Salzburg Research eröffnete für einen Stromverteilnetzbetreiber das Potenzial von Telekom-Diagnosedaten für die Störungsdiagnostik im Niederspannungsnetz: Mit Hilfe von Machine Learning kann die Ursache für ca. 70 Prozent der Niederspannungsnetzstörungen ohne zusätzliche Hardware automatisch detektiert werden.
Herausforderung
Der Auftraggeber betreibt ca. 5300 Trafostationen im gesamten Versorgungsgebiet. Je eher eine Störung erkannt werden kann, desto rascher kann die Störungsbehebung eingeleitet werden. Daher wollte der Stromverteilnetzbetreiber seine Störungsdiagnostik auf das Niederspannungsnetz erweitern.
In den Niederspannungsnetzen jeder Trafostation des Auftraggebers gibt es Telekomgeräte, die zur Störungsdiagnostik verwendet werden können. Unklar ist jedoch, ob die zur Verfügung stehende Telekomnetz-Diagnosedaten ausreichend Informationen enthalten, um eine Störung im Niederspannungsnetz zu detektieren.
Lösung
Salzburg Research beantwortete diese Fragen für den Verteilnetzbetreiber mittels Machine Learning. Auf Basis der Informationen der vorliegenden Telekomstörung wird automatisiert detektiert, ob es sich um eine Telekomstörung oder um eine Störung im Verteilnetz handelt. In die Entscheidung flossen die Stromnetztopologie, die Telekom-Topologie sowie aktuell vorliegende Mittel-/Hochspannungsnetz- und Telekomstörungen ein. Als Ergebnis wird die Ursachenwahrscheinlichkeit für eine Niederspannungsnetzstörung bzw. eine Telekomstörung geliefert.
Nutzen
Die Analyse von Salzburg Research zeigte, dass für ca. 70 Prozent der Niederspannungsnetzstörungen eine automatische Detektion auf Basis der Telekom-Diagnosedaten möglich ist. Durch die Nutzbarmachung von Telekom-Diagnosedaten können ohne zusätzliche Investitionen in Hardware Niederspannungsnetzstörungen live detektiert werden. Dadurch kann früher mit der Störungsbehebung begonnen werden und somit die Zeit der Versorgungsunterbrechung reduziert werden.
Mehr Information:
