Auf der Spur defekter Kabel

Wie Big Data und KI die Zukunft des Netzbetriebs revolutionieren

Fabian Karl, Power Plus Communications AG

Sind die Kabel, die wir zum Transport von Strom verwenden, den Herausforderungen der erneuerbaren Energien überhaupt gewachsen? Der Zustand von Erdkabeln beispielsweise war bis jetzt nur sehr schwierig einschätzbar. Eine kostengünstige Methode, die ein Forschungsprojekt nun entwickelt hat, soll hier Abhilfe schaffen: das FiN-Projekt hat eine Analysemethode für die im Boden vergrabenen Stromleitungen entwickelt.

Die Energiewende stellt Netzbetreiber vor komplexe Herausforderungen. Die meisten der erneuerbaren Energieerzeuger sind in Mittel- und Niederspannungsnetzen installiert – das heißt die verwendeten Kabel sind an sonnigen und windigen Tagen deutlich stärker belastet. Dabei ist der aktuelle Kabelzustand in der Regel unbekannt, da herkömmliche Diagnoseverfahren mit hohen Kosten verbunden sind und nur selten zum Einsatz kommen. Störungen im Netzbetrieb werden jedoch weitgehend durch Kabelfehler bestimmt. Im Gegensatz zu Hochspannungskabeln, für die es bereits verschiedene Methoden zur optischen Zustandsbestimmung gibt, insbesondere durch den Einsatz von Drohnen und einer anschließenden KI-basierten Bildanalyse, existieren derzeit keine einfachen Methoden zur Bestimmung des Zustands von Erdkabeln. Im Forschungsprojekt „Fühler im Netz“ (FiN) wurde hierfür eine Lösung entwickelt, die eine effiziente Netzüberwachung und Zustandserfassung von Netzressourcen möglich macht. Das Projekt wurde vom BMWi und BMBF im Rahmen der Förderinitiative „Zukunftsfähige Stromnetze“ gefördert. Den Projektpartnern ist es gelungen, die zentralen Herausforderungen der Netzüberwachung anzugehen und erste praktikable Lösungen aufzuzeigen. So bietet der FiNAnsatz kostengünstige Methoden, die die Echtzeit-Netzüberwachung und die Zustandserkennung von Kabeln und Anlagen revolutionieren.

Breitband-Powerline

Die FiN-Methodik basiert auf der Verwendung der Breitband-Powerline (BPL) Technologie, bei der Stromkabel zur Datenübertragung im Frequenzbereich von 2 bis 30 MHz (BPL-Spektrum) genutzt werden. Die Qualität dieser Datenübertragung wird durch eine Vielzahl externer Faktoren im Stromnetz beeinflusst. Dazu gehören neben Anlagen und Muffen, Kabellänge und -typ auch das Kabelalter. Diese Faktoren können beispielsweise Signale bei der Datenübertragung auf eine bestimmte Art dämpfen. Eine systematische Analyse der BPL-Signalparameter ermöglicht folglich Einblicke in kritische Kabelzustände und Änderungen der Netztopologie. Darüber hinaus messen die in FiN entwickelten Sensor-BPL-Modems kontinuierlich die drei Phasenspannungen – eine absolute Neuheit in Niederspannungsnetzen.

