukünftigen Zustands des Spannungsnetzes.
Der Grundgedanke der Erfindung ist es, dass eine zukünftige Netzqualität basierend auf historischen und/oder aktuellen Daten des Spannungsnetzes abgeschätzt bzw. prognostiziert wird, sodass der Netzbetreiber des Spannungsnetzes und/oder der Stromkunde/Stromnutzer in die Lage versetzt wird, zukünftige Störungen frühzeitig zu erkennen. Mit anderen Worten kann der Netzbetreiber und/oder der Stromkunde/Stromnutzer einen Zeitpunkt einer aufkommenden Netzstörung sowie deren Intensität prognostizieren. Hierdurch ist es möglich, entsprechende Gegenmaßnahmen einzuleiten, um die aufkommende Netzstörung abzuwenden, deren Intensität zumindest zu senken oder allgemein die Auswirkung der aufkommenden Netzstörung auf bestimmte Bereiche zu minimieren.
Die Erfindung beruht auf der Erkenntnis, dass es aufgrund der volatilen Spannungsnetze für den Netzbetreiber und/oder den Stromkunden/Stromnutzer oftmals entscheidender ist, wie sich das Spannungsnetz in der Zukunft hinsichtlich seiner Netzqualität (Netzzustand) verhält als der momentane Netzzustand ist, auf den ohnehin nicht mehr reagiert werden kann. Der Blick in die Zukunft ermöglicht es nämlich, geeignete Maßnahmen rechtzeitig einzuleiten, um der prognostizierten Netzstörung, also dem verschlechterten Zustand des Spannungsnetzes, noch entgegenzuwi rken .
Mit anderen Worten wird der Netzbetreiber und/oder der Stromkunde/Stromnutzer also in die Lage versetzt, das Spannungsnetz auf zukünftig zu erwartende Störungen resilienter auszulegen.
Der zukünftige Zustand des Spannungsnetzes lässt sich für die nächsten Stunden, Tage oder Wochen Vorhersagen, sodass dem Netzbetreiber und/oder dem Stromkunden/Stromnutzer genügend Zeit gegeben wird, um etwaige Gegenmaßnahmen rechtzeitig einzuleiten, sodass sie einer prognostizierten Störung oder Verschlechterung noch entgegenwirken.
Die zu treffenden Gegenmaßnahmen können bspw. darin bestehen, dass in einer prognostizierten Schwächephase des Spannungsnetzes weitere Belastungen vermieden werden, wodurch ein ausfallsicherer Betrieb von Geräten und/oder Maschinen gewährleistet ist, deren Betrieb nicht gestört werden sollte. Insofern kann die Gegenmaßnahme darin bestehen, nicht zwingend erforderliche Maschinen bzw. Geräte während der prognostizierten Schwächephase des Spannungsnetzes vom Netz zu trennen bzw. nicht an das Spannungsnetz zu nehmen, um die Belastung zu reduzieren bzw. nicht weiter zu erhöhen.
Grundsätzlich kann es sich bei dem Spannungsnetz um ein lokales Netz handeln, was auch als Gebäudenetz bezeichnet wird, das einem Privathaushalt oder einem Industriegebäude zugeordnet ist. Bei dem Spannungsnetz kann es sich also um ein Niederspannungsnetz handeln, bspw. ein Gebäudenetz, das mit einem Versorgungsnetz verbunden ist.
Zur Prognose kann die erste charakteristische Kenngröße mehrfach, also zumindest zu zwei unterschiedlichen Zeitpunkten erfasst werden, wobei die bei den unterschiedlichen Zeitpunkten erfassten Werte der ersten charakteristischen Kenngröße zur Auswertung in die Prozessoreinheit eingespeist werden. Es kann also aus einem in der Vergangenheit erfassten Zeitverlauf der ersten charakteristischen Kenngröße des Spannungsnetzes, welcher bis zur Gegenwart reichen kann, den zukünftigen Zeitverlauf prognostizieren. Der zukünftige Zeitverlauf kann sich dabei auf die erste charakteristische Kenngröße beziehen, sodass deren zukünftiger Zeitverlauf prognostiziert wird, was dem prognostizierten zukünftigen Zustand des Spannungsnetzes entspricht.
Die erste charakteristische Kenngröße lässt für sich alleine eine Charakterisierung des aktuellen Zustands des Spannungsnetzes zu. Da die Prozessoreinheit zumindest zwei Werte der ersten charakteristischen Kenngröße, die zu unterschiedlichen Zeitpunkten erfasst worden sind, gemeinsam auswertet, ist es nunmehr möglich, zukünftige Zustände des Spannungsnetzes entsprechend zu prognostizieren, was aufgrund der alleinigen Auswertung einer einzelnen charakteristischen Kenngröße nicht möglich wäre.
Insbesondere werden dabei Korrelationen zwischen den zumindest zwei unterschiedlichen Zeitpunkten der ersten charakteristischen Kenngröße ausgenutzt, aufgrund derer zuverlässig ein zukünftiger Zustand des Spannungsnetzes prognostiziert wird.
Insofern kann aufgrund der gemeinsamen Auswertung derselben Messgröße zu unterschiedlichen Zeitpunkten auf Korrelationen geschlossen werden. Es kann zusätzlich eine zweite Größe herangezogen werden, die von der ersten Kenngröße verschieden ist. Bei der zweiten Größe kann es sich um eine separate Größe handeln, die nicht zwangsläufig eine Kenngröße des Spannungsnetzes ist.
Die zweite Größe kann aus einer Datenbank erhalten werden, um beispielsweise Umgebungsdaten einzubeziehen, insbesondere Wetterdaten, Zeitdaten (Werktag, Wochenende, Feiertag, Tag und/oder Nacht) oder Nutzungsdaten von Systemen in der Umgebung, beispielsweise einem Fahrplan für Züge oder Nutzungsdaten von elektrischen Ladesystemen in der Umgebung.
Insofern kann mittels der zweiten Größe eine Information gewonnen werden, die einen Unterschied zwischen den beiden unterschiedlichen Zeitpunkten umfasst. Insbesondere ist es hierdurch möglich, einen Zusammenhang zwischen zwei unterschiedlichen Werten der ersten charakteristischen Kenngröße festzustellen, die bei den beiden unterschiedlichen Zeitpunkten erfasst worden sind.
Die zweite Größe kann aber auch eine zweite charakteristische Kenngröße des Spannungsnetzes sein, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes ist.
Insbesondere kann der zeitliche Verlauf der ersten charakteristischen Kenngröße, die zumindest zum ersten Zeitpunkt und zum zweiten Zeitpunkt erfasst worden ist, zusammen mit der zweiten Größe ausgewertet werden, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes ist. Insofern lässt sich eine Zeitreihe der ersten charakteristischen Kenngröße zusammen mit weiteren Daten auswerten, beispielsweise aus einer Datenbank erhaltene Daten wie Wetterdaten, Zeitdaten und/oder Nutzungsdaten von Systemen in der Umgebung.
