Die Erfindung betrifft ein Verfahren zum Überwachen eines Spannungsnetzes. Ferner betrifft die Erfindung ein Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes. Darüber hinaus betrifft die Erfindung ein System zum Überwachen eines Spannungsnetzes, ein Computerprogramm sowie einen computerlesbaren Datenträger.

In der heutigen Zeit sind Spannungsnetze bereits deutlich volatiler, als dies in der Vergangenheit der Fall gewesen ist. Dies liegt unter anderem an dem ständig steigenden, aber schwankenden Energiebedarf sowie an der fortschreitenden Einspeisung regenerativer Energien in das Versorgungsnetz, die auch unregelmäßiger erfolgt. Zudem ist davon auszugehen, dass die Spannungsnetze in Zukunft noch volatiler werden, da der Anteil an eingespeister regenerativer Energie weiter steigen wird und gleichzeitig die Spannungsnetze kurzfristig stärker belastet werden, beispielsweise aufgrund der zunehmenden Elektromobilität, insbesondere im Automobilsektor. Die zunehmende Volatilität der Spannungsnetze hat jedoch zur Folge, dass die Netzqualität sinkt, wodurch es vermehrt zu Störungen und sogar Ausfällen kommen kann, was es zu vermeiden gilt.

Für Netzbetreiber und für Stromnutzer bzw. Stromkunden ist es daher bereits jetzt interessant, den aktuellen Netzzustand des Spannungsnetzes zu erfassen, wobei zurückliegende netzstörende Ereignisse analysiert werden, um etwaige Störstellen zu identifizieren. Hierzu sind smarte Geräte wie der DEHN record bekannt, der eine charakteristische Kenngröße des Spannungsnetzes erfasst und analysiert, um die momentane Netzqualität des Spannungsnetzes zu ermitteln. Derartige smarte Geräte kommen also beispielsweise beim Netzbetreiber oder dem Stromnutzer bzw. Stromkunden zum Einsatz.

Aus der EP 3 336 995 A1 ist beispielsweise ein Verfahren sowie ein System bekannt, womit ein aktueller bzw. momentaner Betriebszustand eines Teilnetzes eines Energieversorgungsnetzes ermittelt wird.

Insofern kann es sich bei dem Spannungsnetz, welches analysiert wird, um das lokale Spannungsnetz handeln, was auch als Gebäudenetz bezeichnet wird, also das Spannungsnetz beim Kunden, beispielsweise einem Privathaushalt oder einem Industriegebäude. Mit anderen Worten wird ein Niederspannungsnetz überwacht.

Aufgrund der in Zukunft steigenden Volatilität der Spannungsnetze wird die Analyse der momentanen Netzqualität jedoch vermutlich nicht mehr ausreichen, sodass es einer verbesserten Analyse bzw. Überwachung des Spannungsnetzes bedarf.

Die Aufgabe der Erfindung ist es, eine Möglichkeit bereitzustellen, mit der das Spannungsnetz kostengünstig und qualitativ hochwertig überwacht werden kann.

Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zum Überwachen eines Spannungsnetzes, das die Schritte umfasst:

Erfassen von zumindest einer ersten charakteristischen Kenngröße des Spannungsnetzes zu einem ersten Zeitpunkt,

Erfassen der ersten charakteristischen Kenngröße des Spannungsnetzes zu einem zweiten Zeitpunkt, der vom ersten Zeitpunkt verschieden ist,

Einspeisen der zum ersten Zeitpunkt erfassten, ersten charakteristischen Kenngröße und der zum zweiten Zeitpunkt erfassten, ersten charakteristischen Kenngröße in eine Prozessoreinheit, die die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße gemeinsam derart verarbeitet, dass basierend auf der zu den zumindest zwei unterschiedlichen Zeitpunkten erfassten, ersten charakteristischen Kenngröße ein zukünftiger Zustand des Spannungsnetzes prognostiziert wird, und Ausgeben des prognostizierten zukünftigen Zustands des Spannungsnetzes.

Der Grundgedanke der Erfindung ist es, dass eine zukünftige Netzqualität basierend auf historischen und/oder aktuellen Daten des Spannungsnetzes abgeschätzt bzw. prognostiziert wird, sodass der Netzbetreiber des Spannungsnetzes und/oder der Stromkunde/Stromnutzer in die Lage versetzt wird, zukünftige Störungen frühzeitig zu erkennen. Mit anderen Worten kann der Netzbetreiber und/oder der Stromkunde/Stromnutzer einen Zeitpunkt einer aufkommenden Netzstörung sowie deren Intensität prognostizieren. Hierdurch ist es möglich, entsprechende Gegenmaßnahmen einzuleiten, um die aufkommende Netzstörung abzuwenden, deren Intensität zumindest zu senken oder allgemein die Auswirkung der aufkommenden Netzstörung auf bestimmte Bereiche zu minimieren.

Die Erfindung beruht auf der Erkenntnis, dass es aufgrund der volatilen Spannungsnetze für den Netzbetreiber und/oder den Stromkunden/Stromnutzer oftmals entscheidender ist, wie sich das Spannungsnetz in der Zukunft hinsichtlich seiner Netzqualität (Netzzustand) verhält als der momentane Netzzustand ist, auf den ohnehin nicht mehr reagiert werden kann. Der Blick in die Zukunft ermöglicht es nämlich, geeignete Maßnahmen rechtzeitig einzuleiten, um der prognostizierten Netzstörung, also dem verschlechterten Zustand des Spannungsnetzes, noch entgegenzuwi rken .

Mit anderen Worten wird der Netzbetreiber und/oder der Stromkunde/Stromnutzer also in die Lage versetzt, das Spannungsnetz auf zukünftig zu erwartende Störungen resilienter auszulegen.

