Neue KI-Methode verbessert Netzstabilität bei E-Auto-Ladung
Die rasante Verbreitung von Elektrofahrzeugen (E-Fahrzeuge) stellt die Stromnetze vor eine bisher unbekannte Herausforderung. Während die Automobilindustrie den Umstieg auf elektrische Antriebe vorantreibt, ringen Energieversorger mit den Folgen: Das gleichzeitige Laden von Hunderttausenden Fahrzeugen, insbesondere in den Abendstunden nach der Heimkehr, führt zu massiven Lastspitzen. Diese können Spannungsschwankungen, Überlastungen und in Extremfällen sogar Netzausfälle verursachen. Um diese Risiken zu managen und eine sichere, zuverlässige Energieversorgung zu gewährleisten, ist eine präzise und Echtzeit-fähige Überwachung des Stromnetzes – die sogenannte Zustandsschätzung – unerlässlich. Forscher der North China Electric Power University (NCEPU) haben nun eine bahnbrechende Methode vorgestellt, die die Genauigkeit und Robustheit dieser Netzüberwachung erheblich steigert. Ihre Arbeit, die eine intelligente Kombination aus Künstlicher Intelligenz (KI) und fortschrittlichen Filteralgorithmen nutzt, bietet eine vielversprechende Lösung, um die Integration von E-Fahrzeugen in bestehende Stromnetze sicherer und effizienter zu gestalten.
Die Leistung des Teams um Professorin Lu Jinling liegt darin, zwei oft getrennt betrachtete Disziplinen nahtlos zu verbinden: die Vorhersage zukünftiger Lasten und die Echtzeit-Analyse des aktuellen Netzstatus. Bisherige Ansätze zur Zustandsschätzung in Verteilnetzen, den letzten Kilometern des Stromnetzes, die direkt zu den Haushalten führen, stießen an ihre Grenzen. Traditionelle statische Methoden betrachten das Netz als eine Momentaufnahme und können die dynamischen Veränderungen, die durch fluktuierende Erzeugung aus Wind und Sonne sowie durch flexible Verbraucher wie E-Fahrzeuge entstehen, nicht adäquat abbilden. Dynamischere Ansätze, wie der Unscented Kalman Filter (UKF), waren zwar besser geeignet, aber sie erwiesen sich als empfindlich gegenüber fehlerhaften Messdaten und erforderten oft eine sorgfältige Abstimmung ihrer Parameter, was ihre praktische Anwendbarkeit einschränkte.
Lu Jinling und ihre Kollegen – Hu Xinghua, Zhang Xuezhe, Wang Enze und Zhao Zenghui – haben ein System entwickelt, das diese Schwächen gezielt adressiert. Ihr Ansatz, der in der renommierten Fachzeitschrift Proceedings of the CSU-EPSA veröffentlicht wurde, kombiniert drei leistungsstarke Technologien: ein tiefes neuronales Netzwerk zur Lastprognose, einen hochentwickelten Filteralgorithmus für die Echtzeitmessung und einen adaptiven Mechanismus, der beide Ergebnisse intelligent miteinander verknüpft.
Der erste Baustein des Systems ist ein hybrides KI-Modell aus einem Faltungsneuronalen Netzwerk (Convolutional Neural Network, CNN) und einer Gated Recurrent Unit (GRU). Dieses CNN-GRU-Modell wird mit historischen Daten über den Stromverbrauch eines Wohngebietes trainiert, das eine signifikante Zahl an E-Fahrzeugen aufweist. Das CNN fungiert dabei als ein Meister der Mustererkennung. Es scannt die Eingabedaten, ähnlich wie ein Bilderkennungssystem, um lokale, charakteristische Muster in der Lastkurve zu identifizieren – beispielsweise den typischen Anstieg des Verbrauchs am späten Nachmittag, wenn Haushalte ihre Geräte einschalten, gefolgt von einem massiven Peak, wenn die Besitzer nach Hause kommen und ihre E-Fahrzeuge laden. Diese von der Software automatisch extrahierten Merkmale werden dann an die GRU weitergegeben. Die GRU ist spezialisiert auf die Verarbeitung von Sequenzen und Zeitreihen. Sie verfügt über interne „Tore“, die steuern, welche Informationen aus der Vergangenheit beibehalten und welche vergessen werden. Diese Architektur ermöglicht es der GRU, langfristige Abhängigkeiten zu lernen – etwa, dass der Ladeverhalten an einem Freitagabend systematisch anders ist als an einem Werktag, oder dass an einem regnerischen Sonntag der Gesamtverbrauch höher liegt. Die Synergie aus CNN und GRU erzeugt ein Modell, das nicht nur die unmittelbaren, lokalen Muster erkennt, sondern auch die komplexen zeitlichen Zusammenhänge versteht, die das Ladeverhalten von E-Fahrzeugen prägen. Die Ergebnisse der Studie sind beeindruckend: Bei der Prognose der aktiven Leistung erreichte das CNN-GRU-Modell einen mittleren absoluten prozentualen Fehler (MAPE) von nur 3,54 %, was eine außergewöhnlich hohe Vorhersagegenauigkeit bedeutet.
