Wertebasierte Optimierung von Asset Management Strategien für Mittelspannungsnetze mittels Künstlicher Intelligenz, Teilvorhaben: Entwicklung ereignisbezogener Zustandsbewertungssystematiken zur Modellierung relevanter Ereignisse für das Asset Management unter Nutzung von KI-Prognosen

Description: Dieses Projekt wird unter anderem durch den stetig steigenden Kostendruck aufgrund der Anreizregulierung und die zunehmende Verknappung von materiellen sowie personellen Ressourcen insbesondere im Zuge des Fachkräftemangels motiviert. Der Einsatz vorhandener Ressourcen für Netzerneuerung, -ausbau und -instandhaltung muss daher möglichst effizient gestaltet werden. Gleichzeitig gewinnt im Transformationsprozess der Energielandschaft die Digitalisierung zunehmend an Bedeutung. Hier besteht großes Potential, die stetig verbesserten Fähigkeiten der Künstlichen Intelligenz (KI) zu nutzen. Bisher ist der Einsatz von Methoden aus dem Bereich der KI und dem Machine Learning (ML) auf der Ebene des Asset Managements für die Optimierung von Instandhaltungs- sowie Erneuerungsstrategien jedoch nur wenig erforscht. Hier setzt das Forschungsprojekt an, um KI-Methoden umfassend auf die Ebene des Asset Managements für Betriebsmittel der gesamten MS-Ebene zu übertragen. Konkret werden in diesem Teilvorhaben dazu basierend auf einer bereits für Ortsnetzstationen entwickelten Systematik ereignisbezogene Zustandsbewertungssystematiken für MS-Kabel, MS-Freileitungen und MS-Betriebsmittel wie Leistungsschalter in Umspannwerken entwickelt, die als Basis für die Modellierung relevanter Ereignisse im Lebenszyklus dieser Betriebsmittel dienen. Über die ereignisbezogene Zustandsbewertung aller Betriebsmittel der MS-Ebene und der u.a. auf Störungsdaten und Instandhaltungshistorie basierenden Analyse der Wirkzusammenhänge zwischen Zustand und Ereigniswahrscheinlichkeit, werden somit Prognosemodelle unterstützt durch ML-Methoden für strategierelevante Ereignisse entwickelt. Diese Modelle dienen als Grundlage für das übergeordnete auf Reinforcement Learning basierende System, das zur ganzheitlichen Optimierung von Asset Management Strategien auf Basis der Unternehmenswerte der Netzbetreiber dient.

SupportProgram

Tags: Mittelspannungsnetz ? Umspannwerk ? Künstliche Intelligenz ? Prognosemodell ? Modellierung ? Forschungsprojekt ? Klassifikation ? Ökonomisches Instrument ?

Region: Nordrhein-Westfalen

Bounding boxes: 6.76339° .. 6.76339° x 51.21895° .. 51.21895°

License: Creative Commons Namensnennung-keine Bearbeitung-Nichtkommerziell 4.0

Language: Deutsch

Organisations

• Bergische Universität Wuppertal (Projektverantwortung)
• Bundesministerium für Wirtschaft und Energie (Finanzielle Förderung)
• Stadtwerke Münster (Mitwirkung)
• Umweltbundesamt (Bereitstellung)

Time ranges: 2025-06-01 - 2028-05-31

Alternatives

• Language: Englisch/English
  Title: Sub-project: Development of event-related condition assessment systems for modeling relevant events for asset management using AI predictions
  Description: This project is motivated, among other things, by the constantly rising cost pressure due to incentive regulation and the increasing scarcity of material and human resources, particularly as a result of the shortage of skilled workers. The use of existing resources for grid renewal, expansion and maintenance must therefore be as efficient as possible. At the same time, digitalization is becoming increasingly important in the transformation process of the energy landscape. There is great potential here to utilize the constantly improving capabilities of artificial intelligence (AI). However, the use of methods from the field of AI and machine learning (ML) at the asset management level for optimizing maintenance and renewal strategies has been little researched to date. This is where the research project comes in, in order to comprehensively transfer AI methods to the level of asset management for operating resources at the entire MS level. Specifically, this sub-project will develop event-related condition assessment systems for MV cables, MV overhead lines and MV assets such as circuit breakers in substations based on a system already developed for local network substations, which will serve as the basis for modeling relevant events in the life cycle of these assets. Forecast models supported by ML methods are thus developed for strategy-relevant events via the event-related condition assessment of all equipment at the MV level and the analysis of the interdependencies between condition and event probability based on fault data and maintenance history, among other things. These models serve as the basis for the superordinate system based on reinforcement learning, which is used for the holistic optimization of asset management strategies based on the corporate values of the network operators. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1139347

Status

Aktiv

Quality score

• Overall: 0.51
• Findability: 0.69

  • Title: 1.00
  • Description: 0.13
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.