EDaF

EDaF

Effiziente Datenanalyse für akkurate Fehlerlokalisation in Mittelspannungsnetzen

EDaF

Das Projekt EDaF (Effiziente Datenanalyse für akkurate Fehlerlokalisation) erforscht und entwickelt Verfahren zur Lokalisation von Erdschlüssen. Damit soll die Suche nach der tatsächlichen Fehlerposition schneller erfolgen und eventuell, kaskadierende Folgefehler bei herkömmlichen Verfahren können vermieden werden. Dadurch kann ein stabiler und sicherer Betrieb von Verteilnetzen realisiert werden.

Projektbeschreibung

Fehlerlokalisierung in Stromverteilnetzen kann durch die Auswertung hochaufgelöster digitaler Messdaten effizient und akkurat durchgeführt werden. GridData hat ein Verfahren entwickelt, das sogenannte Erdschlussfehler in Mittelspannungsnetzen durch einen Vergleich mit Fehlersignaturen erfolgreich lokalisieren kann. Die Erzeugung der notwendigen Signaturen sowie der Vergleich zur Laufzeit ist allerdings zeitaufwendig; ersteres erfordert derzeit zusätzlich Expertenwissen und manuelle Intervention.

Ziele des EDaF Projektes sind automatisierte, skalierbare und an realen Netzdaten validierte Algorithmen sowie eine integrierte Lösungsarchitektur, um Datenmengen und Berechnungsaufwände der signaturbasierten Erdschlussfehlerlokalisation zu reduzieren.

Forschungsbeitrag

Das EDaF Projekt ist in drei technische Arbeitspakete strukturiert:

  1. Reale Netzszenarien und Lösungskonzept;
  2. Automatisierte skalierbare Verfahren und IT-Infrastruktur zur Fehlerlokalisierung;
  3. Integration, Evaluation und Feldtest.

Im Rahmen des Vorhabens werden Softwarearchitekturkonzepte untersucht, die den Anforderungen gerecht werden. Auf Basis einer prototypischen Implementierung wird das entwickelte Architekturkonzept mit Hilfe von Verteilnetzbetreibern im realen Betrieb evaluiert. Ferner ist fortiss maßgeblich für die Sensitivitätsanalyse verantwortlich, um auf der Basis simulierter und realer Stromsignaturaufzeichnungen von Erdschlüssen auf deren Position schließen zu können. Für diese Analyse werden Ansätze aus dem Forschungsbereich der künstlichen Intelligenz bzw. dem Maschinellen Lernen erforscht.

Förderung

Bundesministerium für Bildung und Forschung, Förderkennzeichen/Fördernummer: FKZ 01IS18089B

Projektdauer

01.05.2019-31.10.2021

Weitere Informationen

Dr. Markus Duchon

Ihr Kontakt

Dr. Markus Duchon

+49 89 3603522 30
duchon@fortiss.org

Projektpartner

GridData