Der zukünftige Zustand des Spannungsnetzes lässt sich für die nächsten Stunden, Tage oder Wochen Vorhersagen, sodass dem Netzbetreiber und/oder dem Stromkunden/Stromnutzer genügend Zeit gegeben wird, um etwaige Gegenmaßnahmen rechtzeitig einzuleiten, sodass sie einer prognostizierten Störung oder Verschlechterung noch entgegenwirken.

Die zu treffenden Gegenmaßnahmen können bspw. darin bestehen, dass in einer prognostizierten Schwächephase des Spannungsnetzes weitere Belastungen vermieden werden, wodurch ein ausfallsicherer Betrieb von Geräten und/oder Maschinen gewährleistet ist, deren Betrieb nicht gestört werden sollte. Insofern kann die Gegenmaßnahme darin bestehen, nicht zwingend erforderliche Maschinen bzw. Geräte während der prognostizierten Schwächephase des Spannungsnetzes vom Netz zu trennen bzw. nicht an das Spannungsnetz zu nehmen, um die Belastung zu reduzieren bzw. nicht weiter zu erhöhen.

Grundsätzlich kann es sich bei dem Spannungsnetz um ein lokales Netz handeln, was auch als Gebäudenetz bezeichnet wird, das einem Privathaushalt oder einem Industriegebäude zugeordnet ist. Bei dem Spannungsnetz kann es sich also um ein Niederspannungsnetz handeln, bspw. ein Gebäudenetz, das mit einem Versorgungsnetz verbunden ist.

Zur Prognose kann die erste charakteristische Kenngröße mehrfach, also zumindest zu zwei unterschiedlichen Zeitpunkten erfasst werden, wobei die bei den unterschiedlichen Zeitpunkten erfassten Werte der ersten charakteristischen Kenngröße zur Auswertung in die Prozessoreinheit eingespeist werden. Es kann also aus einem in der Vergangenheit erfassten Zeitverlauf der ersten charakteristischen Kenngröße des Spannungsnetzes, welcher bis zur Gegenwart reichen kann, den zukünftigen Zeitverlauf prognostizieren. Der zukünftige Zeitverlauf kann sich dabei auf die erste charakteristische Kenngröße beziehen, sodass deren zukünftiger Zeitverlauf prognostiziert wird, was dem prognostizierten zukünftigen Zustand des Spannungsnetzes entspricht.

Die erste charakteristische Kenngröße lässt für sich alleine eine Charakterisierung des aktuellen Zustands des Spannungsnetzes zu. Da die Prozessoreinheit zumindest zwei Werte der ersten charakteristischen Kenngröße, die zu unterschiedlichen Zeitpunkten erfasst worden sind, gemeinsam auswertet, ist es nunmehr möglich, zukünftige Zustände des Spannungsnetzes entsprechend zu prognostizieren, was aufgrund der alleinigen Auswertung einer einzelnen charakteristischen Kenngröße nicht möglich wäre.

Insbesondere werden dabei Korrelationen zwischen den zumindest zwei unterschiedlichen Zeitpunkten der ersten charakteristischen Kenngröße ausgenutzt, aufgrund derer zuverlässig ein zukünftiger Zustand des Spannungsnetzes prognostiziert wird.

Insofern kann aufgrund der gemeinsamen Auswertung derselben Messgröße zu unterschiedlichen Zeitpunkten auf Korrelationen geschlossen werden. Es kann zusätzlich eine zweite Größe herangezogen werden, die von der ersten Kenngröße verschieden ist. Bei der zweiten Größe kann es sich um eine separate Größe handeln, die nicht zwangsläufig eine Kenngröße des Spannungsnetzes ist.

Die zweite Größe kann aus einer Datenbank erhalten werden, um beispielsweise Umgebungsdaten einzubeziehen, insbesondere Wetterdaten, Zeitdaten (Werktag, Wochenende, Feiertag, Tag und/oder Nacht) oder Nutzungsdaten von Systemen in der Umgebung, beispielsweise einem Fahrplan für Züge oder Nutzungsdaten von elektrischen Ladesystemen in der Umgebung.

Insofern kann mittels der zweiten Größe eine Information gewonnen werden, die einen Unterschied zwischen den beiden unterschiedlichen Zeitpunkten umfasst. Insbesondere ist es hierdurch möglich, einen Zusammenhang zwischen zwei unterschiedlichen Werten der ersten charakteristischen Kenngröße festzustellen, die bei den beiden unterschiedlichen Zeitpunkten erfasst worden sind.

Die zweite Größe kann aber auch eine zweite charakteristische Kenngröße des Spannungsnetzes sein, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes ist.

Insbesondere kann der zeitliche Verlauf der ersten charakteristischen Kenngröße, die zumindest zum ersten Zeitpunkt und zum zweiten Zeitpunkt erfasst worden ist, zusammen mit der zweiten Größe ausgewertet werden, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes ist. Insofern lässt sich eine Zeitreihe der ersten charakteristischen Kenngröße zusammen mit weiteren Daten auswerten, beispielsweise aus einer Datenbank erhaltene Daten wie Wetterdaten, Zeitdaten und/oder Nutzungsdaten von Systemen in der Umgebung.

Es kann demnach eine Datenfusion zweier unterschiedlicher Größen vorliegen, die einen Blick in die Zukunft des Zustands des Spannungsnetzes ermöglicht. Mit anderen Worten wird bei der gemeinsamen Verarbeitung der beiden unterschiedlichen Größen eine Korrelation dieser Größen untereinander ausgenutzt, welche Rückschlüsse auf das zukünftige Verhalten des Spannungsnetzes ermöglichen. Daher kann der zukünftige Zustand des Spannungsnetzes entsprechend prognostiziert werden.

