⚡ electrical engineering

Predicting Fault-Ride-Through Probability of Inverter-Dominated Power Grids using Machine Learning

Diese Studie zeigt, dass maschinelle Lernmodelle die Fehlerdurchfahrtswahrscheinlichkeit netzinvertiergesteuerter Stromnetze mithilfe eines synthetischen Datensatzes präzise vorhersagen und diese Vorhersagen erfolgreich auf das IEEE-96-Testsystem verallgemeinern können, wodurch eine rechnerisch effiziente Alternative zu herkömmlichen dynamischen Simulationen für die Risikobewertung geboten wird.

Ursprüngliche Autoren: Christian Nauck, Anna Büttner, Sebastian Liemann, Frank Hellmann, Michael Lindner

Veröffentlicht 2026-05-06

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Christian Nauck, Anna Büttner, Sebastian Liemann, Frank Hellmann, Michael Lindner

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich das Stromnetz als eine riesige, komplexe Tanzfläche vor, auf der Elektrizität zwischen verschiedenen Partnern fließt. In der Vergangenheit wurde dieser Tanz von schweren, rotierenden Maschinen (konventionelle Kraftwerke) angeführt, die wie ein solider Rhythmusabschnitt wirkten und alle im Takt hielten. Doch heute ersetzen wir diese schweren Maschinen durch Solarpaneele und Windturbinen. Diese neuen Partner sind leichter und flexibler, besitzen aber nicht dieselbe schwere „Trägheit", um den Tanz stabil zu halten, falls jemand stolpert.

Dieser Artikel handelt davon herauszufinden, wie wahrscheinlich es ist, dass diese neue, stark von Wechselrichtern geprägte Tanzfläche auf den Beinen bleibt, wenn jemand versehentlich einen Stuhl (einen „Fehler") umstößt und ihn dann schnell wieder entfernt.

Hier ist die Aufschlüsselung der Forschung unter Verwendung einfacher Analogien:

1. Das Problem: Zu viele Szenarien zum Prüfen

Stellen Sie sich vor, Sie sind Tanzlehrer und versuchen vorherzusagen, ob eine bestimmte Gruppe von Tänzern im Gleichgewicht bleibt, wenn ihnen ein Stuhl unter den Füßen weggetreten wird.

Der alte Weg: Sie könnten jede einzelne mögliche Art simulieren, wie ein Stuhl umgestoßen werden könnte, wie hart er gestoßen wird und wo die Tänzer stehen. Doch mit tausenden von Tänzern und Millionen möglicher Szenarien dauert dies so viel Zeit und Rechenleistung, dass Sie nur eine winzige Handvoll prüfen können. Sie könnten das eine gefährliche Szenario übersehen, das dazu führt, dass die ganze Gruppe stürzt.
Die neue Idee: Die Autoren wollten Maschinelles Lernen (ML) einsetzen – stellen Sie sich dies als einen superschlauen Schüler vor, der Tausende von Simulationen beobachtet und die „Regeln des Gleichgewichts" lernt, ohne jede einzelne Simulation erneut durchführen zu müssen.

2. Die Lösung: Ein „Super-Schüler" wird trainiert

Um diesen Schüler zu unterrichten, mussten die Forscher eine riesige Bibliothek mit Übungsszenarien erstellen.

Synthetische Tanzflächen: Anstatt nur ein reales Stadtstromnetz zu untersuchen, bauten sie 1.000 verschiedene „falsche" Stromnetze am Computer. Diese Netze variierten in Größe und Aufbau, genau wie echte Städte.
Der Test: Für jeden Knoten (einen Verbindungspunkt im Netz) simulierten sie einen „Fehler" (wie einen plötzlichen Spannungsabfall) und beobachteten dann, was geschah. Sie berechneten eine „Fehler-Überlebenswahrscheinlichkeit".
- Analogie: Stellen Sie sich eine Punktzahl von 0 bis 1 vor. Eine Punktzahl von 1 bedeutet, dass der Tänzer immer im Gleichgewicht bleibt, egal wie der Stuhl umgestoßen wird. Eine Punktzahl von 0 bedeutet, dass sie immer stürzen. Eine Punktzahl von 0,5 bedeutet, dass sie die Hälfte der Zeit im Gleichgewicht bleiben.

3. Der geheime Zutat: Die Karte ist entscheidend

Die Forscher entdeckten etwas Entscheidendes: Sie können nicht nur auf den Tänzer schauen; Sie müssen auf die gesamte Tanzfläche schauen.

