AI-Powered Fault Prediction in 1100-kV Power Transmission Systems: From Algorithm-Driven Protection to Intelligent, Predictive Systems

Hochspannungsleitungen sind die Adern des Stromnetzes; sie transportieren gewaltige Mengen an Energie von entfernten Kraftwerken zu Städten und Industrien. Wenn diese Leitungen durch einen Sturm, einen umgestürzten Baum oder einen Funkenüberschlag über einen verschmutzten Isolator beschädigt werden, muss der Strom fast augenblicklich abgeschaltet werden, um eine Kaskade von Ausfällen zu verhindern, die ganze Regionen in einen Blackout stürzen könnten. Jahrzehntelang haben die Geräte, die diese Entscheidung treffen, auf starren, vorprogrammierten Regeln basiert. Sie warten darauf, dass ein Fehler auftritt, messen die elektrischen Signale und, wenn diese Signale einem bestimmten Muster entsprechen, lösen sie einen Schalter aus. Dieses System funktioniert gut bei eindeutigen Problemen, hat aber Schwierigkeiten bei subtilen Schäden, wie etwa einem hochohmigen Fehler, der durch einen Baumzweig oder eine Schicht aus Salz und Staub auf einem Isolator verursacht wird. In diesen kniffligen Situationen versagen die alten Regeln oft darin, die Gefahr zu erkennen, oder – schlimmer noch – sie schalten den Strom unnötigerweise ab und verursachen so einen Blackout, der hätte vermieden werden können.

Forscher untersuchen nun einen anderen Ansatz: den Einsatz von künstlicher Intelligenz, um diese Schutzsysteme zu unterstützen. Anstatt nur auf einen Fehler zu reagieren, nachdem er aufgetreten ist, zielen diese neuen Systeme darauf ab, vorherzusagen, wann ein Ausfall wahrscheinlich eintreten wird, und die genaue Art eines Fehlers in dem Moment zu identifizieren, in dem er eintritt. Dieser Übergang vom reaktiven zum prädiktiven Betrieb ist besonders kritisch für Ultrahochspannungsleitungen, da diese so viel Energie übertragen, dass ein einzener unnötiger Auslösevorgang ebenso disruptiv sein kann wie der Verlust eines großen Kraftwerks. Die Herausforderung besteht darin, diese intelligenten Systeme schnell und präzise genug zu machen, um neben den vertrauenswürdigen, zertifizierten Sicherheitsgeräten zu arbeiten, die das Netz derzeit bewachen, ohne neue Risiken einzuführen.

Ein Forscher hat einen neuen Rahmen entwickelt und getestet, der darauf abzielt, diese intelligente, prädiktive Kapazität auf eine 1.100-Kilovolt-Übertragungsleitung zu bringen, eine der höchsten Spannungsebenen weltweit. Er erstellte ein hochdetailliertes digitales Modell eines 360 Kilometer langen Abschnitts einer solchen Leitung, einschließlich der massiven Masten, Bündelleitungen und speziellen Reaktoren, die den Stromfluss steuern. Mithunter Verwendung dieses Modells simulierte er Tausende von Szenarien, darunter Fehler durch Bäume, Verschmutzung und Blitzeinschläge sowie normale Störungen wie plötzliche Änderungen der Witterung oder der Last. Das Ziel war es zu sehen, ob ein System der künstlichen Intelligenz die standardmäßigen, regelbasierten Schutzmethoden, die derzeit im Einsatz sind, übertreffen kann.

Der Forscher entwickelte ein zweiteiliges System. Der erste Teil ist eine prädiktive Ebene, die Daten aus den Tagen vor einem potenziellen Ereignis analysiert. Sie überwacht Bedingungen wie Luftfeuchtigkeit, Wind, Staubgehalt und die Menge der durch die Leitung fließenden Elektrizität, um das Risiko eines Fehlers in den nächsten 24 Stunden abzuschätzen. Der zweite Teil ist eine Schutzebene, die in der Millisekunden-Spalte nach einem Fehler arbeitet. Diese Ebene analysiert die elektrischen Signale der Leitung, um schnell zu identifizieren, welche Art von Fehler aufgetreten ist, wo er lokalisiert ist und ob es sicher ist, den Strom abzuschalten. Entscheidend ist, dass dieses neue System die bestehenden Sicherheitsgeräte nicht ersetzt. Stattdessen fungiert es als intelligenter Assistent, der seine eigene Analyse an das zertifizierte Schutzgerät liefert, welches die endgültige Entscheidung über das Auslösen des Schalters trifft.