Dieser präzise Prognosebaustein bildet jedoch nur die erste Hälfte der Lösung. Der zweite Baustein ist der Unscented Particle Filter (UPF), ein hochkomplexer Algorithmus, der die Echtzeit-Messdaten des Stromnetzes verarbeitet. Der UPF ist eine Weiterentwicklung des traditionellen Partikelfilters. Statt einfach zufällige Schätzungen zu generieren, nutzt er den Unscented Kalman Filter (UKF), um eine viel intelligentere Startverteilung – die sogenannte „Importancedichte“ – zu erzeugen. Man kann sich dies so vorstellen: Anstatt blind im Dunkeln nach einer Nadel im Heuhaufen zu suchen, verwendet der UPF eine Taschenlampe (den UKF), die auf die wahrscheinlichsten Bereiche gerichtet ist. Er erzeugt dann eine Vielzahl von Hypothesen (Partikeln) in dieser beleuchteten Zone. Jede dieser Hypothesen wird mit den aktuellen Messwerten aus dem Netz – wie Spannungen und Ströme an bestimmten Messpunkten – abgeglichen. Diejenigen Hypothesen, die am besten mit den Messungen übereinstimmen, erhalten ein höheres Gewicht. Der finale Schätzwert für den Zustand des Netzes (zum Beispiel die Spannung an einem bestimmten Knotenpunkt) ergibt sich aus dem gewichteten Mittel aller Partikel. Dieser Prozess wird in jeder Zeitschritt wiederholt, was eine kontinuierliche, dynamische Überwachung des Netzes ermöglicht.
Die wahre Innovation der NCEPU-Forscher liegt jedoch in der dritten und entscheidenden Komponente: der adaptiven Fusion der beiden ersten Bausteine. Statt die Prognose des CNN-GRU-Modells und die Echtzeit-Schätzung des UPF als separate, konkurrierende Quellen zu betrachten, kombinieren sie sie zu einer einzigen, übergeordneten Schätzung. Dies geschieht jedoch nicht mit einem festen Gewicht. Stattdessen verwendet das System einen dynamischen, sich selbst anpassenden Mechanismus.
Das Prinzip ist elegant und von hoher Robustheit: Das System überwacht kontinuierlich die Genauigkeit seiner eigenen Schätzungen. Nach jeder Zeitschritt berechnet es den Fehler zwischen seiner vorherigen kombinierten Schätzung und dem besten verfügbaren „wahren“ Wert (wie er aus einer dichten Sensordatenlage oder einer hochgenauen Simulation abgeleitet werden kann). Basierend auf der Größe dieses Fehlers passt es automatisch die Gewichtung für den nächsten Zeitschritt an. Wenn die vorherige Schätzung sehr genau war, vertraut das System mehr auf die aktuelle, frische Echtzeit-Messung des UPF. War der Fehler jedoch groß, interpretiert das System dies als ein Zeichen dafür, dass die aktuellen Messungen möglicherweise unzuverlässig sind – vielleicht aufgrund eines defekten Sensors oder, in einem kritischeren Szenario, aufgrund eines Cyberangriffs. In diesem Fall erhöht es das Gewicht der Prognose des CNN-GRU-Modells. Es nutzt die historisch begründete, datengetriebene Vorhersage, um die aktuelle, möglicherweise fehlerhafte Messung zu korrigieren oder auszugleichen.