Lokal vs. Global: Einige Methoden betrachten nur den spezifischen Tänzer, der gestoßen wurde (lokale Merkmale). Doch der Artikel zeigt, dass ob ein Tänzer stürzt, oft davon abhängt, wer seine Nachbarn sind und wie der Boden verbunden ist (Topologie).
Das Werkzeug: Sie verwendeten eine spezielle Art von KI, ein Graph Neural Network (GNN).
- Analogie: Wenn normale KI wie ein Lehrer ist, der einen Schüler nach dem anderen betrachtet, ist ein GNN wie ein Lehrer, der das gesamte Klassenzimmer, die Tische und wie die Schüler nebeneinander sitzen, alles auf einmal sehen kann. Dies ermöglichte es der KI zu verstehen, dass ein „Stoß" in einer Ecke eine Kettenreaktion in einer anderen Ecke auslösen könnte.

4. Die Ergebnisse: Der Schüler bestand den Test

Die Forscher trainierten ihre KI mit den 1.000 falschen Netzen und testeten sie dann an einem völlig anderen, realen Testnetz (dem IEEE-96-System), das die KI noch nie gesehen hatte.

Das Ergebnis: Die KI war überraschend gut darin, die Stabilitätspunktzahlen vorherzusagen.
Der „Generalisierungs"-Erfolg: Obwohl das Testnetz anders war als die Trainingsnetze, erkannte die KI dennoch die Regeln der Stabilität. Das ist so, als würde man einen Schüler auf einem Übungsgymnastikboden unterrichten und er würde erfolgreich vorhersagen, wie eine Turnerin auf einer völlig anderen, echten olympischen Bühne performen würde.
Der Gewinner: Die KI, die die gesamte „Karte" betrachtete (das GNN), schnitt besser ab als die KI, die nur einzelne Punkte betrachtete.

5. Warum das wichtig ist

Der Artikel kommt zu dem Schluss, dass wir nicht mehr für jedes einzelne mögliche Szenario teure, langsame Simulationen durchführen müssen.

Der Vorteil: Sobald die KI trainiert ist, kann sie die Stabilität eines Netzes sofort vorhersagen. Dies hilft Netzbetreibern, „schwache Glieder" (Komponenten, die wahrscheinlich ausfallen) viel schneller zu identifizieren.
Das Ziel: Dies ermöglicht eine bessere Planung zukünftiger Stromnetze und stellt sicher, dass die Lichter auch dann an bleiben, wenn etwas schiefgeht, während wir auf 100 % erneuerbare Energie umsteigen.

Kurz gesagt: Der Artikel zeigt, dass wir durch das Training einer intelligenten KI an Tausenden von falschen Stromnetzen schnell und genau vorhersagen können, wie echte Stromnetze Notfälle bewältigen werden, was Zeit spart und Blackouts verhindert.

Technische Zusammenfassung: Vorhersage der Fehlerdurchfahrwahrscheinlichkeit netzformender Wechselrichter-dominierten Stromnetze mittels maschinellem Lernen

Problemstellung

Da Stromnetze auf 100 % erneuerbare Energiequellen (RES) umstellen, sehen sie sich erheblichen Stabilitätsproblemen gegenüber, die durch reduzierte Trägheit, dezentrale Erzeugung und volatile Produktion gekennzeichnet sind. Diese Systeme sind stark auf leistungselektronische Wechselrichter angewiesen, was einen Übergang von der traditionellen Synchronerzeugung zu netzformenden Wechselrichtern erfordert. Eine kritische Herausforderung beim Betrieb und der Planung dieser zukünftigen Netze ist die Notwendigkeit umfassender Risikobewertungen, die eine Vielzahl von Fehler-Szenarien umfassen.

Traditionelle dynamische Simulationen sind zwar genau, aber rechenintensiv. Die Kosten der probabilistischen Stabilitätsanalyse skalieren mindestens quadratisch mit der Anzahl der Knoten, was eine Analyse aller relevanten Konfigurationen für großskalige reale Netze unmöglich macht. Folglich verlassen sich Netzbetreiber oft auf konservative Annahmen oder analysieren nur eine begrenzte Menge von Fehler-Szenarien, wodurch potenziell kritische Ausfallmodi übersehen werden. Der Beitrag adressiert die Notwendigkeit effizienter Methoden zur Vorhersage der Fehlerdurchfahrwahrscheinlichkeit ( $p_{frt}$ ) – der Wahrscheinlichkeit, dass ein Netzkomponente nach der Fehlerbereinigung innerhalb der definierten Durchfahrkennlinien bleibt – ohne die prohibitiven Rechenkosten exhaustiver dynamischer Simulationen in Kauf nehmen zu müssen.

