Risk-Based Dynamic Thermal Rating in Distribution Transformers via Probabilistic Forecasting

Diese Studie stellt einen probabilistischen Rahmen vor, der auf quantilregressionsbasierten Modellen beruht, um dynamische thermische Schutzsettings für Verteiltransformatoren vorherzusagen und so durch eine risikobewusste Anpassung der Betriebsparameter eine Kapazitätssteigerung von 10–12 % bei gleichzeitiger Gewährleistung der thermischen Sicherheit zu erreichen.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschung, als würde man sie einem Freund beim Kaffee erzählen – ohne Fachchinesisch, aber mit ein paar bildhaften Vergleichen.

Das Problem: Der sture Sicherheitsmann

Stell dir vor, ein Verteiltrafo (ein großes Stromtransformator-Gerät auf dem Strommast) ist wie ein LKW, der Waren (Strom) zu den Häusern bringt.

• Die alte Regel: Früher haben die Stromversorger gesagt: „Wir lassen diesen LKW nur bis zu 80 % seiner maximalen Tragkraft fahren, egal was passiert." Warum? Weil sie Angst hatten, dass der Motor (die Wicklungen im Trafo) überhitzt und kaputtgeht.
• Das Problem: Diese Regel ist extrem stur. Sie gilt immer, auch wenn es draußen kalt ist und der Motor eigentlich locker 120 % schaffen würde. Das ist, als würde ein LKW-Fahrer im Winter, wenn die Straße glatt ist, trotzdem nur mit 20 km/h fahren, weil er im Sommer bei Hitze nicht schneller durfte.
• Die Folge: Viele Trafos sind heute überlastet, weil die Nachfrage steigt (mehr E-Autos, Wärmepumpen), aber die alten, konservativen Sicherungen lassen keinen mehr zu. Neue Trafos zu kaufen ist teuer und dauert ewig.

Die Lösung: Ein intelligenter, vorausschauender Navigator

Die Forscher aus Newcastle und Glasgow haben eine neue Methode entwickelt, die man sich wie einen intelligenten Navigationscomputer vorstellen kann.

Statt stur zu sagen „Nie mehr als 80 %", schaut dieser Computer:

1. Wie ist das Wetter morgen? (Kalt ist gut für den Motor).
2. Wie viel Last hatten wir gestern?
3. Wie ist der Zustand des Motors?

Basierend darauf sagt der Computer: „Hey, morgen ist es kalt und die Last ist vorhersehbar. Du kannst den LKW heute auf 115 % hochdrehen, ohne dass der Motor schmilzt."

Wie funktioniert das Magische? (Die drei Schritte)

Die Forscher haben drei Tricks angewendet, um das sicher zu machen:

1. Der „Schwarm-Intelligenz"-Effekt (Clustering)
Ein einzelner LKW-Fahrer hat vielleicht nicht genug Daten, um zu wissen, wie sein Motor bei jedem Wetter reagiert. Aber wenn man 644 LKWs (Trafos) zusammenbringt, die ähnlich gebaut sind und in ähnlichen Gegenden stehen, lernen sie voneinander.

• Vergleich: Es ist wie eine große WhatsApp-Gruppe von Fahrern. Wenn einer sagt: „Bei -5 Grad kann ich 110 % fahren", wissen das alle anderen auch. So wird das Modell schlauer, als wenn jeder nur auf sich allein gestellt wäre.

2. Die direkte Vorhersage (Der direkte Weg)
Früher haben viele versucht, erst den Stromverbrauch für morgen vorherzusagen und dann daraus zu berechnen, wie viel Last der Trafo tragen kann. Das ist wie ein Rezept, bei dem man erst die Zutaten kauft, dann das Gericht kocht und dann hofft, dass es schmeckt. Wenn man bei einer Zutat einen Fehler macht, ist das ganze Gericht verdorben.

• Der neue Weg: Die Forscher sagen: „Vergiss das Kochen. Wir sagen dir direkt, wie viel du essen darfst." Sie trainieren die KI so, dass sie direkt die sichere Grenze (den sogenannten „Skalierungsfaktor") vorhersagt. Das spart Fehlerquellen und ist viel genauer.

3. Die Risiko-Waage (Wahrscheinlichkeiten)
Das ist der coolste Teil. Die KI gibt keine feste Zahl aus, sondern eine Wahrscheinlichkeit.

• Stell dir vor, die KI sagt: „Wenn wir die Grenze auf 112 % setzen, haben wir eine 98 %ige Sicherheit, dass nichts passiert. Wenn wir auf 115 % gehen, sinkt die Sicherheit auf 90 %."
• Der Stromversorger (der DNO) kann dann selbst entscheiden: „Wir sind risikofreudig, wir nehmen 90 % Sicherheit." Oder: „Wir sind vorsichtig, wir bleiben bei 99 %."
• Vergleich: Es ist wie beim Autofahren. Du entscheidest selbst, wie nah du an die rote Ampel ranfährst, basierend darauf, wie viel Zeit du hast und wie vorsichtig du bist. Die KI gibt dir nur die genaue Statistik dazu.