Es kann demnach eine Datenfusion zweier unterschiedlicher Größen vorliegen, die einen Blick in die Zukunft des Zustands des Spannungsnetzes ermöglicht. Mit anderen Worten wird bei der gemeinsamen Verarbeitung der beiden unterschiedlichen Größen eine Korrelation dieser Größen untereinander ausgenutzt, welche Rückschlüsse auf das zukünftige Verhalten des Spannungsnetzes ermöglichen. Daher kann der zukünftige Zustand des Spannungsnetzes entsprechend prognostiziert werden.
Grundsätzlich kann das Verfahren zum Überwachen eines Spannungsnetzes, also auch die folgenden Schritte umfassen:
Erfassen von zumindest einer ersten charakteristischen Kenngröße des Spannungsnetzes, insbesondere zu einem ersten Zeitpunkt und einem zweiten Zeitpunkt,
Erfassen von zumindest einer zweiten charakteristischen Kenngröße des Spannungsnetzes, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes ist,
Einspeisen der ersten charakteristischen Kenngröße, insbesondere der zum ersten Zeitpunkt und zum zweiten Zeitpunkt erfassten Werte der ersten charakteristischen Kenngröße, und der zweiten charakteristischen Kenngröße in eine Prozessoreinheit, die beiden unterschiedlichen charakteristischen Kenngrößen gemeinsam derart verarbeitet, dass basierend auf den beiden unterschiedlichen charakteristischen Kenngrößen ein zukünftiger Zustand des Spannungsnetzes prognostiziert wird, und
- Ausgeben des prognostizierten zukünftigen Zustands des Spannungsnetzes.
Ein Aspekt sieht vor, dass die erste charakteristische Kenngröße und/oder die zweite charakteristische Kenngröße eine Spannung, ein Strom, eine Leistung, eine Frequenz, eine Verzerrung („Total Harmonie Distortion“ -THD), eine Harmonische (bis zur 50. Harmonischen), eine Blindleistung und/oder ein Energiewert ist. Die entsprechende charakteristische Kenngröße kann jeweils für jede Phase eines mehrphasigen Spannungsnetzes erfasst worden sein, also bspw. für die Phasen L1 bis L3.
Ein weiterer Aspekt sieht vor, dass die erste charakteristische Kenngröße mehrfach erfasst wird, sodass eine mehr als zwei Zeitpunkte umfassende Zeitfolge der ersten charakteristischen Kenngröße vorliegt, welche verarbeitet wird. Alternativ oder ergänzend kann die zweite Größe, insbesondere die zweite charakteristische Kenngröße, ebenfalls mehrfach erfasst werden, sodass eine Zeitfolge der zweiten Größe vorliegt, welche verarbeitet wird. Insofern wird die jeweilige Größe, also die erste charakteristische Kenngröße bzw. die zweite Größe, mehrfach zeitlich hintereinander, insbesondere periodisch, erfasst, um so eine Zeitreihe bzw. Zeitfolge der entsprechenden Größe zu erhalten. Basierend auf der entsprechenden Zeitreihe bzw. Zeitfolge wird der zukünftige Zustand des Spannungsnetzes prognostiziert. Mit anderen Worten wird zumindest das historische Verhalten der ersten charakteristischen Kenngröße erfasst und bei der Prognose des zukünftigen Zustands berücksichtigt. Dies kann auch für die zweite Größe entsprechend erfolgen, beispielsweise der zweiten charakteristischen Kenngröße. Zum Beispiel lässt sich so eine Veränderung der ersten charakteristischen Kenngröße feststellen, die zusammen mit der zeitlichen Veränderung der zweiten Größe eindeutig für einen bestimmten zukünftigen des Spannungsnetzes ist. Bei der zeitlichen Veränderung kann es sich um eine schleichende Verschlechterung handeln, aber auch allgemein um charakteristische Schwingungen bzw. Verläufe, die für sich allein betrachtet zunächst keine Aussagekraft hätten. Bei der Veränderung der zweiten Größe kann es sich beispielsweise um einen anderen Tag, eine sich verändernde Wettersituation, eine Veränderung aufgrund des Fahrplans, eine Veränderung der Ladesystemnutzung oder ähnliches handeln. Durch die fusionierte Auswertung der beiden Größen ist es möglich, Informationen zu erhalten, die für den zukünftigen Zustand des Spannungsnetzes von Bedeutung sind, sofern die Größen sich gegenseitig beeinflussen.
Gemäß einer Ausführungsform umfasst die Prozessoreinheit eine künstliche Intelligenz, die zumindest die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße als Eingangsgröße erhält und den zukünftigen Zustand des Spannungsnetzes als Ausgangsgröße ausgibt. Die künstliche Intelligenz kann trainiert worden sein, um die entsprechende Korrelation der Werte der ersten charakteristischen Kenngröße, die zu den unterschiedlichen Zeitpunkten erfasst worden sind, untereinander zu erkennen und entsprechende technische Zusammenhänge im Spannungsnetz zu erlernen, wodurch zuverlässige bzw. sehr genaue Prognosen hinsichtlich des zukünftigen Zustands des Spannungsnetzes möglich sind. Die Erfindung betrifft daher auch ein Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes. Das Verfahren zum Trainieren umfasst die Schritte:
Bereitstellen eines Trainingsdatensatzes für die künstliche Intelligenz, der zumindest eine erste charakteristische Kenngröße des Spannungsnetzes zu einem ersten Zeitpunkt, die erste charakteristische Kenngröße des Spannungsnetzes zu einem zweiten Zeitpunkt sowie einen tatsächlichen Zustand des Spannungsnetzes zu einem dritten Zeitpunkt umfasst, der zeitlich später als der erste Zeitpunkt und der zweite Zeitpunkt ist,
Einspeisen der ersten charakteristischen Kenngröße zum ersten Zeitpunkt und der ersten charakteristischen Kenngröße zum zweiten Zeitpunkt in eine Prozessoreinheit, die die zu trainierende künstliche Intelligenz aufweist, wobei die die künstliche Intelligenz aufweisende Prozessoreinheit die zu den unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße gemeinsam verarbeitet und einen prognostizierten zukünftigen Zustand des Spannungsnetzes zum dritten Zeitpunkt ausgibt,
Vergleichen des prognostizierten zukünftigen Zustands des Spannungsnetzes zum dritten Zeitpunkt mit dem tatsächlichen Zustand des Spannungsnetzes zum dritten Zeitpunkt, der Teil des Trainingsdatensatzes ist, um eine Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes zum dritten Zeitpunkt und dem tatsächlichen Zustand des Spannungsnetzes zum dritten Zeitpunkt festzustellen, und
Rückspeisen der Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes zum dritten Zeitpunkt und dem tatsächlichen Zustand des Spannungsnetzes zum dritten Zeitpunkt, um Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz anzupassen, sofern die Abweichung außerhalb eines Toleranzbereichs liegt.
Die künstliche Intelligenz kann demnach über zumindest einen Trainingsdatensatz entsprechend trainiert werden, der die erste charakteristische Kenngröße sowohl zu einem ersten Zeitpunkt als auch zu einem zweiten Zeitpunkt, insbesondere eine entsprechende Zeitfolge bzw. Zeitreihe der ersten charakteristischen Kenngröße, sowie einen tatsächlichen zukünftigen Zustand des Spannungsnetzes umfasst, der zu dem dritten Zeitpunkt vorliegt, welcher zeitlich nach den Zeitpunkten liegt, zu denen die erste charakteristische Kenngröße ermittelt bzw. erfasst worden ist, also entsprechende Werte der ersten charakteristischen Kenngröße. Insbesondere fallen der erste Zeitpunkt und der zweite Zeitpunkt nicht zusammen, sodass die erste charakteristische Kenngröße zu zwei verschiedenen Zeitpunkten erfasst worden ist, insbesondere die jeweiligen Werte der ersten charakteristischen Kenngröße.
Grundsätzlich kann beim Trainieren der künstlichen Intelligenz auch vorgesehen sein, dass die künstliche Intelligenz den Zustand des Spannungsnetzes nicht zu einem diskreten Zeitpunkt ausgibt, sondern zu einem Intervall, welches den dritten Zeitpunkt umfasst, also den zukünftigen Zustand des Spannungsnetzes für einen zukünftigen Zeitraum prognostiziert.
Der entsprechende Toleranzbereich für die Abweichung kann vordefiniert und/oder durch einen Benutzer festgelegt werden, bspw. als Prozentangabe oder Varianz.
Grundsätzlich kann eine mittels des zuvor beschriebenen Verfahrens trainierte künstliche Intelligenz verwendet werden, um den zukünftigen Zustand des Spannungsnetzes zu prognostizieren.
Mit anderen Worten umfasst die Prozessoreinheit eine trainierte künstliche Intelligenz, insbesondere eine gemäß dem zuvor beschriebenen Verfahren trainierte künstliche Intelligenz.
Ein weiterer Aspekt sieht vor, dass die künstliche Intelligenz wenigstens ein künstliches neuronales Netz aufweist, bspw. ein künstliches rekurrentes neuronales Netz („Recurrent Neural Network“ - RNN) oder ein künstliches faltendes neuronales Netz („Convolutional Neural Network“ - CNN). Die künstliche Intelligenz kann ein Long Short-Term-Memory (LSTM)-Netz oder eine „Gated Recurrent Unit“ (GRU) aufweisen. Derartige neuronale Netze erlauben eine Prognose eines Zustands in der Zukunft basierend auf Zeitreihen bzw. Zeitfolgen. Die künstliche Intelligenz lernt demnach aus vergangenen Daten (historischen Daten), wobei die künstliche Intelligenz den zukünftigen Zustand des Spannungsnetzes prognostiziert.
Insbesondere wird ein mehrdimensionaler Vektor erzeugt, der die erste charakteristische Kenngröße zu den unterschiedlichen Zeitpunkten umfasst, also die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße, wobei der mehrdimensionale Vektor von der Prozessoreinheit verarbeitet wird. Das künstliche neuronale Netz ist demnach eingerichtet, einen mehrdimensionalen Vektor zu verarbeiten, der beispielsweise mehrere Zeitpunkte der ersten charakteristischen Kenngröße umfasst, um so den zukünftigen Zustand des Spannungsnetzes vorherzusagen. Neben der ersten charakteristischen Kenngröße kann der mehrdimensionale Vektor aber noch weitere Größen umfassen, beispielsweise zumindest eine zweite Größe, insbesondere zu mehreren Zeitpunkten. Bei der zweiten Größe kann es sich um eine aus einer Datenbank erhaltenen Größe handeln oder um eine zweite charakteristische Größe des Spannungsnetzes. Beispielsweise hat der mehrdimensionale Vektor eine Dimension von bis zu acht, sodass der Vektor Daten von bis zu acht unterschiedlichen charakteristischen Kenngrößen aufweisen kann, beispielsweise Informationen bzgl. der Spannung, des Stroms, der Leistung, der Frequenz, der Verzerrung, von Harmonischen, der Blindleistung und/oder des Energiewert. Bei den weiteren Größen neben der ersten charakteristischen Größe kann es sich grundsätzlich jeweils um singuläre Werte oder (ebenfalls) um entsprechende Zeitreihen bzw. Zeitfolgen handeln.
Ferner kann zumindest ein zukünftiger zeitlicher Verlauf einer charakteristischen Kenngröße als zukünftiger Zustand des Spannungsnetzes prognostiziert werden. Die künstliche Intelligenz kann demnach bspw. einen zukünftigen Spannungsverlauf für ein bestimmtes Zeitintervall Vorhersagen. Ebenso kann künstliche Intelligenz einen zukünftigen Stromverlauf für das entsprechende Zeitintervall Vorhersagen. Das Zeitintervall lässt sich durch einen Benutzer definieren, sodass Prognosen für ein anvisiertes Zeitintervall möglich sind. Das ist insbesondere dann von Interesse, wenn gewisse Maschinen bzw. Geräte, die im zu überwachenden Spannungsnetz angebunden sind, in einem definierten Zeitraum störungsfrei betrieben werden müssen. Der Bediener bzw. Netzbetreiber hat demnach ein Interesse daran, dass zumindest in diesem Zeitraum sichergestellt ist, dass keine bzw. nur sehr geringe Störungen des Spannungsnetzes auftreten.
Grundsätzlich kann der zukünftige zeitliche Verlauf einer charakteristischen Kenngröße vorhergesagt werden, beispielsweise dem zukünftigen zeitlichen Verlauf der zuvor erfassten charakteristischen Kenngröße. Es kann aber auch der zukünftige zeitliche Verlauf einer anderen charakteristischen Kenngröße vorhergesagt werden als derjenigen, die erfasst und in die Prozessoreinheit eingespeist worden ist.
Darüber hinaus löst die Erfindung die Aufgabe durch ein System zum Überwachen eines Spannungsnetzes, wobei das System eine Prozessoreinheit aufweist, die eingerichtet ist, eines der zuvor genannten Verfahren durchzuführen. Bei dem System kann es sich um ein Mess- und Analysegerät handeln, welches in das zu überwachende Spannungsnetz eingebunden ist, bspw. an einer Hutschiene. Die zuvor genannten Vorteile ergeben sich somit in analoger Weise für das System.
Insbesondere kann das System ein Gerät aufweisen, beispielsweise ein Mess- und/oder Auswertegerät oder ein Schutzgerät wie einen Überspannungsableiter („surge protection device“ - SPD), wobei das Gerät die Prozessoreinheit aufweist.