Grundsätzlich kann das Verfahren zum Überwachen eines Spannungsnetzes, also auch die folgenden Schritte umfassen:

Erfassen von zumindest einer ersten charakteristischen Kenngröße des Spannungsnetzes, insbesondere zu einem ersten Zeitpunkt und einem zweiten Zeitpunkt,

Erfassen von zumindest einer zweiten charakteristischen Kenngröße des Spannungsnetzes, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes ist,

Einspeisen der ersten charakteristischen Kenngröße, insbesondere der zum ersten Zeitpunkt und zum zweiten Zeitpunkt erfassten Werte der ersten charakteristischen Kenngröße, und der zweiten charakteristischen Kenngröße in eine Prozessoreinheit, die beiden unterschiedlichen charakteristischen Kenngrößen gemeinsam derart verarbeitet, dass basierend auf den beiden unterschiedlichen charakteristischen Kenngrößen ein zukünftiger Zustand des Spannungsnetzes prognostiziert wird, und

- Ausgeben des prognostizierten zukünftigen Zustands des Spannungsnetzes.

Ein Aspekt sieht vor, dass die erste charakteristische Kenngröße und/oder die zweite charakteristische Kenngröße eine Spannung, ein Strom, eine Leistung, eine Frequenz, eine Verzerrung („Total Harmonie Distortion“ -THD), eine Harmonische (bis zur 50. Harmonischen), eine Blindleistung und/oder ein Energiewert ist. Die entsprechende charakteristische Kenngröße kann jeweils für jede Phase eines mehrphasigen Spannungsnetzes erfasst worden sein, also bspw. für die Phasen L1 bis L3.

Ein weiterer Aspekt sieht vor, dass die erste charakteristische Kenngröße mehrfach erfasst wird, sodass eine mehr als zwei Zeitpunkte umfassende Zeitfolge der ersten charakteristischen Kenngröße vorliegt, welche verarbeitet wird. Alternativ oder ergänzend kann die zweite Größe, insbesondere die zweite charakteristische Kenngröße, ebenfalls mehrfach erfasst werden, sodass eine Zeitfolge der zweiten Größe vorliegt, welche verarbeitet wird. Insofern wird die jeweilige Größe, also die erste charakteristische Kenngröße bzw. die zweite Größe, mehrfach zeitlich hintereinander, insbesondere periodisch, erfasst, um so eine Zeitreihe bzw. Zeitfolge der entsprechenden Größe zu erhalten. Basierend auf der entsprechenden Zeitreihe bzw. Zeitfolge wird der zukünftige Zustand des Spannungsnetzes prognostiziert. Mit anderen Worten wird zumindest das historische Verhalten der ersten charakteristischen Kenngröße erfasst und bei der Prognose des zukünftigen Zustands berücksichtigt. Dies kann auch für die zweite Größe entsprechend erfolgen, beispielsweise der zweiten charakteristischen Kenngröße. Zum Beispiel lässt sich so eine Veränderung der ersten charakteristischen Kenngröße feststellen, die zusammen mit der zeitlichen Veränderung der zweiten Größe eindeutig für einen bestimmten zukünftigen des Spannungsnetzes ist. Bei der zeitlichen Veränderung kann es sich um eine schleichende Verschlechterung handeln, aber auch allgemein um charakteristische Schwingungen bzw. Verläufe, die für sich allein betrachtet zunächst keine Aussagekraft hätten. Bei der Veränderung der zweiten Größe kann es sich beispielsweise um einen anderen Tag, eine sich verändernde Wettersituation, eine Veränderung aufgrund des Fahrplans, eine Veränderung der Ladesystemnutzung oder ähnliches handeln. Durch die fusionierte Auswertung der beiden Größen ist es möglich, Informationen zu erhalten, die für den zukünftigen Zustand des Spannungsnetzes von Bedeutung sind, sofern die Größen sich gegenseitig beeinflussen.

Gemäß einer Ausführungsform umfasst die Prozessoreinheit eine künstliche Intelligenz, die zumindest die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße als Eingangsgröße erhält und den zukünftigen Zustand des Spannungsnetzes als Ausgangsgröße ausgibt. Die künstliche Intelligenz kann trainiert worden sein, um die entsprechende Korrelation der Werte der ersten charakteristischen Kenngröße, die zu den unterschiedlichen Zeitpunkten erfasst worden sind, untereinander zu erkennen und entsprechende technische Zusammenhänge im Spannungsnetz zu erlernen, wodurch zuverlässige bzw. sehr genaue Prognosen hinsichtlich des zukünftigen Zustands des Spannungsnetzes möglich sind. Die Erfindung betrifft daher auch ein Verfahren zum Trainieren einer künstlichen Intelligenz zur Prognose eines zukünftigen Zustands eines Spannungsnetzes. Das Verfahren zum Trainieren umfasst die Schritte:

Bereitstellen eines Trainingsdatensatzes für die künstliche Intelligenz, der zumindest eine erste charakteristische Kenngröße des Spannungsnetzes zu einem ersten Zeitpunkt, die erste charakteristische Kenngröße des Spannungsnetzes zu einem zweiten Zeitpunkt sowie einen tatsächlichen Zustand des Spannungsnetzes zu einem dritten Zeitpunkt umfasst, der zeitlich später als der erste Zeitpunkt und der zweite Zeitpunkt ist,

Einspeisen der ersten charakteristischen Kenngröße zum ersten Zeitpunkt und der ersten charakteristischen Kenngröße zum zweiten Zeitpunkt in eine Prozessoreinheit, die die zu trainierende künstliche Intelligenz aufweist, wobei die die künstliche Intelligenz aufweisende Prozessoreinheit die zu den unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße gemeinsam verarbeitet und einen prognostizierten zukünftigen Zustand des Spannungsnetzes zum dritten Zeitpunkt ausgibt,

Vergleichen des prognostizierten zukünftigen Zustands des Spannungsnetzes zum dritten Zeitpunkt mit dem tatsächlichen Zustand des Spannungsnetzes zum dritten Zeitpunkt, der Teil des Trainingsdatensatzes ist, um eine Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes zum dritten Zeitpunkt und dem tatsächlichen Zustand des Spannungsnetzes zum dritten Zeitpunkt festzustellen, und

Rückspeisen der Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes zum dritten Zeitpunkt und dem tatsächlichen Zustand des Spannungsnetzes zum dritten Zeitpunkt, um Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz anzupassen, sofern die Abweichung außerhalb eines Toleranzbereichs liegt.

