Koordinierter Netzschutz auf Basis maschineller Lernverfahren

• Antragsteller: Professor Dr.-Ing. Johann Jäger; Professor Dr.-Ing. Andreas Maier
• Fachliche Zuordnung: Elektrische Energiesysteme, Power Management, Leistungselektronik, elektrische Maschinen und Antriebe ; Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 535389056

Der Prozess der Dekarbonisierung führt im elektrischen Energieversorgungsnetz zu einem massiven Zubau an neuen Netzbetriebsmitteln, wie beispielsweise volatile Einspeiseanlagen auf Basis regenerativer Energiequellen, Energiespeicher und hochdynamische Lasten. Zudem kommen vermehrt unkonventionelle Netzstrukturen und Netzbetriebsweisen, wie beispielsweise hohe Vermaschungsgrade oder Mehrbeinanordnungen in den Verteilungsnetzen sowie kurativer Redispatch mit temporärer Höherauslastung in den Übertragungsnetzen, hinzu. Der dringende Bedarf eines koordinierten Netzschutzes zum Erhalt von Versorgungszuverlässigkeit und Netzsicherheit bleibt bestehen. Aufgrund der zunehmenden Unschärfe bei der Trennung zwischen Betriebs- und Fehlerszenarien sowie multivariater Netzstrukturen und Netzbetriebsweisen stoßen klassische Netzschutzverfahren an ihre Grenzen. Selbst Adaptivschutzkonzepte können dieser Herausforderung in ihrer vollen Ausprägung nicht ausreichend gerecht werden. Im beantragten Forschungsvorhaben wird daher ein grundsätzlich neuer Netzschutzansatz verfolgt. Hierzu sollen die grundlegenden Eigenschaften der nichtlinearen Klassifikation, des Kompetenzlernens und der Generalisierungsfähigkeit von maschinellen Lernverfahren auf Basis neuronaler Netze geschickt in der Netzschutztechnik genutzt werden und zu einer universell einsetzbaren und automatisierten Netzschutzlösung führen. Die funktionale Unterscheidung zwischen Überstromzeit-, Distanz- oder Differentialschutz ist hier nicht mehr zielführend. Auch der bisherige Planungsprozess der Schutzkoordination wird zum automatisierten Trainingsprozess von neuronalen Netzstrukturen mit gelabelten Zeitreihen von realen und simulierten Betriebs- und Störungsdaten. Entsprechend trainierte Agenten ersetzen dann die Schutzgeräte im Feld. Dabei sind zentrale oder dezentrale Lösungen möglich. Das Einbringen von physikalischem Wissen über das elektrische Netz in die neuronale Netzstruktur mit der "Known Operator Learning"-Methode stellt die wichtige Anforderung der Schutztechnik an Robustheit und Nachvollziehbarkeit sicher. Der neue Ansatz soll an einem Labormodell eines Netzes mit digitaler Schaltanlagenkonfiguration und mit Hilfe eines Echtzeit-Netzsimulator (RTDS) hardwarenah implementiert und getestet werden. Mit der Durchführung dieses Forschungsvorhabens wird ein wichtiger Beitrag für den Erhalt der Versorgungszuverlässigkeit und Netzsicherheit in zukünftigen Netzen geleistet und nicht zuletzt auch die Digitalisierung der Netze vorangetrieben.

• DFG-Verfahren: Sachbeihilfen