Das System, insbesondere das Gerät, kann zudem wenigstens eine Datenübertragungsvorrichtung umfassen, wodurch das System, insbesondere das Gerät, beispielsweise mit weiteren Geräten kommunizieren kann, insbesondere Daten erhält, die für die Auswertung bzw. zur Prognose des zukünftigen Zustands des Spannungsnetzes zusätzlich herangezogen werden. Außerdem kann die Ausgabe des prognostizierten zukünftigen Zustands des Spannungsnetzes über die Datenübertragungsvorrichtung erfolgen, die beispielsweise als Kommunikationsschnittstelle ausgebildet ist.
Darüber hinaus stellt die Erfindung ein Computerprogramm bereit, welches Programmcodemittel aufweist, um die Schritte eines der zuvor genannten Verfahren durchzuführen, wenn das Computerprogramm auf eine Prozessoreinheit ausgeführt wird, bspw. der Prozessoreinheit des zuvor genannten Systems. Ferner stellt die Erfindung einen computerlesbaren Datenträger bereit, auf den das Computerprogramm der zuvor genannten Art gespeichert ist.
Die zuvor genannten Vorteile ergeben sich somit in analoger Weise für das Computerprogramm und den computerlesbaren Datenträger.
Weitere Vorteile und Eigenschaften der Erfindung ergeben sich auch der nachfolgenden Beschreibung und den Zeichnungen, auf die Bezug genommen wird. In den Zeichnungen zeigen:
Figur 1 eine schematische Darstellung eines erfindungsgemäßen Systems,
Figur 2 eine Übersicht, die das erfindungsgemäße Verfahren zum Überwachen eines Spannungsnetzes darstellt, und
Figur 3 eine Übersicht, die das erfindungsgemäße Verfahren zum Trainieren einer künstlichen Intelligenz darstellt.
In Figur 1 ist ein System 10 gezeigt, welches ein Spannungsnetz 12 überwacht, das in der gezeigten Ausführungsform ein mehrphasiges Gebäudenetz ist, welches mit einem Versorgungsnetz 13 verbunden ist. Insofern handelt es sich bei dem Spannungsnetz 12 beispielsweise um ein Niederspannungsnetz.
Das System 10 umfasst mehrere Messgeräte 14, die mit einem Gerät 15 signalübertragend verbunden sind, beispielsweise einem Schutzgerät oder einem Mess- und/oder Auswertegerät. Sowohl die Messgeräte 14 als auch das Gerät 15 sind in der gezeigten Ausführungsform mit dem zu überwachenden Spannungsnetz 12 verbunden bzw. eingebunden. Alternativ kann das Gerät 15 aber auch getrennt vom Spannungsnetz 12 ausgebildet sein, sodass es lediglich mit den Messgeräten 14 signalübertragend verbunden ist.
Das Gerät 15 umfasst eine Prozessoreinheit 16, welche eingerichtet ist, ein Computerprogramm 18 mit Programmcodemitteln auszuführen, um das Spannungsnetz 12 zu überwachen.
Das Computerprogramm 18 kann dabei von einem computerlesbaren Datenträger 20, auf dem das Computerprogramm 18 gespeichert ist, auf der Prozessoreinheit 16 installiert worden sein, sodass das System 10, insbesondere das die Prozessoreinheit 16 aufweisende Gerät 15, in der Lage ist, ein entsprechendes Verfahren zum Überwachen des Spannungsnetzes 12 auszuführen.
Das Gerät 15 weist demnach eine entsprechende Schnittstelle auf, über die der Datenträger 20 mit dem Gerät 15 gekoppelt werden kann, um das Computerprogramm 18 zu installieren.
Auch kann das Computerprogramm 18 über eine Datenübertragungsvorrichtung 22 übermittelt worden sein, die beispielsweise als eine Kommunikationsschnittstelle ausgebildet ist, beispielsweise zur, insbesondere drahtlosen, Kommunikation mit den Messgeräten 14 und/oder einem Server. Auch kann es sich um eine LAN-Schnittstelle handeln, über die die Kommunikation des Geräts 15 möglich ist.
Das Verfahren, welches durch das Computerprogramm 18 ausgeführt wird, wird nachfolgend anhand der Figur 2 erläutert.
In einem ersten Schritt S1 wird zumindest eine erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem ersten Zeitpunkt erfasst. Dies kann mittels eines ersten der Messgeräte 14 oder über das Gerät 15 selbst erfolgen. In jedem Fall ist sichergestellt, dass das Gerät 15, insbesondere dessen Prozessoreinheit 16, die erste charakteristische Kenngröße des Spannungsnetzes 12 erfasst.
In einem zweiten Schritt S2 wird die erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem zweiten Zeitpunkt erfasst, der vom ersten Zeitpunkt verschieden ist.
Grundsätzlich kann die erste charakteristische Kenngröße des Spannungsnetzes 12 zu mehreren Zeitpunkten erfasst werden. Die erste charakteristische Kenngröße wird also mehrmals zeitlich aufeinanderfolgend, insbesondere periodisch, erfasst, sodass eine Zeitreihe/Zeitfolge der ersten charakteristischen Kenngröße vorliegt.
Ergänzend kann vorgesehen sein, dass zumindest eine zweite Größe, beispielsweise eine zweite charakteristische Kenngröße der Spannungsnetzes 12, erfasst wird, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes 12 ist. Die zweite Größe kann unabhängig vom Spannungsnetz 12 erfasst werden, beispielsweise aus einer Datenbank ausgelesen werden, auf die das Gerät 15 Zugriff hat, insbesondere mittels der Kommunikationsschnittstelle 22. Aus der Datenbank können Daten erhalten werden, die zur Analyse miteinbezogen werden, beispielsweise Umgebungsdaten wie Wetterdaten, Zeitdaten (Werktag, Wochenende, Feiertag, Tag und/oder Nacht) oder Nutzungsdaten von Systemen in der Umgebung, beispielsweise einem Fahrplan für Züge oder Nutzungsdaten von elektrischen Ladesystemen in der Umgebung. Hierdurch lassen sich zusätzliche Informationen gewinnen, die einen eventuellen Unterschied zwischen den beiden Werten der ersten charakteristischen Kenngröße des Spannungsnetzes 12 erklären, die zu den beiden Zeitpunkten gemessen worden sind.
Die aus der Datenbank erhaltene zweite Größe wird an die Prozessoreinheit 16 des Geräts 15 übertragen, sodass die Prozessoreinheit 16 die zweite Größe des Spannungsnetzes 12 erfasst.
Die zweite Größe kann aber auch eine zweite charakteristische Kenngröße der Spannungsnetzes 12 sein, die von einem der Messgeräte 14 oder vom Gerät 15 selbst erfasst wird, wobei die zweite charakteristische Kenngröße an die Prozessoreinheit 16 des Geräts 15 übertragen wird, sodass die Prozessoreinheit 16 die zweite charakteristische Kenngröße des Spannungsnetzes 12 erfasst. Sofern zwei charakteristische Kenngrößen ermittelt werden, unterscheiden sich die beiden charakteristischen Kenngrößen voneinander.
