ENGINEERINGNET.BE - Door de problemen met de netcapaciteit en leveringszekerheid neemt de complexiteit van het elektriciteitsnet toe.
Netbeheerders moeten ervoor zorgen dat het elektriciteitsnet betrouwbaar blijft, zelfs als er een stroomkabel uitvalt. Dit wordt het 'n-1 principe' genoemd: als er storing is, moet de stroom via andere routes kunnen worden omgeleid, zonder dat dit problemen veroorzaakt.
Bij zo'n omleiding wordt de belasting op de alternatieve routes hoger. Het is daarom cruciaal om te testen of deze routes de extra belasting wel aankunnen.
Hierbij moet niet alleen worden gekeken naar de capaciteit van de kabels, maar ook of de spanningsprofielen en de stabiliteit van het netwerk binnen veilige grenzen blijven.
Tot nu toe vertrouwden de netbeheerders voor optimale resultaten op wiskundige berekeningen die alle mogelijke omleidingsroutes één voor één controleerden, een proces dat uren kon duren.
De nieuwe technologie, ontwikkeld door onderzoeker Charlotte Cambier van Nooten en collega’s van de Radboud Universiteit, gebruikt machine learning. Het team heeft een 'Graph Neural Network' ontwikkeld die specifiek is aangepast voor elektriciteitsnetten.
Deze methode bekijkt het hele netwerk als één geheel, in plaats van elke route apart. Daarnaast neemt de methode de eigenschappen van zowel de kabels als die van de knooppunten mee in de berekeningen. Het systeem leert patronen te herkennen, en werkt ook voor situaties die het systeem nooit eerder heeft gezien.
Cambier van Nooten: “Als er een storing is, wil je snel weten wat de beste methode is om het op te lossen. Onze nieuwe methode kan dat in enkele seconden. Ook is onze methode gemiddeld 5% nauwkeuriger dan traditionele methoden.”
De methode is getest op het middenspanningsnet. Netbeheerder Alliander is inmiddels begonnen met de implementatie van de nieuwe technologie.
