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

Hoogspanningslijnen zijn de slagaders van het elektriciteitsnet, die enorme hoeveelheden energie van afgelegen centrales naar steden en industrieën vervoeren. Wanneer deze lijnen worden beschadigd door een storm, een gevallen boom of een vonk die over een vuile isolator springt, moet de elektriciteit bijna onmiddellijk worden afgesloten om een cascade van defecten te voorkomen die hele regio's in een black-out kunnen storten. Decennialang hebben de apparaten die deze beslissing nemen, vertrouwd op rigide, vooraf geprogrammeerde regels. Ze wachten tot er een fout optreedt, meten de elektrische signalen, en als die signalen overeenkomen met een specifiek patroon, schakelen ze een schakelaar uit. Dit systeem werkt goed voor duidelijk omschreven problemen, maar het heeft moeite met subtiele schade, zoals een fout met een hoge weerstand veroorzaakt door een boomtak of een laag zout en stof op een isolator. In deze lastige situaties falen de oude regels vaak om het gevaar te zien of, erger nog, de stroom onnodig uit te schakelen, wat een black-out kan veroorzaken die voorkomen had kunnen worden.

Onderzoekers verkennen nu een andere aanpak: het gebruik van kunstmatige intelligentie om deze beschermingssystemen te helpen. In plaats van alleen te reageren op een fout nadat deze heeft plaatsgevonden, streven deze nieuwe systemen ernaar om te voorspellen wanneer een defect waarschijnlijk zal optreden en om de exacte aard van een fout te identificeren op het moment dat deze toeslaat. Deze verschuiving van reactieve naar voorspellende werking is bijzonder cruciaal voor ultra-hogespanningslijnen, die zoveel vermogen vervoeren dat één onnodige uitschakeling even ontwrichtend kan zijn als het verlies van een grote centrale. De uitdaging is om deze intelligente systemen snel en nauwkeurig genoeg te maken om naast de vertrouwde, gecertificeerde veiligheidsapparaten die momenteel het net bewaken te werken, zonder nieuwe risico's te introduceren.

Een onderzoeker heeft een nieuw framework ontwikkeld en getest, ontworpen om deze intelligente, voorspellende capaciteit te brengen naar een 1.100-kilovolt transmissielijn, een van de hoogste voltagesniveaus ter wereld. Zij bouwden een zeer gedetailleerd digitaal model van een 360 kilometer lang traject van een dergelijke lijn, compleet met de enorme torens, bundelkabels en speciale reactoren die gebruikt worden om de stroom van elektriciteit te beheren. Met behulp van dit model simuleerden zij duizenden scenario's, inclus inclusief fouten veroorzaakt door bomen, vervuiling en bliksem, evenals normale verstoringen zoals plotselinge veranderingen in het weer of de elektrische belasting. Het doel was om te zien of een systeem met kunstmatige intelligentie de standaard, op regels gebaseerde beschermingsmethoden zou kunnen overtreffen.

De onderzoeker creëerde een tweeledig systeem. Het eerste deel is een voorspellende laag die gegevens bekijkt van de dagen voorafgaand aan een potentieel evenement. Het monitort omstandigheden zoals luchtvochtigheid, wind, stofniveaus en de hoeveelheid elektriciteit die door de lijn stroomt om het risico op een fout in de volgende 24 uur in te schatten. Het tweede deel is een beschermende laag die werkt in de fractie van een seconde nadat een fout optreedt. Deze laag analyseert de elektrische signalen van de lijn om snel te identificeren wat voor soort fout er is opgetreden, waar deze zich bevindt en of het veilig is om de stroom uit te schakelen. Cruciaal is dat dit nieuwe systeem de bestaande veiligheidsapparaten niet vervangt. In plaats daarvan fungeert het als een slimme assistent, die een eigen analyse aanbiedt aan het gecertificeerde beschermingsapparaat, dat de uiteindelijke beslissing neemt om de schakelaar om te zetten.

