{"id":101148,"date":"2024-08-13T02:22:00","date_gmt":"2024-08-13T00:22:00","guid":{"rendered":"https:\/\/www.sonnenseite.com\/?p=101148"},"modified":"2024-08-12T09:53:10","modified_gmt":"2024-08-12T07:53:10","slug":"forscher-entwickeln-ai-pfad-zur-verhinderung-von-stromausfaellen","status":"publish","type":"post","link":"https:\/\/www.sonnenseite.com\/de\/energie\/forscher-entwickeln-ai-pfad-zur-verhinderung-von-stromausfaellen\/","title":{"rendered":"Forscher entwickeln AI-Pfad zur Verhinderung von Stromausf\u00e4llen"},"content":{"rendered":"\n

Forscher der University of Texas in Dallas haben ein Modell der k\u00fcnstlichen Intelligenz (KI) entwickelt, das Stromnetzen helfen k\u00f6nnte, Stromausf\u00e4lle zu verhindern, indem es den Strom innerhalb von Millisekunden automatisch umleitet.
<\/p>\n\n\n\n

Die Forscher der UT Dallas, die mit Ingenieuren der University at Buffalo in New York zusammengearbeitet haben, demonstrierten das automatisierte System in einer Studie, die am 4. Juni in Nature Communications<\/em><\/a> ver\u00f6ffentlicht wurde.
<\/p>\n\n\n\n

Der Ansatz ist ein fr\u00fches Beispiel f\u00fcr die Technologie des „selbstheilenden Netzes“, bei der KI eingesetzt wird, um Probleme wie Stromausf\u00e4lle selbstst\u00e4ndig und ohne menschliches Eingreifen zu erkennen und zu beheben, wenn Probleme auftreten, wie z. B. durch einen Sturm besch\u00e4digte Stromleitungen.
<\/p>\n\n\n\n

„Unser Ziel ist es, den optimalen Weg zu finden, um die Mehrheit der Nutzer so schnell wie m\u00f6glich mit Strom zu versorgen. Bevor dieses System umgesetzt werden kann, sind jedoch noch weitere Forschungsarbeiten erforderlich“.
<\/p>\n\n\n\n

Dr. Jie Zhang, au\u00dferordentlicher Professor f\u00fcr Maschinenbau an der Erik Jonsson School of Engineering and Computer Science
<\/p>\n\n\n\n

Das nordamerikanische Stromnetz ist ein ausgedehntes, komplexes Netz von \u00dcbertragungs- und Verteilungsleitungen, Erzeugungsanlagen und Transformatoren, das den Strom von den Energiequellen zu den Verbrauchern leitet.
<\/p>\n\n\n\n

Anhand verschiedener Szenarien in einem Testnetz haben die Forscher gezeigt, dass ihre L\u00f6sung automatisch alternative Routen f\u00fcr die Strom\u00fcbertragung zu den Verbrauchern ermitteln kann, bevor es zu einem Stromausfall kommt. Der Vorteil der KI liegt in der Geschwindigkeit: Das System kann den Stromfluss innerhalb von Millisekunden automatisch umleiten, w\u00e4hrend derzeitige, von Menschen gesteuerte Prozesse zur Ermittlung alternativer Wege Minuten bis Stunden dauern k\u00f6nnen.
<\/p>\n\n\n\n

„Unser Ziel ist es, den optimalen Weg zu finden, um die Mehrheit der Nutzer so schnell wie m\u00f6glich mit Strom zu versorgen“, sagt Dr. Jie Zhang<\/a>, au\u00dferordentlicher Professor f\u00fcr mechanical engineering<\/a> an der Erik Jonsson School of Engineering and Computer Science<\/a>. „Bevor dieses System implementiert werden kann, ist jedoch noch weitere Forschung erforderlich.“
<\/p>\n\n\n\n

Zhang, Mitautor der Studie, und seine Kollegen verwendeten eine Technologie, die maschinelles Lernen auf Graphen anwendet, um die komplexen Beziehungen zwischen den Einheiten eines Stromverteilungsnetzes abzubilden. Beim maschinellen Lernen von Graphen wird die Topologie eines Netzes beschrieben, d. h. die Art und Weise, wie die verschiedenen Komponenten zueinander angeordnet sind und wie der Strom durch das System flie\u00dft.
<\/p>\n\n\n\n

Die Netztopologie kann auch eine entscheidende Rolle bei der Anwendung von KI spielen, um Probleme in anderen komplexen Systemen zu l\u00f6sen, z. B. in kritischen Infrastrukturen und \u00d6kosystemen, sagte Studienmitautorin Dr. Yulia Gel<\/a>, Professorin f\u00fcr mathematische Wissenschaften<\/a> an der Fakult\u00e4t f\u00fcr Naturwissenschaften und Mathematik<\/a>.
<\/p>\n\n\n\n

„In diesem interdisziplin\u00e4ren Projekt haben wir durch die Nutzung des Fachwissens unseres Teams in den Bereichen Stromversorgungssysteme, Mathematik und maschinelles Lernen untersucht, wie wir verschiedene Abh\u00e4ngigkeiten in den Verteilungssystemen mithilfe von Graphenabstraktionen systematisch beschreiben k\u00f6nnen“, so Gel. „Anschlie\u00dfend haben wir untersucht, wie die zugrundeliegende Netztopologie, integriert in das Reinforcement Learning Framework, f\u00fcr ein effizienteres Ausfallmanagement im Stromverteilungssystem genutzt werden kann.“
<\/p>\n\n\n\n

Der Ansatz der Forscher st\u00fctzt sich auf Reinforcement Learning, das die besten Entscheidungen trifft, um optimale Ergebnisse zu erzielen. Unter der Leitung des Mitautors Dr. Souma Chowdhury, au\u00dferordentlicher Professor f\u00fcr Maschinenbau und Luft- und Raumfahrttechnik, konzentrierten sich die Forscher der University at Buffalo auf den Verst\u00e4rkungslernaspekt des Projekts.
<\/p>\n\n\n\n

Wenn die Stromversorgung aufgrund von Leitungsfehlern unterbrochen wird, kann sich das System mithilfe von Schaltern neu konfigurieren und Strom aus nahegelegenen Quellen beziehen, z. B. aus gro\u00dfen Solaranlagen oder Batterien auf einem Universit\u00e4tsgel\u00e4nde oder in einem Unternehmen, so Roshni Anna Jacob, Doktorandin der Elektrotechnik<\/a> an der UTD und Mitautorin der Studie.
<\/p>\n\n\n\n

„Man kann diese Stromerzeuger nutzen, um ein bestimmtes Gebiet mit Strom zu versorgen“, so Jacob.
<\/p>\n\n\n\n

Nachdem sie sich auf die Verhinderung von Stromausf\u00e4llen konzentriert haben, wollen die Forscher eine \u00e4hnliche Technologie zur Reparatur und Wiederherstellung des Netzes nach einer Stromunterbrechung entwickeln.<\/p>\n\n\n\n