GRID-ML

Zu diesem Zweck müssen Lernmethoden unter Einbeziehung externer Wissensquellen für eine genaue und zeitnahe datengetriebene und robuste Fehlerlokalisierung in Mittel- und Niederspannungsnetzen auf der Basis eines digitalen Zwillings erforscht werden. Darüber hinaus gewährleisten robuste Ansätze eine zuverlässige Lokalisierung auch bei in der Praxis häufig fehlenden oder ungenauen Messdaten. Das Forschungsprojekt GRID-ML (GRID-Machine Learning) setzt deshalb auf Daten von heterogenen Messgeräten an verschiedenen Orten im Netz zur Fehlerlokalisierung.

Das Gesamtziel des Projekts ist die Erforschung robuster Lernverfahren zur genauen, echtzeitfähigen und datengetriebenen Lokalisierung von Fehlern in Mittel- und Niederspannungsnetzen auf Basis eines digitalen Zwillings. Die Simulation von Fehlerzuständen im digitalen Zwilling bildet die Grundlage für die Generierung eines repräsentativen Satzes von Trainings- und Testdaten für Lernverfahren. In diesem Zusammenhang ist zu untersuchen, welche Mess- und Netztopologiedaten zur Verfügung stehen müssen und welche Daten bzw. Merkmale zur Lokalisierung verwendet werden können. Im Allgemeinen gibt es hierfür drei Teilziele:

1. Quantifizierung der Robustheit bestehender Methoden gegenüber Topologiedatenfehlern, Messfehlern und durch Datenschutzverfahren veränderten Daten.
2. Sicherstellung und Verbesserung der Robustheit gegenüber Datenfehlern
3. Übertragung der Methoden und Anpassung an reale Szenarien, mit dem Ziel eines vertrauenswürdigen Einsatzes der entwickelten Methoden beim Verteilnetzbetreiber ohne Genauigkeitsverluste.

Bundesministerium für Bildung und Forschung (BMBF)
DLR Projektträger KMU Innovativ Nr 01|S23006B

01.07.2023 - 30.06.2026