In seinen Simulationen zeigten die Ergebnisse eine signifikante Verbesserung gegenüber herkömmlichen Methoden. Das Standard-Schutzsystem, das auf festen Regeln basiert, identifizierte interne Fehler etwa 83 Prozent der Zeit korrekt. Das neue System der künstlichen Intelligenz hingegen identifizierte die Art des Fehlers mit einer Genauigkeit von 99,2 Prozent. Dieser Unterschied wurde besonders wichtig beim Umgang mit schwierigen Fehlern, wie etwa jenen, die durch einen hohen Widerstand verlaufen, wie einen Baumzweig oder einen verschmutzten Isolator. Das alte System erkannte diese hochohmigen Erdschlüsse fast die Hälfte der Zeit nicht, während das neue System 80 Prozent von ihnen erfasste. Darüber hinaus traf das neue System seine Entscheidungen viel schneller und verkürzte die Zeit bis zum Erreichen eines Ergebnisses von über 20 Millisekunden auf unter 12 Millisekunden. Diese Geschwindigkeit ist entscheidend für die Stabilität des Netzes.

Das System erwies sich auch bei der Lokalisierung des Fehlers als effektiv. Traditionelle Methoden haben oft Schwierigkeiten, den genauen Ort zu bestimmen, wenn der Widerstand hoch ist, und liegen manchmal um Zehn- oder sogar Dutzend Kilometer daneben. Der neue Ansatz, der physikbasierte Standardberechnungen mit künstlicher Intelligenz kombiniert, reduzierte den durchschnittlichen Fehler auf nur 7,1 Kilometer. Diese Präzision hilft den Technikerteams, das Problem viel schneller zu finden und zu beheben. Über den unmittelbaren Schutz hinaus zeigte die prädiktive Ebene auch Potenzial für die Wartung. Durch die Analyse von Wetter- und Zustandsdaten konnte das System Abschnitte der Leitung identifizieren, die ein hohes Risiko für einen Ausfall aufweisen, bis zu einem Tag im Voraus. In den Simulationen identifizierte dieses Frühwarnsystem 62 Prozent der Fehler, bevor sie auftraten, im Vergleich zu nur 42 Prozent bei standardmäßigen Überwachungsregeln.

Der Forscher testete auch, wie diese prädiktive Fähigkeit die Wartungsarbeit verändern könnte. Anstatt Isolatoren nach einem festen Zeitplan oder erst dann zu waschen, wenn ein Sensor ein bestimmtes Verschmutzungsniveau erkennt, schlug das neue System vor, nur die Abschnitte zu waschen, die das höchste Risiko aufweisen, aufgrund von Verschmutzung einen Überschlag zu verursachen. Dieser gezielte Ansatz reduzierte die erwartete Anzahl der verschmutzungsbedingten Lichtbögen um 30 Prozent bei gleichzeitig geringerem Einsatz von Reinigungsteams im Vergleich zu einem Standard-Kalenderplan. Dies deutet darauf an, dass Versorgungsunternehmen Geld und Ressourcen sparen können, während sie die Zuverlässigkeit des Netzes erhöhen.

Trotz dieser vielversprechenden Ergebnisse betont der Forscher, dass seine Ergebnisse aus Computersimulationen stammen und nicht aus realen Felddurchläufen. Das digitale Modell war zwar unglaublich detailliert, vereinfachte jedoch immer noch einige komplexe physikalische Verhaltensweisen, wie etwa die Art und Weise, wie Elektrizität durch die Luft überspringt oder wie Sensoren Signale verzerren könnten. Der Forscher merkt an, dass diese Technologie, bevor sie an tatsächlichen Stromleitungen eingesetzt werden kann, strengen Tests mit realer Ausrüstung unterzogen werden muss und zertifiziert werden muss, um strenge Sicherheitsstandards zu erfüllen. Er weist auch darauf hin, dass die künstliche Intelligenz nur so gut ist wie die Daten, mit denen sie trainiert wurde; wenn die reale Welt eine Situation präsentiert, die das System noch nie gesehen hat, wird es möglicherweise nicht so gut abschneiden.

Die Studie kommt zu dem Schluss, dass die Zukunft des Leitungsschutzes in einem geschichteten Ansatz liegt. Die zertifizierten, regelbasierten Geräte, die das Netz seit Jahrzehnten sicher halten, sollten weiterhin die Kontrolle über die Entscheidung zur Stromabschaltung behalten. Sie können jedoch durch intelligente Systeme unterstützt werden, die Risiken vorhersagen, die Fehlererkennung beschleunigen und präzise Standortdaten liefern. Diese Kombination ermöglicht es dem Netz, resilienter zu werden, indem sie Probleme erkennt, die zuvor unsichtbar waren, und auf sie mit einer Geschwindigkeit und Genauigkeit reagiert, die menschliche Bediener oder einfache Algorithmen allein nicht erreichen könnten. Der Weg nach vorn besteht darin, diese neuen Werkzeuge sorgfältig zu integrieren und sicherzustellen, dass sie robust gegenüber Fehlern und Cyberbedrohungen sind und ihre Zuverlässigkeit in der realen Welt unter Beweis stellen, bevor man ihnen die Sicherheit des gesamten Stromnetzes anvertraut.