Die künstliche Intelligenz kann demnach über zumindest einen Trainingsdatensatz entsprechend trainiert werden, der die erste charakteristische Kenngröße sowohl zu einem ersten Zeitpunkt als auch zu einem zweiten Zeitpunkt, insbesondere eine entsprechende Zeitfolge bzw. Zeitreihe der ersten charakteristischen Kenngröße, sowie einen tatsächlichen zukünftigen Zustand des Spannungsnetzes umfasst, der zu dem dritten Zeitpunkt vorliegt, welcher zeitlich nach den Zeitpunkten liegt, zu denen die erste charakteristische Kenngröße ermittelt bzw. erfasst worden ist, also entsprechende Werte der ersten charakteristischen Kenngröße. Insbesondere fallen der erste Zeitpunkt und der zweite Zeitpunkt nicht zusammen, sodass die erste charakteristische Kenngröße zu zwei verschiedenen Zeitpunkten erfasst worden ist, insbesondere die jeweiligen Werte der ersten charakteristischen Kenngröße.

Grundsätzlich kann beim Trainieren der künstlichen Intelligenz auch vorgesehen sein, dass die künstliche Intelligenz den Zustand des Spannungsnetzes nicht zu einem diskreten Zeitpunkt ausgibt, sondern zu einem Intervall, welches den dritten Zeitpunkt umfasst, also den zukünftigen Zustand des Spannungsnetzes für einen zukünftigen Zeitraum prognostiziert.

Der entsprechende Toleranzbereich für die Abweichung kann vordefiniert und/oder durch einen Benutzer festgelegt werden, bspw. als Prozentangabe oder Varianz.

Grundsätzlich kann eine mittels des zuvor beschriebenen Verfahrens trainierte künstliche Intelligenz verwendet werden, um den zukünftigen Zustand des Spannungsnetzes zu prognostizieren.

Mit anderen Worten umfasst die Prozessoreinheit eine trainierte künstliche Intelligenz, insbesondere eine gemäß dem zuvor beschriebenen Verfahren trainierte künstliche Intelligenz.

Ein weiterer Aspekt sieht vor, dass die künstliche Intelligenz wenigstens ein künstliches neuronales Netz aufweist, bspw. ein künstliches rekurrentes neuronales Netz („Recurrent Neural Network“ - RNN) oder ein künstliches faltendes neuronales Netz („Convolutional Neural Network“ - CNN). Die künstliche Intelligenz kann ein Long Short-Term-Memory (LSTM)-Netz oder eine „Gated Recurrent Unit“ (GRU) aufweisen. Derartige neuronale Netze erlauben eine Prognose eines Zustands in der Zukunft basierend auf Zeitreihen bzw. Zeitfolgen. Die künstliche Intelligenz lernt demnach aus vergangenen Daten (historischen Daten), wobei die künstliche Intelligenz den zukünftigen Zustand des Spannungsnetzes prognostiziert.

Insbesondere wird ein mehrdimensionaler Vektor erzeugt, der die erste charakteristische Kenngröße zu den unterschiedlichen Zeitpunkten umfasst, also die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße, wobei der mehrdimensionale Vektor von der Prozessoreinheit verarbeitet wird. Das künstliche neuronale Netz ist demnach eingerichtet, einen mehrdimensionalen Vektor zu verarbeiten, der beispielsweise mehrere Zeitpunkte der ersten charakteristischen Kenngröße umfasst, um so den zukünftigen Zustand des Spannungsnetzes vorherzusagen. Neben der ersten charakteristischen Kenngröße kann der mehrdimensionale Vektor aber noch weitere Größen umfassen, beispielsweise zumindest eine zweite Größe, insbesondere zu mehreren Zeitpunkten. Bei der zweiten Größe kann es sich um eine aus einer Datenbank erhaltenen Größe handeln oder um eine zweite charakteristische Größe des Spannungsnetzes. Beispielsweise hat der mehrdimensionale Vektor eine Dimension von bis zu acht, sodass der Vektor Daten von bis zu acht unterschiedlichen charakteristischen Kenngrößen aufweisen kann, beispielsweise Informationen bzgl. der Spannung, des Stroms, der Leistung, der Frequenz, der Verzerrung, von Harmonischen, der Blindleistung und/oder des Energiewert. Bei den weiteren Größen neben der ersten charakteristischen Größe kann es sich grundsätzlich jeweils um singuläre Werte oder (ebenfalls) um entsprechende Zeitreihen bzw. Zeitfolgen handeln.

Ferner kann zumindest ein zukünftiger zeitlicher Verlauf einer charakteristischen Kenngröße als zukünftiger Zustand des Spannungsnetzes prognostiziert werden. Die künstliche Intelligenz kann demnach bspw. einen zukünftigen Spannungsverlauf für ein bestimmtes Zeitintervall Vorhersagen. Ebenso kann künstliche Intelligenz einen zukünftigen Stromverlauf für das entsprechende Zeitintervall Vorhersagen. Das Zeitintervall lässt sich durch einen Benutzer definieren, sodass Prognosen für ein anvisiertes Zeitintervall möglich sind. Das ist insbesondere dann von Interesse, wenn gewisse Maschinen bzw. Geräte, die im zu überwachenden Spannungsnetz angebunden sind, in einem definierten Zeitraum störungsfrei betrieben werden müssen. Der Bediener bzw. Netzbetreiber hat demnach ein Interesse daran, dass zumindest in diesem Zeitraum sichergestellt ist, dass keine bzw. nur sehr geringe Störungen des Spannungsnetzes auftreten.