In hun simulaties toonden de resultaten een significante verbetering ten opzichte van traditionele methoden. Het standaard beschermingssysteem, dat vertrouwt op vaste regels, identificeerde interne fouten ongeveer 83 procent van de tijd correct. Het nieuwe systeem met kunstmatige intelligentie identificeerde het type fout echter met 99,2 procent nauwkeurigheid. Dit verschil werd nog belangrijker bij het omgaan met moeilijke fouten, zoals fouten die door een hoge weerstand gaan, zoals een boomtak of een vuile isolator. Het oude systeem faalde bijna de helft van de tijd bij het detecteren van deze fouten met een hoge weerstand naar de aarde, terwijl het nieuwe systeem 80 procent van hen oppikte. Bovendien nam het nieuwe systeem zijn beslissingen veel sneller, waarbij de tijd die nodig was om tot een conclusie te komen werd teruggebracht van meer dan 20 milliseconden naar minder dan 12 milliseconden. Deze snelheid is essentieel voor het behoud van de stabiliteit van het elektriciteitsnet.

Het systeem bleek ook effectief bij het lokaliseren van de fout. Traditionele methoden hebben vaak moeite om de exacte locatie aan te wijzen wanneer de weerstand hoog is, waarbij ze soms tientallen kilometers de plank misslaan. De nieuwe aanpak, die standaard natuurkundige berekeningen combineert met kunstmatige intelligentie, verminderde de gemiddelde fout tot slechts 7,1 kilometer. Dit niveau van precisie hel helpt onderhoudsploegen om het probleem veel sneller te vinden en op te lossen. Naast directe bescherming toonde de voorspellende laag ook veelbelovende resultaten voor onderhoud. Door weer- en conditiegegevens te analyseren, kon het systeem secties van de lijn die een hoog risico op falen liepen tot een dag van tevoren signaleren. In de simulaties identificeerde dit vroege waarschuwingssysteem 62 procent van de fouten voordat ze plaatsvonden, vergeleken met slechts 42 procent voor standaard monitoringsregels.

De onderzoeker testte ook hoe deze voorspellende capaciteit het onderhoudswerk zou kunnen veranderen. In plaats van isolatoren op een vast schema te wassen of pas wanneer een sensor een specifiek niveau van vuil detecteert, suggereerde het nieuwe systeem om alleen de secties te wassen die het hoogste risico liepen om te falen door vervuiling. Deze gerichte aanpak verminderde het verwachte aantal overslagen door vervuiling met 30 procent, terwijl er minder wasteams werden ingezet dan bij een standaard kalendergebaseerd schema. Dit suggereert dat nutsbedrijven geld en middelen kunnen besparen terwijl ze het elektriciteitsnet betrouwbaarder houden.

Ondanks deze veelbelovende resultaten benadrukt de onderzoeker dat hun bevindingen voortkomen uit computersimulaties, niet uit praktijktesten in het veld. Het digitale model was ongelooflijk gedetailleerd, maar het vereenvoudigde nog steeds enkele complexe fysieke processen, zoals de manier waarop elektriciteit door de lucht springt of hoe sensoren signalen kunnen vervormen. De onderzoeker merkt op dat voordat deze technologie op echte hoogspanningslijnen kan worden toegepast, deze rigoureuze tests met echte apparatuur moet ondergaan en gecertificeerd moet worden om aan strikte veiligheidsnormen te voldoen. Ze wijzen ook erop dat de kunstmatige intelligentie slechts zo goed is als de gegevens waarop het is getraind; als de echte wereld een situatie presenteert die het systeem nog nooit heeft gezien, presteert het mogelijk minder goed.

De studie concludeert dat de toekomst van de bescherming van hoogspanningslijnen ligt in een gelaagde aanpak. De gecertificeerde, op regels gebaseerde apparaten die het net al decennia veilig houden, zouden de leiding moeten behouden over de uiteindelijke beslissing om de stroom uit te schakelen. Echter, zij kunnen worden ondersteund door intelligente systemen die risico's voorspellen, foutdetectie versnellen en precieze locatiegegevens bieden. Deze combinatie stelt het elektriciteitsnet in staat om veerkrachtiger te worden, waardoor problemen die voorheen onzichtbaar waren worden opgevangen en er met een snelheid en nauwkeurigheid op wordt gereageerd die menselijke operators of eenvoudige algoritmen alleen niet zouden kunnen bereiken. De weg vooruit houdt in dat deze nieuwe instrumenten zorgvuldig worden geïntegreerd, waarbij wordt gewaarborgd dat ze robuust zijn tegen fouten en cyberdreigingen, en dat hun betrouwbaarheid in de echte wereld wordt bewezen voordat ze het vertrouwen krijgen over de veiligheid van het gehele elektriciteitsnet.