agsandrew – stock.adobe.com

Digitalisierung : Wie KI potenzielle Gefahren für das Stromnetz frühzeitig erkennen kann

Echtzeitüberwachung ist entscheidend für proaktive Sicherheit.

Die Zeiten, als „Spannung” im Stromnetz eine rein physikalische Bedeutung hatte, sind vorbei. Spätestens seit dem Thriller “Blackout” von Marc Elsberg wissen wir, wie „spannungsgeladen” die Arbeit der Netzbetreiber heute sein kann. Die Gefahr, dass aus der Fiktion Realität wird, scheint heute größer denn je. Dabei bedarf es nicht einmal eines Hackerangriffs, um die Anspannung in den Leitwarten steigen zu lassen.

Für Stromnetze ist es Herausforderung genug, dass immer mehr dezentrale Erzeuger angeschlossen werden und diese zu einer volatilen Einspeisung in das Netz führen. Zusätzlich schwindet durch Elektroautos und Wärmepumpen auf der Abnehmerseite die Konstanz und Vorhersehbarkeit der Lasten vergangener Tage. Das Beherrschen veränderlicher Last- und Betriebszustände erfordert eine Überwachung der Betriebsmittel in Echtzeit. Nur so ist es möglich, schnell und gezielt auf die aktuelle Situation zu reagieren und Gefahren, die sich schleichend anbahnen, proaktiv entgegenzutreten.

Systematische Netzüberwachung

Das gemeinsam von E.ON und PSI entwickelte Softwareprodukt PSIdetect ermöglicht mit Hilfe von Künstlicher Intelligenz (KI) das frühzeitige Erkennen von Anomalien im Netzbetrieb. Damit wird erstmals eine systematische Netzüberwachung möglich. Aktuell ist es für die Detektion von Anomalien bei Einspeisern und in Transformatoren sowohl separat als auch im Systemkontext im Einsatz.

Die elektrotechnischen Messdaten, mit denen es arbeitet, werden aus dem Leitsystem bezogen. „Um PSIdetect anzulernen, werden Trainingsdaten wie historische und synthetisch erzeugte Daten sowie während des Betriebs aktuelle Prozess- und Wetterdaten benötigt“, erläutert Stefan Dalhues, Researcher Grid Operations bei der PSI Software AG. „Mit diesen Daten wird permanent ein Soll-Zustand ermittelt und mit dem Ist-Zustand verglichen. Dabei wird das Modell auf Basis historischer Daten trainiert. “

Um PSIdetect anzulernen, werden Trainingsdaten wie historische und synthetisch erzeugte Daten sowie während des Betriebs aktuelle Prozess- und Wetterdaten benötigt.

Stefan Dalhues Researcher Grid Operations bei PSI Software SE

Ampel-Dashboard ermöglicht schnellen Überblick

Die Software errechnet dabei automatisch einen Anomalie-Score, der den Zustand eines Betriebsmittels oder Systems anzeigt. Gerät beispielsweise etwas in Schwingung oder erhitzt sich, wo es nicht schwingen oder sich erhitzen sollte?

Auf Basis eines permanenten Abgleichs mit historischen Daten und definierter Grenzwerte erkennt PSIdetect schon minimale Abweichungen vom erwarteten (modellierten) Verhalten und zeigt diese an. Die Ampeldarstellung macht die Lage auf den ersten Blick einschätzbar, indem sie drei Zustände anzeigt:

  • Grün symbolisiert einen perfekt funktionierenden Betrieb.
  • Gelb bedeutet eine schwache Anomalie bzw. sich potenziell anbahnende technische Probleme.
  • Rot steht für eine starke Anomalie bzw. eine vorliegende Störung.

Der Systemführer in der Netzleitwarte erhält automatisiert Meldungen über den Zustand.

PSIdetect Dashboard: Ampeldarstellung der verschiedenen Systemzustände.

Nachdem eine Anomalie erkannt und dem Personal in der Leitwarte gemeldet wurde, startet die konkrete Analyse: 

  • Wurde der abweichende Sensorwert korrekt gemessen oder ist der Sensor defekt und hat einen Fehlalarm ausgelöst?
  • Wurde bei einer Umbaumaßnahme ein Wert falsch parametriert?
  • Wurde ein Betriebsmittel manipuliert?
  • Oder liegt ein exotischer Netzzustand vor, weil eine außergewöhnliche Außensituation eingetreten ist, etwa eine Sonnenfinsternis. 

„Im Prinzip kann man sich an einem Entscheidungsbaum entlanghangeln, um die Ursache für die Abweichung systematisch einzugrenzen“, erläutert Dalhues. 

Hilfreich sei ferner ein Abgleich mit dem Betriebsprotokoll des Leitsystems.

Eintrittswahrscheinlichkeit und Mustererkennung

Was leistet die KI bei der Detektion von Anomalien? „Wir berücksichtigen zwei Aspekte in unserer KI“, so Dalhues. 

„Zum einen führt die Software eine physikalische Bewertung des aktuellen Betriebszustandes durch, etwa bei einem Trafo. Dafür ist eine Wahrscheinlichkeitsverteilung für die Oberspannungsseite des Transformators hinterlegt. Also: Welche Messwerte sind typischerweise zu erwarten? So lässt sich ermitteln, wie wahrscheinlich ein Betriebszustand ist. Wenn ein Ausreißer gemessen wird, kann man seine Eintrittswahrscheinlichkeit bewerten. Dies kann für mehrere Dimensionen wie z. B. Spannung, Wirkleistung und Blindleistung parallel geschehen. Die Parameter kann man ins Verhältnis zueinander setzen und so eine umfassende Bewertung durchführen. 

Andererseits ist die Software in der Lage, Muster zu erkennen, sprich zeitliche Verläufe zu vergleichen und dadurch auf schleichende Veränderungen hinzuweisen.“

Jede Anomaliesuche erhält automatisch einen Zeitstempel, um Verläufe transparent zu machen. Auf einer Netzkarte wird die ermittelte Anomalie geographisch verortet, sodass Netzführer sofort im Bilde sind, wo Netztechniker hinfahren und ein technisches Problem beheben müssen. Wenn das System angeschlagen hat, kann sich das Leitwartenpersonal unterschiedliche Details anschauen, etwa eine Auflistung aller Betriebsmittel, die für die Anomalieerkennung überwacht werden. Aktuelle Anomalie-Scores werden ebenso angezeigt wie statistische Daten, um Zustände besser einordnen zu können.

Einfache Anpassung durch individuelle Parametrierung

Die Software kann nach individuellen Sensitivitätseigenschaften parametriert werden. Das heißt, Benachrichtigungen können schon bei geringeren Schwellenwerten erzeugt werden, nicht erst bei -1. Das System insgesamt kann ein- und ausgeschaltet werden, etwa bei einer Großstörung im Netz, um zu vermeiden, dass unnötig Fehlermeldungen generiert werden. Das Training der KI erfolgt im Regelfall zyklisch, kann aber auch manuell angestoßen werden, wenn etwa eine große PV-Anlage neu im Netz ist und dadurch starke Effekte für die Netzführung zu erwarten sind.

Die Anomalieerkennung bietet eine spezifische Benutzeroberfläche und ist vollständig in die Java-basierte PSI-Plattform integriert. Darüber erhalten Administratoren im Back Office, Service-Mitarbeiter und Systemadministratoren Netzzustands- und Anomalie-Informationen und können Parametrierungen vornehmen.

Mit PSIdetect werden relevante Abweichungen im Stromnetz, d. h. Anomalien, die auf mögliche Angriffe, technische Defekte oder sonstige Einflüsse zurückzu-führen sind, sicher erkannt. Dies ermöglicht frühestmöglich einen schützenden Eingriff und steigert so die Sicherheit und Zuverlässigkeit der Stromversorgung

Stefan Dalhues Researcher Grid Operations bei PSI Software SE

Baustein zur Einhaltung des IT-Sicherheitsgesetzes

Damit ist die Software auch ein wichtiger Baustein zur Einhaltung des IT-Sicherheitsgesetzes, das Netzbetreibern ab Mai 2023 den Einsatz einer Anomaliedetektion für die Leitsystemebene vorschreibt. Zielgruppe sind alle Netzbetreiber mit geeigneten Messdaten. Dabei kann es sich um Stadtwerke, Verteilnetz- oder Übertragungsnetzbetreiber handeln. Auch in Areal- bzw. Industrienetzen kann PSIdetect eingesetzt werden.

Mit PSIdetect werden relevante Abweichungen im Verhalten des Stromnetzes sicher erkannt. Dies ermöglicht frühestmöglich einen schützenden Eingriff und steigert so die Sicherheit und Zuverlässigkeit der Stromversorgung. Damit ist die Software auch ein wichtiger Baustein zur Einhaltung des IT-Sicherheitsgesetzes, das Netzbetreibern ab Mai 2023 den Einsatz einer Anomaliedetektion für die Leitsystemebene vorschreibt. Zielgruppe sind alle Netzbetreiber mit geeigneten Messdaten. Dabei kann es sich um Stadtwerke, Verteilnetz- oder Übertragungsnetzbetreiber handeln. Auch in Areal- bzw. Industrienetzen kann PSIdetect eingesetzt werden.

Ihr Kontakt

Stefan Dalhues Teamleiter Network Analysis and Decision Support, PSI Software SE - Geschäftsbereich Elektrische Energie
Kontaktieren Sie mich
Folgen Sie mir