Diese adaptive Gewichtung verleiht dem gesamten System eine außergewöhnliche Widerstandsfähigkeit gegenüber sogenannten „schlechten Daten“ (Bad Data). Um dies zu demonstrieren, führten die Forscher eine Simulation auf dem Standardmodell des IEEE 33-Knoten-Netzes durch. In einem kritischen Test wurde künstlich ein Fehler eingeführt: Um 14:45 Uhr wurde der gemessene Wert der eingespeisten aktiven Leistung an einem Knotenpunkt von einem realistischen Wert von -0,0058 p.u. auf einen offensichtlich falschen Wert von -0,6000 p.u. „gehackt“. Die Ergebnisse waren dramatisch. Herkömmliche Methoden wie der UKF und sogar der leistungsfähigere UPF wurden durch diese falsche Messung schwer getäuscht. Ihre Schätzungen für die Spannung und den Phasenwinkel brachen dramatisch ein und wichen stark von der tatsächlichen Netzlage ab. Das vorgeschlagene adaptive hybride Verfahren hingegen zeigte bemerkenswerte Stabilität. Durch die Erhöhung des Gewichts der CNN-GRU-Prognose konnte es den Einfluss der fehlerhaften Messung abmildern. Die endgültige Schätzung blieb nahe an der Wahrheit, mit einer Abweichung von weniger als 0,003 p.u. bei der Spannung, während die anderen Methoden Abweichungen von mehr als 0,01 p.u. aufwiesen.
Diese Robustheit hat weitreichende praktische Implikationen. Für Netzbetreiber bedeutet dies, dass sie auch unter widrigen Bedingungen – wie Sensorausfällen oder sogar gezielten Cyberangriffen, die darauf abzielen, falsche Daten einzuspeisen (False Data Injection Attacks, FDIAs) – eine zuverlässige Sicht auf den Zustand ihres Netzes behalten. Dies ist entscheidend, um Fehlalarme zu vermeiden, falsche Schutzschaltungen auszulösen oder kostspielige und unnötige Wartungseinsätze zu initiieren. Es ermöglicht eine proaktive Netzführung, bei der Engpässe oder Spannungsprobleme frühzeitig erkannt und durch Maßnahmen wie die Umleitung von Lasten oder die Aktivierung von Energiespeichern vermieden werden können.
Darüber hinaus hat die Methode erhebliche Auswirkungen auf die Planung und den Ausbau der Infrastruktur. Mit einer so präzisen und robusten Schätzung können Netzbetreiber realistischere Szenarien für die Zukunft berechnen. Sie können besser abschätzen, wo und wann zusätzliche Kapazitäten benötigt werden – etwa in Wohngebieten mit einer hohen Dichte an E-Fahrzeugen. Dies führt zu einer effizienteren Investition von Ressourcen und verhindert sowohl eine Unterdimensionierung als auch eine überteuerte Überdimensionierung des Netzes.
Die Arbeit von Lu Jinling, Hu Xinghua, Zhang Xuezhe, Wang Enze und Zhao Zenghui aus dem College of Electrical and Electronic Engineering der North China Electric Power University ist mehr als nur eine technische Neuerung. Sie repräsentiert einen Paradigmenwechsel in der Netzüberwachung. Statt sich ausschließlich auf die Verarbeitung aktueller Sensordaten zu verlassen, integriert sie aktiv historisches Wissen und zukünftige Prognosen in den Schätzprozess. Sie schafft ein System, das nicht nur reagiert, sondern auch lernt und vorausschauend handelt.
Die Veröffentlichung der Ergebnisse in der Proceedings of the CSU-EPSA von Lu Jinling, Hu Xinghua, Zhang Xuezhe, Wang Enze und Zhao Zenghui vom College of Electrical and Electronic Engineering, North China Electric Power University, mit der DOI 10.19635/j.cnki.csu-epsa.001303, unterstreicht die wissenschaftliche Relevanz dieser Forschung. Sie bietet einen konkreten, praktisch erprobten Weg, um die größte Herausforderung der Energiewende – die Integration der Mobilität in das Stromnetz – zu meistern. Durch die Bereitstellung einer intelligenten, fehlertoleranten und hochpräzisen Zustandsschätzung ebnet diese Technologie den Weg für eine sicherere, stabilere und nachhaltigere Energiezukunft, in der das Aufladen eines E-Fahrzeugs keine Bedrohung, sondern ein nahtloser Bestandteil des intelligenten Netzes ist.