Das Ergebnis: Mehr Strom, ohne Explosionen

Was bringt das alles?

• Mehr Kapazität: Die Trafos können im Durchschnitt 10–12 % mehr Strom liefern, ohne zu überhitzen. Das ist, als würde man einem LKW plötzlich 200 kg mehr zuladen, ohne dass er langsamer wird.
• Sicherheit: Auch wenn die Wettervorhersage mal nicht 100 % stimmt (was passiert!), bleibt das Risiko, dass der Trafo überhitzt, genau so hoch, wie der Versorger es eingestellt hat.
• Kein neuer Kram: Man muss keine neuen Trafos kaufen. Man braucht nur eine Software-Update für die vorhandenen Sicherungen (die sogenannten „numerischen Relais").

Fazit

Die Forscher haben einen Weg gefunden, wie wir unsere alten, sturen Stromnetze in smarte, flexible Systeme verwandeln können. Anstatt alles stur zu begrenzen, schauen wir auf das Wetter und die Geschichte, um das Maximum aus dem herauszuholen, was wir schon haben – und das alles mit einer klaren, berechenbaren Sicherheit.

Kurz gesagt: Wir machen aus dem sturen Sicherheitsmann einen schlauen Navigator, der uns hilft, mehr aus unseren Ressourcen zu holen, ohne uns in Gefahr zu begeben.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Risk-Based Dynamic Thermal Rating in Distribution Transformers via Probabilistic Forecasting" auf Deutsch:

1. Problemstellung

Verteilnetztransformatoren (Niederspannung, LV) stehen vor einem wachsenden Spannungsfeld: Die Nachfrage steigt prognostiziert bis 2050 um 50–100 %, während die Kosten und Lieferzeiten für den Austausch von Transformatoren zunehmen. Dies macht eine effizientere Nutzung bestehender Assets zwingend erforderlich.
Das Hauptproblem liegt in der aktuellen Schutztechnik:

• Starre Schutzgeräte: Herkömmliche Schutzgeräte (z. B. Sicherungen, Miniatur-Leistungsschalter) arbeiten mit statischen, konservativen Auslöseschwellen. Sie begrenzen die verfügbare Kapazität des Transformators oft unnötig, selbst wenn thermische Grenzen noch nicht erreicht sind.
• Mangelnde Flexibilität: Obwohl numerische Relais (Anpassbare Schutzgeräte) existieren, fehlt es an einer praktikablen Methode, deren Auslöseschwellen dynamisch an die thermischen Bedingungen anzupassen, ohne das Überhitzungsrisiko zu erhöhen.
• Unsicherheit bei deterministischen Ansätzen: Bisherige Ansätze zur dynamischen thermischen Bewertung (DTR) basieren oft auf deterministischen Lastprognosen. Diese führen zu einer Kumulierung von Fehlern und bieten keine direkte Quantifizierung des Überhitzungsrisikos.

2. Methodik

Die Autoren schlagen einen probabilistischen Rahmen vor, der die Auslöseschwellen von Schutzgeräten direkt basierend auf historischen Daten und Wettervorhersagen prognostiziert.

A. Thermisches und Schutzmodellierung:

• Thermisches Modell: Es wird das IEEE-Thermomodell verwendet, um die Hotspot-Temperatur ($\theta_H$) basierend auf der Umgebungstemperatur, der Top-Oil-Temperatur und der Last zu schätzen. Die Last wird in eine Wicklungs-Last (für Hotspots) und eine Top-Oil-Last (für Ölerwärmung) unterteilt, um Phasenungleichgewichte zu berücksichtigen.
• Schutzgrenze: Als kritische Schwelle wird eine Hotspot-Temperatur von 140 °C festgelegt (Grenze für die Bildung von Blasen im Isolieröl).
• Skalierungsfaktor ($k$): Numerische Relais können ihren Auslösestrom durch einen Skalierungsfaktor $k$ anpassen. Ein höheres $k$ erlaubt höhere Lasten, solange die Hotspot-Temperatur 140 °C nicht überschreitet.

B. Prognose-Ansatz (Der Kern der Innovation):
Statt Lasten vorherzusagen und daraus $k$ zu berechnen (was Fehler kumuliert), wird $k$ direkt prognostiziert.