Grundsätzlich kann es sich bei der ersten charakteristischen Kenngröße des Spannungsnetzes 12 um eine Spannung, ein Strom, eine Leistung, eine Frequenz, eine Verzerrung, eine Harmonische, eine Blindleistung und/oder ein Energiewert des Spannungsnetzes 12 handeln, insbesondere einer Phase des mehrphasigen Spannungsnetzes 12. Dies gilt in analoger Weise für die zweite charakteristische Kenngröße, sofern diese zusätzlich erfasst wird.
Wie bereits vorstehend erwähnt, wird eine Zeitreihe/Zeitfolge der ersten charakteristischen Kenngröße des Spannungsnetzes 12 erfasst. Dies kann ebenfalls für die optional erfasste zweite Größe gelten. Beispielsweise wird die zweite Größe immer auch dann erfasst, wenn die erste charakteristischen Kenngröße des Spannungsnetzes 12 erfasst wird, sodass die Werte der jeweiligen Größe parallel erfasst werden, insbesondere zeitgleich.
Dies bedeutet insbesondere, dass beim Erfassen der ersten charakteristischen Kenngröße des Spannungsnetzes 12 zu den unterschiedlichen Zeitpunkten jeweils auch ein entsprechender Datensatz aus der Datenbank ausgelesen wird, was die zweite Größe darstellt, zum Beispiel die zu den jeweiligen Zeitpunkten vorliegenden Wetterdaten.
In einem dritten Schritt S3 werden zumindest die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße in die Prozessoreinheit 16 eingespeist, die die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße gemeinsam verarbeitet, sodass basierend auf der zu den zumindest zwei unterschiedlichen Zeitpunkten erfassten, ersten charakteristischen Kenngröße ein zukünftiger Zustand des Spannungsnetzes 12 durch die Prozessoreinheit 16 prognostiziert wird.
Zusätzlich kann vorgesehen sein, dass die zumindest einmalig erfasste zweite Größe, die unterschiedlich zur ersten charakteristische Kenngröße des Spannungsnetzes 12 ist, ebenfalls gemeinsam verarbeitet wird, um den zukünftigen Zustand des Spannungsnetzes 12 durch die Prozessoreinheit 16 zu prognostizieren.
Zur Prognose weist die Prozessoreinheit 16 eine künstliche Intelligenz 24 auf, die zumindest die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße als Eingangsgröße erhält und den zukünftigen Zustand des Spannungsnetzes 12 als Ausgangsgröße ausgibt.
Die künstliche Intelligenz 24 kann wenigstens ein künstliches neuronales Netz umfassen, bspw. ein faltendes neuronales Netzwerk (CNN) oder ein künstliches rekurrentes neuronales Netz (RNN), wie ein Long Short-Term Memory (LSTM)- Netz oder eine „Gated Recurrent Unit“ (GRU).
Demnach ist die künstliche Intelligenz 24 in der Lage, basierend zumindest auf der erhaltenen Zeitreihe, also der Zeitfolge der ersten charakteristischen Kenngröße, einen zukünftigen Zustand des Spannungsnetzes 12 zu prognostizieren. Die künstliche Intelligenz 24 verarbeitet hierzu die mehreren Werte der ersten charakteristischen Kenngröße, die zu unterschiedlichen Zeitpunkten erfasst worden sind, indem diese als mehrdimensionaler Vektor erzeugt und von der künstlichen Intelligenz 24 entsprechend verarbeitet wird.
Der mehrdimensionale Vektor weist beispielsweise bis zu acht Dimensionen auf, bspw. acht Dimensionen pro Phase des mehrphasigen Spannungsnetzes 12. Die acht Dimensionen können durch die Spannung, den Strom, die Leistung, die Frequenz, die Verzerrung, die Harmonische, die Blindleistung und den Energiewert entsprechend abgebildet sein. Grundsätzlich kann die Dimension des Vektors aber auch höher sein, je nach Anwendungsfall.
Die künstliche Intelligenz 24 kann zuvor mittels eines Verfahrens trainiert worden sein, indem die künstliche Intelligenz 24 derart trainiert wurde, den zukünftigen Zustand des Spannungsnetzes 12 basierend auf Werten der ersten charakteristischen Kenngröße zu prognostizieren, die zu wenigstens zwei unterschiedlichen Zeitpunkten erfasst worden sind. Folglich handelt es sich bei der künstlichen Intelligenz 24 um eine trainierte künstliche Intelligenz 24.
Das entsprechende Verfahren zum Trainieren der künstlichen Intelligenz 24 ist in Figur 3 gezeigt, worauf nachfolgend Bezug genommen wird.
In einem ersten Trainingsschritt T1 wird ein Trainingsdatensatz für die künstliche Intelligenz 24 bereitgestellt, der zumindest die erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem ersten Zeitpunkt, die erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem zweiten Zeitpunkt sowie einen tatsächlichen Zustand des Spannungsnetzes 12 zu einem dritten Zeitpunkt umfasst. Der dritte Zeitpunkt ist dabei später als der erste Zeitpunkt und der zweite Zeitpunkt, sodass es sich um einen zu prognostizierenden zukünftigen Zeitpunkt ausgehend vom ersten Zeitpunkt und vom zweiten Zeitpunkt handelt.
Zusätzlich kann eine zweite Größe im Trainingsdatensatz enthalten sein, die unterschiedlich zur ersten charakteristische Kenngröße ist, sodass der Trainingsdatensatz zumindest zwei unterschiedliche Größen umfasst. Bei der zweiten Größe kann es sich um eine zweite charakteristische Kenngröße des Spannungsnetzes 12 handeln, die von der ersten charakteristische Kenngröße verschieden ist.
Insbesondere kann der Trainingsdatensatz eine Zeitreihe bzw. Zeitfolge der ersten charakteristischen Kenngröße umfassen, sodass von der ersten charakteristischen Kenngröße mehrere Werte, vorzugsweise mehr als zwei Werte, vorhanden sind, die zu unterschiedlichen Zeitpunkten gemessen bzw. erfasst worden sind.
Die optional vorgesehen zweite Größe kann auch als Zeitreihe bzw. Zeitfolge im Trainingsdatensatz enthalten sein. Der Trainingsdatensatz kann also Daten von wenigstens zwei unterschiedlichen Größen, insbesondere zwei unterschiedlichen charakteristischen Kenngrößen des Spannungsnetzes 12, für einen bestimmten Zeitraum sowie Informationen zum Zustand des Spannungsnetzes 12 umfassen, die zu einem späteren Zeitpunkt als der bestimmte Zeitraum gewonnen wurden.
Es ist aber auch möglich, dass der Trainingsdatensatz entsprechende Informationen von mehr als nur zwei unterschiedlichen Größen umfasst, insbesondere von mehr als zwei unterschiedlichen charakteristischen Kenngrößen des Spannungsnetzes 12, wodurch insgesamt mehr Informationen bzw. Daten zur Verfügung gestellt werden, wodurch das Training umfangreicher und die Aussagefähigkeit der entsprechend trainierten künstlichen Intelligenz 24 höher ist.