Grundsätzlich kann der zukünftige zeitliche Verlauf einer charakteristischen Kenngröße vorhergesagt werden, beispielsweise dem zukünftigen zeitlichen Verlauf der zuvor erfassten charakteristischen Kenngröße. Es kann aber auch der zukünftige zeitliche Verlauf einer anderen charakteristischen Kenngröße vorhergesagt werden als derjenigen, die erfasst und in die Prozessoreinheit eingespeist worden ist.

Darüber hinaus löst die Erfindung die Aufgabe durch ein System zum Überwachen eines Spannungsnetzes, wobei das System eine Prozessoreinheit aufweist, die eingerichtet ist, eines der zuvor genannten Verfahren durchzuführen. Bei dem System kann es sich um ein Mess- und Analysegerät handeln, welches in das zu überwachende Spannungsnetz eingebunden ist, bspw. an einer Hutschiene. Die zuvor genannten Vorteile ergeben sich somit in analoger Weise für das System.

Insbesondere kann das System ein Gerät aufweisen, beispielsweise ein Mess- und/oder Auswertegerät oder ein Schutzgerät wie einen Überspannungsableiter („surge protection device“ - SPD), wobei das Gerät die Prozessoreinheit aufweist.

Das System, insbesondere das Gerät, kann zudem wenigstens eine Datenübertragungsvorrichtung umfassen, wodurch das System, insbesondere das Gerät, beispielsweise mit weiteren Geräten kommunizieren kann, insbesondere Daten erhält, die für die Auswertung bzw. zur Prognose des zukünftigen Zustands des Spannungsnetzes zusätzlich herangezogen werden. Außerdem kann die Ausgabe des prognostizierten zukünftigen Zustands des Spannungsnetzes über die Datenübertragungsvorrichtung erfolgen, die beispielsweise als Kommunikationsschnittstelle ausgebildet ist.

Darüber hinaus stellt die Erfindung ein Computerprogramm bereit, welches Programmcodemittel aufweist, um die Schritte eines der zuvor genannten Verfahren durchzuführen, wenn das Computerprogramm auf eine Prozessoreinheit ausgeführt wird, bspw. der Prozessoreinheit des zuvor genannten Systems. Ferner stellt die Erfindung einen computerlesbaren Datenträger bereit, auf den das Computerprogramm der zuvor genannten Art gespeichert ist.

Die zuvor genannten Vorteile ergeben sich somit in analoger Weise für das Computerprogramm und den computerlesbaren Datenträger.

Weitere Vorteile und Eigenschaften der Erfindung ergeben sich auch der nachfolgenden Beschreibung und den Zeichnungen, auf die Bezug genommen wird. In den Zeichnungen zeigen:

Figur 1 eine schematische Darstellung eines erfindungsgemäßen Systems,

Figur 2 eine Übersicht, die das erfindungsgemäße Verfahren zum Überwachen eines Spannungsnetzes darstellt, und

Figur 3 eine Übersicht, die das erfindungsgemäße Verfahren zum Trainieren einer künstlichen Intelligenz darstellt.

In Figur 1 ist ein System 10 gezeigt, welches ein Spannungsnetz 12 überwacht, das in der gezeigten Ausführungsform ein mehrphasiges Gebäudenetz ist, welches mit einem Versorgungsnetz 13 verbunden ist. Insofern handelt es sich bei dem Spannungsnetz 12 beispielsweise um ein Niederspannungsnetz.

Das System 10 umfasst mehrere Messgeräte 14, die mit einem Gerät 15 signalübertragend verbunden sind, beispielsweise einem Schutzgerät oder einem Mess- und/oder Auswertegerät. Sowohl die Messgeräte 14 als auch das Gerät 15 sind in der gezeigten Ausführungsform mit dem zu überwachenden Spannungsnetz 12 verbunden bzw. eingebunden. Alternativ kann das Gerät 15 aber auch getrennt vom Spannungsnetz 12 ausgebildet sein, sodass es lediglich mit den Messgeräten 14 signalübertragend verbunden ist.

Das Gerät 15 umfasst eine Prozessoreinheit 16, welche eingerichtet ist, ein Computerprogramm 18 mit Programmcodemitteln auszuführen, um das Spannungsnetz 12 zu überwachen.

Das Computerprogramm 18 kann dabei von einem computerlesbaren Datenträger 20, auf dem das Computerprogramm 18 gespeichert ist, auf der Prozessoreinheit 16 installiert worden sein, sodass das System 10, insbesondere das die Prozessoreinheit 16 aufweisende Gerät 15, in der Lage ist, ein entsprechendes Verfahren zum Überwachen des Spannungsnetzes 12 auszuführen.

Das Gerät 15 weist demnach eine entsprechende Schnittstelle auf, über die der Datenträger 20 mit dem Gerät 15 gekoppelt werden kann, um das Computerprogramm 18 zu installieren.

Auch kann das Computerprogramm 18 über eine Datenübertragungsvorrichtung 22 übermittelt worden sein, die beispielsweise als eine Kommunikationsschnittstelle ausgebildet ist, beispielsweise zur, insbesondere drahtlosen, Kommunikation mit den Messgeräten 14 und/oder einem Server. Auch kann es sich um eine LAN-Schnittstelle handeln, über die die Kommunikation des Geräts 15 möglich ist.

Das Verfahren, welches durch das Computerprogramm 18 ausgeführt wird, wird nachfolgend anhand der Figur 2 erläutert.

