27 aug. 2019
2 minuten
Het elektriciteitsnet verandert en grote leveranciers worden steeds vaker vervangen door kleinere, alternatieve aanbieders. Om zulke complexe netwerken stabiel te houden, is hoge-resolutie sensortechnologie nodig. AI biedt een manier om nauwkeurige voorspellingen te doen en storingen automatisch in real time te detecteren. Fraunhofer-onderzoekers ontwikkelden compressietechnieken, algoritmes en neurale netwerken voor deze stroomvoorziening van de toekomst.
De verschuiving naar alternatieve energiebronnen en -aanbieders heeft een grote impact op ons elektriciteitsnet. Hoe kan de goede werking van netparameters, zoals frequenties, worden gecontroleerd? Werkt het net überhaupt wel goed? Of zijn er leidingen of elektriciteitscentrales uitgevallen? De huidige standaard meettechniek is niet meer in staat om op betrouwbare wijze antwoorden te geven op dit soort vragen. Steeds meer operators maken daarom gebruik van extra PMU’s en andere digitale oplossingen. Deze meten de amplitude en fase van stroom en spanning tot 50 keer per seconde. Dit proces genereert elke dag gigabytes aan data.
Onderzoekers van Advanced System Technology (AST) van het Fraunhofer Instituut voor Optronics, System Technologies and Image Exploitation (IOSB) zoeken naar manieren om die gegevensverwerking te verbeteren met behulp van kunstmatige intelligentie. "Met AI kunnen we tot 4,3 miljoen datasets per dag automatisch registreren, comprimeren en verwerken", zegt prof. Peter Bretschneider, hoofd van de energieafdeling van AST bij Fraunhofer IOSB.
Data comprimeren
In de eerste fase hebben de onderzoekers een compressietechniek bedacht die 80 procent van de gegevens bespaart. Niet alleen is het gemakkelijker om de gegevens op te slaan, maar verwerken gaat ook sneller en efficiënter. In de tweede fase gebruikten de onderzoekers de verzamelde meetdata om neurale netwerken toe te passen, één van de belangrijkste elementen bij kunstmatige intelligentie. Ze voeden de neurale netwerken met voorbeelden van systeemuitval. Op deze manier leren algoritmen geleidelijk aan om normale bedrijfsgegevens te onderscheiden van systeemstoringen.
Snelle beslisser
Na deze fase pasten de onderzoekers de neurale netwerken toe op actuele meetgegevens die voorheen handmatig werden verwerkt. De eerste real-time toepassing van het algoritme, waarbij het in een fractie van een seconde beslissingen nam over waar zich een afwijking of fout voordoet, de aard en de locatie van die storing. Neem bijvoorbeeld een energiecentrale. Als die uitvalt, kan een abrupte piek in de belasting van de andere centrales worden verwacht. De toegenomen belasting vertraagt de generatoren en de frequentie neemt af. De frequentie van de stroomtoevoer naar de andere centrales is dan ook lager. Dit vraagt om snelle maatregelen, want als de frequentie onder een drempelwaarde zakt, kan de exploitant gedwongen worden om delen van het net af te snijden om de stabiliteit van het systeem te behouden. Het gaat om minder dan 500 milliseconden, aangezien het algoritme in staat is om binnen 20-50 milliseconden een beslissing te nemen.
Lege snelweg
De ontwikkeling is volgens Bretschneider niet alleen interessant voor grote beheerders van elektriciteitsnetten, maar ook voor regionale partijen: "Want wat heeft het voor zin om lege snelwegen te hebben als de kleinere regionale wegen permanent geblokkeerd zijn?" De onderzoekers kijken ondertussen verder. "Want als we blijven streven naar duurzame energie, dan kan dit leiden tot situaties die we nog niet eens kennen", zegt Bretschneider.
Bron: Aandrijven en Besturen
Anderen lazen ook