In einem zweiten Trainingsschritt T2 werden zumindest die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße, insbesondere die Zeitreihe bzw. Zeitfolge der ersten charakteristischen Kenngröße, in die Prozessoreinheit 16 eingespeist, die die zu trainierende künstliche Intelligenz 24 aufweist. Die die künstliche Intelligenz 24 aufweisende Prozessoreinheit 16 verarbeitet die zu den unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße, insbesondere die Zeitreihe bzw. Zeitfolge, gemeinsam und gibt einen prognostizierten zukünftigen Zustand des Spannungsnetzes 12 zu dem dritten Zeitpunkt aus, zu dem der Trainingsdatensatz den tatsächlichen Zustand des Spannungsnetzes 12 umfasst.
Demnach erlernt die künstliche Intelligenz 24 während des Trainings entsprechende Zusammenhänge zwischen den zu den beiden unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße und deren Auswirkung(en) auf den späteren Zustand des Spannungsnetzes 12, sodass die künstliche Intelligenz 24 trainiert wird, den zukünftigen Zustand des Spannungsnetzes 12 basierend auf den vergangenen bzw. aktuellen Daten zu prognostizieren.
Zusätzlich kann optional die zweite Größe mit einbezogen werden, wodurch Korrelationen zwischen den unterschiedlichen Größen beim Training erkannt werden, also Korrelationen zwischen den Werten der ersten charakteristischen Kenngröße, die zu den unterschiedlichen Zeitpunkten erfasst worden sind, und der zweiten Größe, die einmalig oder ebenfalls zu den unterschiedlichen Zeitpunkten erfasst wurde.
In einem dritten Trainingsschritt T3 wird der prognostizierte zukünftige Zustand des Spannungsnetzes 12 zum dritten Zeitpunkt mit dem tatsächlichen Zustand des Spannungsnetzes 12 zum dritten Zeitpunkt verglichen, wobei letzterer im Trainingsdatensatz enthalten war. Mittels des Vergleichs wird eine Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes 12 und dem tatsächlichen Zustand des Spannungsnetzes 12 festgestellt. Insofern wird beim Training festgestellt, wie genau die Prognose der künstlichen Intelligenz 24 bereits ist, also wie gut die Prognose den tatsächlich den Zustand trifft.
In einem vierten Trainingsschritt T4 wird die festgestellte Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes 12 und dem tatsächlichen Zustand des Spannungsnetzes 12 in die zu trainierende künstliche Intelligenz 24 rückgespeist, um Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz 24 anzupassen, sofern die Abweichung außerhalb eines Toleranzbereichs liegt. Dies ist in Figur 3 mit dem entsprechenden Pfeil angedeutet. Der Toleranzbereich kann dabei vorgegeben und/oder von einem Nutzer eingestellt worden sein.
Anschließend wird zumindest der Trainingsschritt T3 wiederholt, wobei die beim Vergleich im Trainingsschritt T3 festgestellte Abweichung zunehmend verringert wird. Die Abweichung ist nach einer gewissen Anzahl an Wiederholungen (Iterationen) derart gering, dass die Abweichung innerhalb des Toleranzbereichs liegt, sodass die Abweichung nicht mehr rückgespeist wird. Dann hat die künstliche Intelligenz 24 einen zumindest (vor-)trainierten Zustand für den Trainingsdatensatz erreicht, sodass diese verwendet werden kann.
Die künstliche Intelligenz 24 kann anschließend mit denselben Trainingsschritten T1-T4 mit entsprechenden Iterationen weitertrainiert werden, sodass die künstliche Intelligenz 24 bspw. auf weitere charakteristische Kenngrößen des Spannungsnetzes 12, insbesondere unterschiedliche Paarungen von charakteristischen Kenngrößen des Spannungsnetzes 12 trainiert wird.
Insbesondere kann das Training der künstlichen Intelligenz 24 auch das Einspeisen von mehr als zwei unterschiedlichen Größen, insbesondere charakteristischen Kenngrößen des Spannungsnetzes 12, umfassen, bspw. bis zu acht unterschiedlichen Größen oder mehr. Der entsprechende Trainingssatz, der hierzu verwendet wird, weist demnach mehr Daten auf, welche bereitgestellt und eingespeist werden.
Typischerweise werden also die Trainingsschritte T1 bis T4 für mehrere unterschiedliche tatsächliche Zustände des Spannungsnetzes 12 und/oder mehrere unterschiedliche Daten der charakteristischen Kenngrößen wiederholt, insbesondere für mehrere unterschiedliche charakteristische Kenngrößen, um die künstliche Intelligenz 24 zu trainieren. Im abschließenden Trainingsschritt T4 werden, wie bereits beschrieben, die Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz 24 derart angepasst, dass der jeweils prognostizierte zukünftige Zustand des Spannungsnetzes 12 immer innerhalb des Toleranzbereichs liegt.
Die beim Verfahren zum Überwachen des Spannungsnetzes 12 verwendete künstliche Intelligenz 24 ist gemäß dem vorgenannten Trainingsverfahren trainiert worden, sodass es sich um eine trainierte künstliche Intelligenz 24 handelt, die basierend auf zumindest zwei Werten der ersten charakteristischen Kenngröße, die zu unterschiedlichen Zeitpunkten erfasst worden sind, den zukünftigen Zustand des Spannungsnetzes 12 prognostiziert.
Die Prozessoreinheit 16, die die trainierte künstliche Intelligenz 24 umfasst, gibt demnach in einem vierten Schritt S4 den prognostizierten zukünftigen Zustand des Spannungsnetzes 12 aus. Hierbei kann es sich um einen zeitlichen Verlauf einer charakteristischen Kenngröße des Spannungsnetzes 12 handeln, insbesondere einer charakteristischen Kenngröße, die zur ersten charakteristischen Kenngröße (und zur zweiten charakteristischen Kenngröße) verschieden ist. Beispielsweise ist die künstliche Intelligenz 24 unter anderem dazu ausgebildet, den zukünftigen Verlauf einer gesamten harmonischen Verzerrung („Total Harmonie Distortion“ - TH D) des Spannungsnetzes 12 zu prognostizieren, wobei dies basierend auf den historischen Daten (Zeitreihen bzw. Zeitfolgen) des Stroms und/oder der Spannung geschieht. Grundsätzlich ist es dem Netzbetreiber und/oder dem Stromkunden bzw. dem Stromnutzer somit möglich, zukünftige Störungen bzw. Schwächephasen im Spannungsnetz 12 rechtzeitig zu erkennen und entsprechende Gegenmaßnahmen einzuleiten, um das Spannungsnetz 12 stabil zu betreiben.