In einem ersten Schritt S1 wird zumindest eine erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem ersten Zeitpunkt erfasst. Dies kann mittels eines ersten der Messgeräte 14 oder über das Gerät 15 selbst erfolgen. In jedem Fall ist sichergestellt, dass das Gerät 15, insbesondere dessen Prozessoreinheit 16, die erste charakteristische Kenngröße des Spannungsnetzes 12 erfasst.

In einem zweiten Schritt S2 wird die erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem zweiten Zeitpunkt erfasst, der vom ersten Zeitpunkt verschieden ist.

Grundsätzlich kann die erste charakteristische Kenngröße des Spannungsnetzes 12 zu mehreren Zeitpunkten erfasst werden. Die erste charakteristische Kenngröße wird also mehrmals zeitlich aufeinanderfolgend, insbesondere periodisch, erfasst, sodass eine Zeitreihe/Zeitfolge der ersten charakteristischen Kenngröße vorliegt.

Ergänzend kann vorgesehen sein, dass zumindest eine zweite Größe, beispielsweise eine zweite charakteristische Kenngröße der Spannungsnetzes 12, erfasst wird, die unterschiedlich zur ersten charakteristischen Kenngröße des Spannungsnetzes 12 ist. Die zweite Größe kann unabhängig vom Spannungsnetz 12 erfasst werden, beispielsweise aus einer Datenbank ausgelesen werden, auf die das Gerät 15 Zugriff hat, insbesondere mittels der Kommunikationsschnittstelle 22. Aus der Datenbank können Daten erhalten werden, die zur Analyse miteinbezogen werden, beispielsweise Umgebungsdaten wie Wetterdaten, Zeitdaten (Werktag, Wochenende, Feiertag, Tag und/oder Nacht) oder Nutzungsdaten von Systemen in der Umgebung, beispielsweise einem Fahrplan für Züge oder Nutzungsdaten von elektrischen Ladesystemen in der Umgebung. Hierdurch lassen sich zusätzliche Informationen gewinnen, die einen eventuellen Unterschied zwischen den beiden Werten der ersten charakteristischen Kenngröße des Spannungsnetzes 12 erklären, die zu den beiden Zeitpunkten gemessen worden sind.

Die aus der Datenbank erhaltene zweite Größe wird an die Prozessoreinheit 16 des Geräts 15 übertragen, sodass die Prozessoreinheit 16 die zweite Größe des Spannungsnetzes 12 erfasst.

Die zweite Größe kann aber auch eine zweite charakteristische Kenngröße der Spannungsnetzes 12 sein, die von einem der Messgeräte 14 oder vom Gerät 15 selbst erfasst wird, wobei die zweite charakteristische Kenngröße an die Prozessoreinheit 16 des Geräts 15 übertragen wird, sodass die Prozessoreinheit 16 die zweite charakteristische Kenngröße des Spannungsnetzes 12 erfasst. Sofern zwei charakteristische Kenngrößen ermittelt werden, unterscheiden sich die beiden charakteristischen Kenngrößen voneinander.

Grundsätzlich kann es sich bei der ersten charakteristischen Kenngröße des Spannungsnetzes 12 um eine Spannung, ein Strom, eine Leistung, eine Frequenz, eine Verzerrung, eine Harmonische, eine Blindleistung und/oder ein Energiewert des Spannungsnetzes 12 handeln, insbesondere einer Phase des mehrphasigen Spannungsnetzes 12. Dies gilt in analoger Weise für die zweite charakteristische Kenngröße, sofern diese zusätzlich erfasst wird.

Wie bereits vorstehend erwähnt, wird eine Zeitreihe/Zeitfolge der ersten charakteristischen Kenngröße des Spannungsnetzes 12 erfasst. Dies kann ebenfalls für die optional erfasste zweite Größe gelten. Beispielsweise wird die zweite Größe immer auch dann erfasst, wenn die erste charakteristischen Kenngröße des Spannungsnetzes 12 erfasst wird, sodass die Werte der jeweiligen Größe parallel erfasst werden, insbesondere zeitgleich.

Dies bedeutet insbesondere, dass beim Erfassen der ersten charakteristischen Kenngröße des Spannungsnetzes 12 zu den unterschiedlichen Zeitpunkten jeweils auch ein entsprechender Datensatz aus der Datenbank ausgelesen wird, was die zweite Größe darstellt, zum Beispiel die zu den jeweiligen Zeitpunkten vorliegenden Wetterdaten.

In einem dritten Schritt S3 werden zumindest die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße in die Prozessoreinheit 16 eingespeist, die die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße gemeinsam verarbeitet, sodass basierend auf der zu den zumindest zwei unterschiedlichen Zeitpunkten erfassten, ersten charakteristischen Kenngröße ein zukünftiger Zustand des Spannungsnetzes 12 durch die Prozessoreinheit 16 prognostiziert wird.

Zusätzlich kann vorgesehen sein, dass die zumindest einmalig erfasste zweite Größe, die unterschiedlich zur ersten charakteristische Kenngröße des Spannungsnetzes 12 ist, ebenfalls gemeinsam verarbeitet wird, um den zukünftigen Zustand des Spannungsnetzes 12 durch die Prozessoreinheit 16 zu prognostizieren.

Zur Prognose weist die Prozessoreinheit 16 eine künstliche Intelligenz 24 auf, die zumindest die zu den zumindest zwei unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße als Eingangsgröße erhält und den zukünftigen Zustand des Spannungsnetzes 12 als Ausgangsgröße ausgibt.

Die künstliche Intelligenz 24 kann wenigstens ein künstliches neuronales Netz umfassen, bspw. ein faltendes neuronales Netzwerk (CNN) oder ein künstliches rekurrentes neuronales Netz (RNN), wie ein Long Short-Term Memory (LSTM)- Netz oder eine „Gated Recurrent Unit“ (GRU).