Methodik

1. Datensatzgenerierung

Um den Mangel an Trainingsdaten für die dynamische Stabilität zu überwinden, generierten die Autoren einen neuen, großskaligen Datensatz synthetischer Stromnetze:

Netztopologie: 1.000 synthetische Stromnetze wurden unter Verwendung eines zufälligen Wachstumsalgorithmus generiert, mit Größen von 70 bis 80 Knoten. Diese Größe wurde gewählt, um topologische Effekte zu erfassen und gleichzeitig rechnerisch handhabbar zu bleiben.
Komponentenmodellierung: Die Netze modellieren eine 100%ige RES-Integration.
- Netzformende Wechselrichter: Modelliert unter Verwendung der „Normalform" (ein technologieagnostisches dynamisches Modell) mit drei verschiedenen Parametersätzen (NF1, NF2, NF3), die unterschiedliche Niveaus virtueller Trägheit repräsentieren.
- Netzfolgende Wechselrichter: Modelliert als PQ-Knoten.
- Übertragungsleitungen: Modelliert unter Verwendung von Pi-Modellen mit Parametern basierend auf dem deutschen 380-kV-Übertragungssystem (dena-Standards).
Fehlersimulation: Für jeden Knoten in jedem Netz wurden 1.000 Zustände nach der Fehlerbereinigung unter Verwendung von Sobol-Folgen (Quasi-Monte-Carlo-Sampling) und einem ambienten Erzwangsalgorithmus generiert, um sicherzustellen, dass algebraische Constraints erfüllt sind.
Zielberechnung: Dynamische Simulationen wurden durchgeführt, um festzustellen, ob die Systemtransienten innerhalb definierter Spannungs- und Frequenz-Durchfahrkennlinien verblieben. Die Zielvariable $p_{frt}$ wurde als Verhältnis erfolgreicher Durchfahrten zur Gesamtzahl der untersuchten Zustände für jeden Knoten berechnet.
Validierungsset: Ein aktualisiertes IEEE-96-RTS-Testsystem, modifiziert, um netzformende Fähigkeiten und aktualisierte Leitungsparameter einzubeziehen, wurde als zurückgehaltenes Testset zur Evaluierung der Generalisierung verwendet.

2. Ansatz des maschinellen Lernens

Die Studie vergleicht zwei Klassen von Machine-Learning-(ML-)Modellen zur Vorhersage von $p_{frt}$ :

Nicht-graphische ML-Methoden: Methoden, die sich ausschließlich auf Knotenmerkmale stützen (z. B. Wirk-/Blindleistung, lokale Leitungsparameter, Knotentyp), ohne die globale Netztopologie zu berücksichtigen. Getestete Modelle umfassen Lineare Regression (linreg) und Gradient Boosted Trees (GBT).
Graph-Neuronale Netze (GNNs): Modelle, die die vollständige Graphstruktur (Knotenmerkmale, Leitungsmerkmale und Topologie) verarbeiten. Konkret verwendeten die Autoren Topological Adaptive Graph (TAG)-Faltungsschichten, die Informationen aus größeren Nachbarschaften aggregieren als Standard-Graph Convolutional Networks (GCNs).

3. Training und Evaluierung

Merkmale: Eingangsmerkmale umfassten Knotenleistungs-Sollwerte, Summen der Leitungsleitwerte/Blindwerte, Knotenkategorien (Slack, Last, netzformend) und den Realteil des Normalform-Parameters $R(B_x)$ .
Metriken: Die Leistung wurde unter Verwendung des Bestimmtheitsmaßes ( $R^2$ ) und des Spearman-Rangkorrelationskoeffizienten ( $\rho$ ) bewertet.
Regularisierung: Um Overfitting zu adressieren und die Generalisierung zu verbessern, wurde eine regularisierte Version des TAG-Modells (TAGreg) unter Verwendung von Dropout getestet.

