Key points are not available for this paper at this time.
Die massive Durchdringung von dezentralen Energiequellen (DER) und Hochgeschwindigkeits-Leistungselektronik, selbst am Rand des Verteilungsnetzes, erhöht die Management- und operationale Komplexität des Netzwerks, während sie prädiktive Wartung, Steuerung und Fehlervorhersagemechanismen in nahezu Echtzeit erforderlich macht. Ein Verteilungsuntermodul umfasst ein CPS (Cyber-Physikalisches System), wobei der Cyber-Anteil durch ein latenzarmes IIoT-Netzwerk und Rechenressourcen am Edge (Controller des Verteilungsnetzuntermoduls) ermöglicht wird, während das physikalische System (Digital Twin) durch ein hybrides Modell des Netzes dargestellt wird: eine datengetriebene Maschinenlernrepresentation einer begrenzten Anzahl von Knoten, zusammen mit einem zeitdiskreten modellbasierten Transienten-Zustands-Schätzer, der den physischen Betrieb des Netzes in nahezu Echtzeit erfässt. Bei Frühwarnmessungen, die über das IIoT erfasst werden, können Maschinenlern-Edge-Berechnungen die Schwere der Warnung erkennen, den betreffenden Netzwerkbereich identifizieren und die Ausführung der transienten Zustandsschätzung anstoßen. Die transiente Zustandsschätzung prognostiziert den bevorstehenden Fehler in nahezu Echtzeit, während das Zeitfenster mögliche präventive Maßnahmen ermöglicht.
Tzanis et al. (Wed.) haben diese Frage untersucht.