Demnach ist die künstliche Intelligenz 24 in der Lage, basierend zumindest auf der erhaltenen Zeitreihe, also der Zeitfolge der ersten charakteristischen Kenngröße, einen zukünftigen Zustand des Spannungsnetzes 12 zu prognostizieren. Die künstliche Intelligenz 24 verarbeitet hierzu die mehreren Werte der ersten charakteristischen Kenngröße, die zu unterschiedlichen Zeitpunkten erfasst worden sind, indem diese als mehrdimensionaler Vektor erzeugt und von der künstlichen Intelligenz 24 entsprechend verarbeitet wird.

Der mehrdimensionale Vektor weist beispielsweise bis zu acht Dimensionen auf, bspw. acht Dimensionen pro Phase des mehrphasigen Spannungsnetzes 12. Die acht Dimensionen können durch die Spannung, den Strom, die Leistung, die Frequenz, die Verzerrung, die Harmonische, die Blindleistung und den Energiewert entsprechend abgebildet sein. Grundsätzlich kann die Dimension des Vektors aber auch höher sein, je nach Anwendungsfall.

Die künstliche Intelligenz 24 kann zuvor mittels eines Verfahrens trainiert worden sein, indem die künstliche Intelligenz 24 derart trainiert wurde, den zukünftigen Zustand des Spannungsnetzes 12 basierend auf Werten der ersten charakteristischen Kenngröße zu prognostizieren, die zu wenigstens zwei unterschiedlichen Zeitpunkten erfasst worden sind. Folglich handelt es sich bei der künstlichen Intelligenz 24 um eine trainierte künstliche Intelligenz 24.

Das entsprechende Verfahren zum Trainieren der künstlichen Intelligenz 24 ist in Figur 3 gezeigt, worauf nachfolgend Bezug genommen wird.

In einem ersten Trainingsschritt T1 wird ein Trainingsdatensatz für die künstliche Intelligenz 24 bereitgestellt, der zumindest die erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem ersten Zeitpunkt, die erste charakteristische Kenngröße des Spannungsnetzes 12 zu einem zweiten Zeitpunkt sowie einen tatsächlichen Zustand des Spannungsnetzes 12 zu einem dritten Zeitpunkt umfasst. Der dritte Zeitpunkt ist dabei später als der erste Zeitpunkt und der zweite Zeitpunkt, sodass es sich um einen zu prognostizierenden zukünftigen Zeitpunkt ausgehend vom ersten Zeitpunkt und vom zweiten Zeitpunkt handelt.

Zusätzlich kann eine zweite Größe im Trainingsdatensatz enthalten sein, die unterschiedlich zur ersten charakteristische Kenngröße ist, sodass der Trainingsdatensatz zumindest zwei unterschiedliche Größen umfasst. Bei der zweiten Größe kann es sich um eine zweite charakteristische Kenngröße des Spannungsnetzes 12 handeln, die von der ersten charakteristische Kenngröße verschieden ist.

Insbesondere kann der Trainingsdatensatz eine Zeitreihe bzw. Zeitfolge der ersten charakteristischen Kenngröße umfassen, sodass von der ersten charakteristischen Kenngröße mehrere Werte, vorzugsweise mehr als zwei Werte, vorhanden sind, die zu unterschiedlichen Zeitpunkten gemessen bzw. erfasst worden sind.

Die optional vorgesehen zweite Größe kann auch als Zeitreihe bzw. Zeitfolge im Trainingsdatensatz enthalten sein. Der Trainingsdatensatz kann also Daten von wenigstens zwei unterschiedlichen Größen, insbesondere zwei unterschiedlichen charakteristischen Kenngrößen des Spannungsnetzes 12, für einen bestimmten Zeitraum sowie Informationen zum Zustand des Spannungsnetzes 12 umfassen, die zu einem späteren Zeitpunkt als der bestimmte Zeitraum gewonnen wurden.

Es ist aber auch möglich, dass der Trainingsdatensatz entsprechende Informationen von mehr als nur zwei unterschiedlichen Größen umfasst, insbesondere von mehr als zwei unterschiedlichen charakteristischen Kenngrößen des Spannungsnetzes 12, wodurch insgesamt mehr Informationen bzw. Daten zur Verfügung gestellt werden, wodurch das Training umfangreicher und die Aussagefähigkeit der entsprechend trainierten künstlichen Intelligenz 24 höher ist.

In einem zweiten Trainingsschritt T2 werden zumindest die zum ersten Zeitpunkt erfasste, erste charakteristische Kenngröße und die zum zweiten Zeitpunkt erfasste, erste charakteristische Kenngröße, insbesondere die Zeitreihe bzw. Zeitfolge der ersten charakteristischen Kenngröße, in die Prozessoreinheit 16 eingespeist, die die zu trainierende künstliche Intelligenz 24 aufweist. Die die künstliche Intelligenz 24 aufweisende Prozessoreinheit 16 verarbeitet die zu den unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße, insbesondere die Zeitreihe bzw. Zeitfolge, gemeinsam und gibt einen prognostizierten zukünftigen Zustand des Spannungsnetzes 12 zu dem dritten Zeitpunkt aus, zu dem der Trainingsdatensatz den tatsächlichen Zustand des Spannungsnetzes 12 umfasst.

Demnach erlernt die künstliche Intelligenz 24 während des Trainings entsprechende Zusammenhänge zwischen den zu den beiden unterschiedlichen Zeitpunkten erfasste, erste charakteristische Kenngröße und deren Auswirkung(en) auf den späteren Zustand des Spannungsnetzes 12, sodass die künstliche Intelligenz 24 trainiert wird, den zukünftigen Zustand des Spannungsnetzes 12 basierend auf den vergangenen bzw. aktuellen Daten zu prognostizieren.