Wichtige Ergebnisse

1. Dynamik und Topologie

Die numerische Analyse der Simulationen ergab, dass Stabilitätsergebnisse hochgradig nichtlinear sind. Szenarien mit ähnlichen Fehlergrößen (Leistungsabweichungen $\Delta P, \Delta Q$ ) führten zu divergierenden Stabilitätsergebnissen. Entscheidend zeigte die Studie, dass $p_{frt}$ stark von der Netztopologie beeinflusst wird, nicht nur von lokalen Komponentenparametern. Knoten mit identischen Maschinenparametern wiesen je nach ihrer Position innerhalb des Netzes stark unterschiedliche Stabilitätswahrscheinlichkeiten auf.

2. ML-Leistung auf synthetischen Netzen

Auf dem synthetischen Datensatz übertraf das GNN-basierte TAG-Modell nicht-graphische Methoden deutlich:

TAG: Erreichte ein $R^2$ von 90,36 % und eine Spearman-Korrelation ( $\rho$ ) von 95,05 %.
Nicht-graphische Modelle: GBT und Lineare Regression erreichten $R^2$ -Werte von etwa 62–63 %.
Dies bestätigt, dass die Einbeziehung topologischer Informationen für die genaue Vorhersage der dynamischen Stabilität in netzformenden Wechselrichter-dominierten Netzen unerlässlich ist.

3. Generalisierung auf das IEEE-Testsystem

Die Modelle wurden am IEEE-96-RTS-System getestet, das nicht Teil der Trainingsdaten war und unterschiedliche strukturelle Eigenschaften aufwies:

Initiale Generalisierung: Das Standard-TAG-Modell zeigte eine reduzierte Leistung beim IEEE-Testfall ( $R^2 \approx 60,46\%$ ) im Vergleich zu den synthetischen Daten, was auf Schwierigkeiten mit Verteilungsverschiebungen hindeutet.
Regularisiertes Modell: Das regularisierte TAG-Modell (TAGreg) verbesserte die Generalisierung und erreichte beim IEEE-Testfall ein $R^2$ von 77,47 % und ein $\rho$ von 87,32 %.
Vergleich: Obwohl GBT beim IEEE-Testfall leicht besser als das unregularisierte TAG abschnitt, übertraf das regularisierte GNN (TAGreg) GBT sowohl auf dem synthetischen als auch auf dem IEEE-Datensatz. Dies legt nahe, dass GNNs mit geeigneter Regularisierung kausale, topologieunabhängige Muster lernen können, die sich auf nicht gesehene Netzstrukturen verallgemeinern lassen.

Bedeutung und Behauptungen

Der Beitrag behauptet, dass maschinelles Lernen, insbesondere Graph-Neuronale Netze, einen gangbaren Weg bietet, um die Rechenengpässe der probabilistischen dynamischen Stabilitätsanalyse in zukünftigen Stromnetzen zu überwinden.

Effizienz: ML-Modelle können Fehlerdurchfahrwahrscheinlichkeiten mit hoher Genauigkeit in nahezu sofortiger Zeit vorhersagen, was die Analyse Tausender Konfigurationen ermöglicht, die mit dynamischen Simulationen nicht durchführbar wären.
Generalisierung: Die Fähigkeit von GNNs, die auf synthetischen Daten trainiert wurden, auf einen realen Testfall (IEEE 96-RTS) zu generalisieren, legt nahe, dass diese Modelle eingesetzt werden können, um die probabilistische Stabilität in tatsächlichen Stromnetzen zu untersuchen, ohne für jede neue Konfiguration exhaustive Simulationen durchführen zu müssen.
Operative Auswirkungen: Durch die Identifizierung kritischer Komponenten, die über ein breites Spektrum probabilistischer Szenarien hinweg anfällig für Ausfälle sind, können diese Tools Netzbetreibern helfen, sich von konservativer, statischer Planung zu lösen. Dies ermöglicht die frühzeitige Integration dynamischer Effekte in die Netzergänzungsplanung, potenziell kostspielige Kompensationsmaßnahmen zu vermeiden und die allgemeine Zuverlässigkeit von Wechselrichter-dominierten Systemen zu verbessern.

Die Autoren betonen, dass die Studie zwar synthetische Daten verwendet, die erfolgreiche Generalisierung auf den IEEE-Testfall jedoch das Potenzial unterstreicht, diese Methoden auf netzgroße Stromnetze anzuwenden, bei denen probabilistische Stabilitätsbewertungen derzeit rechnerisch prohibitiv sind.