Nutzung von Big Data und KI

Das Mitte 2019 gestartete und vom BMBF geförderte Folgeprojekt „Fühler im Netz 2.0“ baut auf diesen Erkenntnissen auf und erweitert sie durch den Einsatz von Big Data und Künstlicher Intelligenz (KI). Geleitet wird das Projekt von der Power Plus Communications AG, führendem Anbieter und Pionier der BPL-Technologie. Im Rahmen eines großen Feldtests werden 3500 Sensor-BPL-Modems von den Netzbetreibern Netze BW, Mainzer Netze und Energieversorgung Leverkusen installiert. Die erfassten Messwerte werden über die BPL-Kommunikation unter Verwendung des IoT-Protokolls MQTT an einen Broker im Backend (z.B. im Rechenzentrum des Netzbetreibers) übertragen. Mit diesem Broker können verschiedene Systeme diese Daten abonnieren, wodurch die Grundlage für eine Online-Analyse der erfassten Daten gebildet wird. Im Sensor BPL-Modem werden die Messdaten einmal pro Sekunde aufgezeichnet und können abhängig von einem ausgewählten Zeitintervall gesendet werden. Die großen Datenmengen, die in sehr kurzer Zeit generiert werden, werden mittels Massendatenverarbeitungsverfahren gesammelt und mithilfe von KI-Algorithmen auf Muster und Anomalien untersucht. Hierzu werden Machine Learning und Deep Learning Ansätze des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) eingesetzt. Die Algorithmen analysieren die Datenströme, erkennen Auffälligkeiten, lernen daraus und leiten Vorhersagen oder eigene Strategien ab. Somit kann eine Vorhersage des Spannungsverlaufs und der Asymmetrie zwischen den Phasen ermittelt werden. Diese Erkenntnisse werden in Zukunft insbesondere für die Integration der Elektromobilität in Verteilnetze von hoher Relevanz sein. Für die Entwicklung von KI-Algorithmen sind auch Metadaten wie Informationen zum Installationsort, den dort verwendeten Kabeln und vorhandenen dezentralen Energieerzeugern relevant. Erst mit diesen Daten kann das automatisierte Clustering seine volle Funktionalität entfalten. Aus diesem Grund planen die Projektpartner, die verschiedenen Datensysteme der Netzbetreiber für diese Art der Tiefenanalyse zur Verfügung zu stellen. Referenzwerte für die im Netz gefundenen Muster liefern darüber hinaus Labormessungen am Lehrstuhl für elektrische Energieversorgungstechnik der Bergischen Universität Wuppertal.

Erwartete Ergebnisse

Das FiN-Projekt hat bereits bewiesen, dass sowohl nicht EMV-konforme Anlagen sowie Kabel, deren Zustand sich verschlechtert hat, Spuren im BPL-Spektrum hinterlassen – und zwar in Form von sog. „Fingerprints“. Durch die massive Ausweitung des Feldtests auf über 3500 Sensor-BPL-Modems und die Einbeziehung der Netzdaten jedes Standorts wird in FiN 2.0 eine breite empirische Datengrundlage für die Identifikation von Fingerprints für Netz- und Anlagenzustände geschaffen. Diese Big Data bilden dann den Input für ein KI-Modell, dass zukünftig von Netzbetreibern im Asset Management eingesetzt werden kann. Aber nicht nur langfristige Phänomene wie die Kabelalterung lassen sich im BPL-Spektrum nachweisen. Auch kurzfristige Änderungen, etwa der Netztopologie, wie sie z.B. durch den Ausfall von NH-Sicherungen ausgelöst werden, sind dort erkennbar. Die Identifizierung solcher Veränderungen im Netz ist wiederum für die Netzbetriebsführung relevant. Daher ist ein weiteres Ziel des Forschungsprojekts die Entwicklung einer Echtzeiterkennung mittels „Complex Event Processing“. Die Expertise hierzu liefert die Software AG, die bei der Anomalie-Detektion in Datenströmen bereits viel Erfahrung aufweist. Aus der Analyse der Daten soll schließlich ein Modell entwickelt werden, welches sich für die Echtzeit-Analyse eignet. Für den Netzbetreiber ergibt sich damit perspektivisch eine auf realen Spannungswerten basierende Verteilnetzautomatisierung und eine zustandsbasierte Instandhaltungsstrategie, welche das Assetmanagement effizienter macht – und damit letztlich das Verteilnetz fit macht für die Aufnahme weiterer erneuerbarer Energieerzeuger und die Elektromobilität.