Zusätzlich kann optional die zweite Größe mit einbezogen werden, wodurch Korrelationen zwischen den unterschiedlichen Größen beim Training erkannt werden, also Korrelationen zwischen den Werten der ersten charakteristischen Kenngröße, die zu den unterschiedlichen Zeitpunkten erfasst worden sind, und der zweiten Größe, die einmalig oder ebenfalls zu den unterschiedlichen Zeitpunkten erfasst wurde.

In einem dritten Trainingsschritt T3 wird der prognostizierte zukünftige Zustand des Spannungsnetzes 12 zum dritten Zeitpunkt mit dem tatsächlichen Zustand des Spannungsnetzes 12 zum dritten Zeitpunkt verglichen, wobei letzterer im Trainingsdatensatz enthalten war. Mittels des Vergleichs wird eine Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes 12 und dem tatsächlichen Zustand des Spannungsnetzes 12 festgestellt. Insofern wird beim Training festgestellt, wie genau die Prognose der künstlichen Intelligenz 24 bereits ist, also wie gut die Prognose den tatsächlich den Zustand trifft.

In einem vierten Trainingsschritt T4 wird die festgestellte Abweichung zwischen dem prognostizierten zukünftigen Zustand des Spannungsnetzes 12 und dem tatsächlichen Zustand des Spannungsnetzes 12 in die zu trainierende künstliche Intelligenz 24 rückgespeist, um Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz 24 anzupassen, sofern die Abweichung außerhalb eines Toleranzbereichs liegt. Dies ist in Figur 3 mit dem entsprechenden Pfeil angedeutet. Der Toleranzbereich kann dabei vorgegeben und/oder von einem Nutzer eingestellt worden sein.

Anschließend wird zumindest der Trainingsschritt T3 wiederholt, wobei die beim Vergleich im Trainingsschritt T3 festgestellte Abweichung zunehmend verringert wird. Die Abweichung ist nach einer gewissen Anzahl an Wiederholungen (Iterationen) derart gering, dass die Abweichung innerhalb des Toleranzbereichs liegt, sodass die Abweichung nicht mehr rückgespeist wird. Dann hat die künstliche Intelligenz 24 einen zumindest (vor-)trainierten Zustand für den Trainingsdatensatz erreicht, sodass diese verwendet werden kann.

Die künstliche Intelligenz 24 kann anschließend mit denselben Trainingsschritten T1-T4 mit entsprechenden Iterationen weitertrainiert werden, sodass die künstliche Intelligenz 24 bspw. auf weitere charakteristische Kenngrößen des Spannungsnetzes 12, insbesondere unterschiedliche Paarungen von charakteristischen Kenngrößen des Spannungsnetzes 12 trainiert wird.

Insbesondere kann das Training der künstlichen Intelligenz 24 auch das Einspeisen von mehr als zwei unterschiedlichen Größen, insbesondere charakteristischen Kenngrößen des Spannungsnetzes 12, umfassen, bspw. bis zu acht unterschiedlichen Größen oder mehr. Der entsprechende Trainingssatz, der hierzu verwendet wird, weist demnach mehr Daten auf, welche bereitgestellt und eingespeist werden.

Typischerweise werden also die Trainingsschritte T1 bis T4 für mehrere unterschiedliche tatsächliche Zustände des Spannungsnetzes 12 und/oder mehrere unterschiedliche Daten der charakteristischen Kenngrößen wiederholt, insbesondere für mehrere unterschiedliche charakteristische Kenngrößen, um die künstliche Intelligenz 24 zu trainieren. Im abschließenden Trainingsschritt T4 werden, wie bereits beschrieben, die Gewichtungsfaktoren der zu trainierenden künstlichen Intelligenz 24 derart angepasst, dass der jeweils prognostizierte zukünftige Zustand des Spannungsnetzes 12 immer innerhalb des Toleranzbereichs liegt.

Die beim Verfahren zum Überwachen des Spannungsnetzes 12 verwendete künstliche Intelligenz 24 ist gemäß dem vorgenannten Trainingsverfahren trainiert worden, sodass es sich um eine trainierte künstliche Intelligenz 24 handelt, die basierend auf zumindest zwei Werten der ersten charakteristischen Kenngröße, die zu unterschiedlichen Zeitpunkten erfasst worden sind, den zukünftigen Zustand des Spannungsnetzes 12 prognostiziert.

Die Prozessoreinheit 16, die die trainierte künstliche Intelligenz 24 umfasst, gibt demnach in einem vierten Schritt S4 den prognostizierten zukünftigen Zustand des Spannungsnetzes 12 aus. Hierbei kann es sich um einen zeitlichen Verlauf einer charakteristischen Kenngröße des Spannungsnetzes 12 handeln, insbesondere einer charakteristischen Kenngröße, die zur ersten charakteristischen Kenngröße (und zur zweiten charakteristischen Kenngröße) verschieden ist. Beispielsweise ist die künstliche Intelligenz 24 unter anderem dazu ausgebildet, den zukünftigen Verlauf einer gesamten harmonischen Verzerrung („Total Harmonie Distortion“ - TH D) des Spannungsnetzes 12 zu prognostizieren, wobei dies basierend auf den historischen Daten (Zeitreihen bzw. Zeitfolgen) des Stroms und/oder der Spannung geschieht. Grundsätzlich ist es dem Netzbetreiber und/oder dem Stromkunden bzw. dem Stromnutzer somit möglich, zukünftige Störungen bzw. Schwächephasen im Spannungsnetz 12 rechtzeitig zu erkennen und entsprechende Gegenmaßnahmen einzuleiten, um das Spannungsnetz 12 stabil zu betreiben.