Claims

Patentansprüche
1. Verfahren zum Überwachen eines Spannungsnetzes (12), mit den Schritten:
Erfassen von zumindest einer ersten charakteristischen Kenngröße des Spannungsnetzes (12) zu einem ersten Zeitpunkt,
Erfassen der ersten charakteristischen Kenngröße des Spannungsnetzes (12) zu einem zweiten Zeitpunkt, der vom ersten Zeitpunkt verschieden ist,
Einspeisen der zum ersten Zeitpunkt erfassten, ersten charakteristischen Kenngröße und der zum zweiten Zeitpunkt erfassten, ersten charakteristischen Kenngröße in eine Prozessoreinheit (16), die die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße gemeinsam derart verarbeitet, dass basierend auf der zu den zumindest zwei unterschiedlichen Zeitpunkten erfassten, ersten charakteristischen Kenngröße ein zukünftiger Zustand des Spannungsnetzes (12) prognostiziert wird, und
- Ausgeben des prognostizierten zukünftigen Zustands des Spannungsnetzes (12).
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die erste charakteristische Kenngröße eine Spannung, ein Strom, eine Leistung, eine Frequenz, eine Verzerrung, eine Harmonische, eine Blindleistung und/oder ein Energiewert ist, insbesondere für eine Phase eines mehrphasigen Spannungsnetzes (12).
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die erste charakteristische Kenngröße mehrfach erfasst wird, sodass eine mehr als zwei Zeitpunkte umfassende Zeitfolge der ersten charakteristischen Kenngröße vorliegt, welche verarbeitet wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Prozessoreinheit (16) eine künstliche Intelligenz (24) umfasst, die zumindest die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße als Eingangsgröße erhält und den zukünftigen Zustand des Spannungsnetzes (12) als Ausgangsgröße ausgibt.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die künstliche Intelligenz (24) wenigstens ein künstliches neuronales Netz aufweist, beispielsweise ein künstliches faltendes neuronales Netz oder ein künstliches rekurrentes neuronales Netz, insbesondere wobei die künstliche Intelligenz ein Long Short-Term Memory (LSTM)-Netz oder eine Gated recurrent unit (GRU) aufweist.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein mehrdimensionaler Vektor erzeugt wird, der die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße umfasst, wobei der mehrdimensionale Vektor von der Prozessoreinheit (16) verarbeitet wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zumindest ein zukünftiger zeitlicher Verlauf einer charakteristischen Kenngröße als zukünftiger Zustand des Spannungsnetzes (12) prognostiziert wird.
8. Verfahren zum Trainieren einer künstlichen Intelligenz (24) zur Prognose eines zukünftigen Zustands eines Spannungsnetzes (12), mit den folgenden Schritten:
Bereitstellen eines Trainingsdatensatzes für die künstliche Intelligenz (24), der zumindest eine erste charakteristische Kenngröße des Spannungsnetzes (12) zu einem ersten Zeitpunkt, die erste charakteristische Kenngröße des Spannungsnetzes (12) zu einem zweiten Zeitpunkt sowie einen tatsächlichen Zustand des Spannungsnetzes (12) zu einem dritten Zeitpunkt umfasst, der zeitlich später als der erste Zeitpunkt und der zweite Zeitpunkt ist,
Einspeisen der ersten charakteristischen Kenngröße zum ersten Zeitpunkt und der ersten charakteristischen Kenngröße zum zweiten Zeitpunkt in eine Prozessoreinheit (16), die die zu trainierende künstliche Intelligenz (24) aufweist, wobei die die künstliche Intelligenz (24) aufweisende Prozessoreinheit (16) die zu den unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße gemeinsam verarbeitet und einen prognostizierten zukünftigen Zustand des Spannungsnetzes (12) zum dritten Zeitpunkt ausgibt,
Vergleichen des prognostizierten zukünftigen Zustands des Spannungsnetzes (12) zum dritten Zeitpunkt mit dem tatsächlichen Zustand des Spannungsnetzes (12) zum dritten Zeitpunkt, der Teil des Trainingsdatensatzes ist, um eine Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes (12) zum dritten Zeitpunkt und dem tatsächlichen Zustand des Spannungsnetzes (12) zum dritten Zeitpunkt festzustellen, und
Rückspeisen der Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes (12) zum dritten Zeitpunkt und dem tatsächlichen Zustand des Spannungsnetzes (12) zum dritten Zeitpunkt, um Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz (24) anzupassen, sofern die Abweichung außerhalb eines Toleranzbereichs liegt.
9. System (10) zum Überwachen eines Spannungsnetzes (12), mit zumindest einer Prozessoreinheit (16), die eingerichtet ist, ein Verfahren nach einem der vorhergehenden Ansprüche durchzuführen.
10. Computerprogramm (18) mit Programmcodemitteln, um die Schritte eines Verfahrens nach einem der Ansprüche 1 bis 8 durchzuführen, wenn das Computerprogramm (18) auf einer Prozessoreinheit (16) ausgeführt wird, insbesondere der Prozessoreinheit (16) des Systems (10) nach Anspruch 9.
11 . Computerlesbarer Datenträger (20), auf dem das Computerprogramm (18) nach Anspruch 10 gespeichert ist.
EP23709196.2A 2022-03-04 2023-03-03 Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger Pending EP4487433A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022105138.2A DE102022105138B4 (de) 2022-03-04 2022-03-04 Verfahren und System zum Überwachen eines Spannungsnetzes, Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes, Computerprogramm sowie computerlesbarer Datenträger
PCT/EP2023/055481 WO2023166197A1 (de) 2022-03-04 2023-03-03 Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger

Publications (1)

Publication Number Publication Date
EP4487433A1 true EP4487433A1 (de) 2025-01-08

Family

ID=85477920

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23709196.2A Pending EP4487433A1 (de) 2022-03-04 2023-03-03 Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger

Country Status (5)

Country Link
US (1) US20250183660A1 (de)
EP (1) EP4487433A1 (de)
CN (1) CN119032481A (de)
DE (1) DE102022105138B4 (de)
WO (1) WO2023166197A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117040141B (zh) * 2023-10-10 2023-12-08 广州健新科技有限责任公司 电力智能网关的安全监测系统及方法
CN119834251A (zh) * 2024-12-20 2025-04-15 国网浙江省电力有限公司电力科学研究院 一种针对光伏配电网节点的电压预测方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3336995B1 (de) 2016-12-19 2021-07-07 Siemens Aktiengesellschaft Verfahren, steuereinrichtung und system zum ermitteln von zustandswerten zur beschreibung von betriebszuständen in einem teilnetz eines energieversorgungsnetzes
CN108390380B (zh) * 2018-05-16 2021-04-06 国网山东省电力公司青岛供电公司 一种变压器状态参量趋势预测方法及系统
EP3751699B1 (de) 2019-06-13 2021-09-15 Siemens Aktiengesellschaft Verfahren und anordnung zur schätzung eines netzzustands eines energieverteilungsnetzes
DE102019212773A1 (de) * 2019-08-26 2021-03-04 Technische Hochschule Lübeck Verfahren zur Stabilisierung eines elektrischen Energienetzes
CN111009893B (zh) * 2019-11-08 2022-07-01 广西电网有限责任公司电力科学研究院 一种基于负荷分解技术的家庭用户短期负荷预测方法

Also Published As

Publication number Publication date
WO2023166197A1 (de) 2023-09-07
US20250183660A1 (en) 2025-06-05
DE102022105138A1 (de) 2023-09-07
CN119032481A (zh) 2024-11-26
DE102022105138B4 (de) 2026-03-05

Similar Documents

Publication Publication Date Title
EP3336995B1 (de) Verfahren, steuereinrichtung und system zum ermitteln von zustandswerten zur beschreibung von betriebszuständen in einem teilnetz eines energieversorgungsnetzes
EP1543394B1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
DE10241746B4 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
EP2008352B1 (de) Verfahren zum überwachen der elektroenergiequalität in einem elektrischen energieversorgungsnetz, power-quality-feldgerät und power-quality-system
EP4487433A1 (de) Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger
EP2684335B1 (de) Energieautomatisierungsanlage und verfahren zum betreiben einer energieautomatisierungsanlage
EP3100064B2 (de) Vorrichtung sowie verfahren zur fehlererkennung in maschinen
EP3056957B1 (de) Diagnoseeinrichtung und -verfahren zur Überwachung des Betriebs eines Regelkreises
EP4600669B1 (de) System und verfahren zur identifikation einer ursache einer elektromagnetischen störung
DE102017101413A1 (de) Verfahren zur Einsatzplanung eines elektrischen Systems zur Energieversorgung
DE102019213019A1 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
EP4403932A1 (de) Verfahren und vorrichtung zur kabelfehlerfrüherkennung
DE102023101527A1 (de) Verfahren zur Zustandsüberwachung einer technischen Einrichtung
EP4185932B1 (de) Überwachung eines stromrichters
EP2577829A1 (de) Verfahren und vorrichtung zum anpassen eines produktionsablaufplans für einen produktionsprozess
EP3623890A1 (de) Verfahren zum überwachen von mehreren verfahrenstechnischen anlagen
EP1892820B1 (de) Verfahren zur Ermittlung des Risikos für einen störungsfreien Betrieb eines Frequenzumrichters
EP2388602B1 (de) Verfahren zur Diagnose von Kontakten einer Photovoltaikanlage und Vorrichtung
EP3648281A1 (de) Verfahren und einrichtung zum erkennen eines ereignisses in einem elektrischen netz
DE102018125877A1 (de) Verfahren zur sicheren Netzbetriebsführung eines elektrischen Übertragungsnetzes
DE102019125873B4 (de) Verfahren sowie sensor- und auswerteinrichtung zur dezentralen ermittlung von diagnoseinformationen über elektrische verbraucher einer maschinenanlage
EP2402832B1 (de) Verfahren und Anzeigesystem zur Kalibrierung von normierten Anzeigen von Prozessgrössen
DE102022105141A1 (de) Überwachungssystem sowie Verfahren zur Überwachung eines Spannungsnetzes
DE102021200192A1 (de) Verfahren zum Überwachen von Zuständen von Entitäten
WO2021151534A1 (de) Monitoring von leistungsschaltern

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20241001

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)