1. Clustering: Da einzelne Transformatoren oft nur wenige historische Datenpunkte haben, werden 644 Transformatoren in Cluster gruppiert. Dies nutzt Ähnlichkeiten in Lastprofilen und Metadaten (z. B. Rated Power, Kundenanzahl), um Überanpassung zu vermeiden und die Generalisierung zu verbessern.
2. Feature-Engineering: Eingangsdaten umfassen historische Lasten (Peak/Off-Peak), Phasen-Ungleichgewichte, Kalenderdaten (Wochentag, Feiertage) und Temperaturdaten.
3. Probabilistische Vorhersage: Es wird LightGBM mit Quantil-Regression verwendet. Das Modell lernt nicht einen einzigen Wert, sondern eine Verteilung.
   • Das Ziel ist die Vorhersage des optimalen Skalierungsfaktors für den nächsten Tag.
   • Durch die Wahl eines bestimmten Perzentils (z. B. 5. Perzentil) kann der Netzbetreiber (DNO) das Risiko steuern: Ein niedrigeres Perzentil bedeutet eine konservativere Einstellung (geringeres Risiko, geringere Kapazität), ein höheres Perzentil bedeutet mehr Kapazität bei höherem Risiko.

3. Wichtige Beiträge

• Direkte probabilistische Prognose: Der erste Ansatz, der den optimalen Skalierungsfaktor für Schutzgeräte direkt prognostiziert, anstatt ihn über Lastprognosen abzuleiten. Dies eliminiert die Fehlerkaskade mehrstufiger Modelle.
• Risikobasierte Steuerung: Die Methode ermöglicht es Netzbetreibern, das Risiko der Überhitzung direkt über die Wahl des Prognose-Perzentils zu steuern. Ein Perzentil von $p$% entspricht einer $p$%igen Wahrscheinlichkeit, dass die Hotspot-Grenze überschritten wird.
• Skalierbarkeit durch Clustering: Die Kombination aus Clustering und maschinellem Lernen ermöglicht eine robuste Anwendung auf große Flotten von Transformatoren mit begrenzten Einzel-Datensätzen.
• Vergleich mit Multi-Stage-Ansätzen: Die Studie zeigt, dass der direkte Ansatz dem herkömmlichen Weg (Lastprognose $\rightarrow$ Berechnung von $k$) überlegen ist.

4. Ergebnisse

Die Methode wurde mit Daten von 644 britischen Niederspannungstransformatoren über 183 Tage im Winter 2024/25 validiert.

• Kapazitätssteigerung: Im Vergleich zu statischen Einstellungen (Faktor 1,05) konnte eine zusätzliche Kapazität von 10–12 % erzielt werden.
• Risikokontrolle:
  • Bei Wahl des 2. Perzentils stieg die mittlere Kapazität um über 10 %, während das Risiko, die 140 °C-Grenze zu überschreiten, bei nur 2,0 % lag.
  • Die Kalibrierung der Modelle war hoch: Bei einem 90 %igen Vorhersageintervall lag der tatsächliche Wert in 90 % der Fälle innerhalb der Grenzen (auch bei realistischen Temperaturprognosefehlern von $\pm$2 °C).
• Vergleich der Methoden:
  • Der direkte Ansatz erreichte eine Abdeckung (Coverage) von 90 %.
  • Der Last-basierte Multi-Stage-Ansatz erreichte nur 17 % Abdeckung, da sich Fehler in den einzelnen Lastprognosen aufsummierten und Phasenwechselwirkungen nicht korrekt erfasst wurden.
• Robustheit: Selbst im Worst-Case-Szenario (niedrigste Abdeckung im Testset) führte die Nutzung des 5. Perzentils nur zu einer maximalen Hotspot-Temperatur von 140,8 °C, was die praktische Sicherheit des Ansatzes unterstreicht.

5. Bedeutung und Ausblick

Dieses Paper bietet einen praktischen Weg für Netzbetreiber (DNOs), die durch den Ausbau erneuerbarer Energien und Elektromobilität unter Druck stehenden Verteilnetze zu stabilisieren, ohne sofort neue Transformatoren installieren zu müssen.

• Operative Flexibilität: Die Methode erlaubt eine automatisierte, tagesaktuelle Anpassung der Schutzschwellen, um die Kapazität bei günstigen thermischen Bedingungen (z. B. kalte Nächte) zu maximieren.
• Risikomanagement: Sie verschiebt die Entscheidungsfindung von einer rein technischen auf eine risikobasierte Ebene, die den Risikobereitschaft des Betreibers entspricht.
• Zukunft: Die Autoren sehen Potenzial in der Nutzung längerer Datensätze, häufigeren Aktualisierungen der Einstellungen und der Untersuchung der langfristigen Alterungseffekte durch den häufigeren Betrieb nahe der thermischen Grenzen.

Zusammenfassend demonstriert die Arbeit, dass probabilistische, direkt prognostizierte Skalierungsfaktoren eine effektive, automatisierte und risikobewusste Methode zur Maximierung der Transformatorauslastung darstellen.