Startseite > Embedded > Software > Ingenics Digital entwickelt ML-Algorithmus

Detektion von Anomalien in Smart Grids

Ingenics Digital entwickelt ML-Algorithmus

12. Oktober 2023, 8:00 Uhr | Tobias Schlichtmeier

Die kooperative Zusammenarbeit von Industrie und Forschung verspricht Fortschritte in der Mikroelektronik.

Am 30.9 2023 kam planmäßig das von der EU geförderte Forschungsprojekt »PROGRESSUS« zum Abschluss seiner Forschungs- und Entwicklungsarbeit. Für 15. bis 17.11.2023 ist das Abschlusstreffen der Konsortialpartner in Bari geplant. An dem Projekt war Ingenics Digital maßgeblich beteiligt.

▶ Diesen Artikel anhören

In dem Projekt wurde eine Infrastruktur für Kleinstnetze (Mikrogrids) mit hoher Leistungsfähigkeit als Grundlage für die Integration sicherer und zuverlässiger Verteilnetze für Datenaustausch und Energieverteilung entwickelt. Die Schwerpunkte der Innovation lagen in der Entwicklung neuer Leistungselektronik und Sensorik zur Sicherstellung einer effizienten und zuverlässigen Kopplung von Energieerzeugern und Verbrauchern sowie einer Infrastruktur zum Datenaustausch zwischen Netzen und Verbrauchern. Durch die Verbesserung der Effizienz bei der Energienutzung trägt das Projekt zur CO₂-Reduktion bei.

Ingenics Digital ist im Rahmen des Projekts »PROGRESSUS« unter anderem betraut mit der Entwicklung eines neuartigen und innovativen Machine Learning (ML)-Algorithmus, der Energiebedarfe prognostiziert und Anomalien im Verbrauch feststellen kann. Hiermit wurde ein Verfahren zur Härtung (Robustheit) des Sensornetzwerkes und seiner Plug-und-Play-Fähigkeit erfolgreich geschaffen. Auf diese Weise wurde ein weiterer Schritt in Richtung eines robusten, zuverlässigen verteilten Energiesystems gemacht, das den Einsatz dezentralisierter erneuerbarer Energien ermöglicht.

Kernstück des Algorithmus ist die Fähigkeit, Anomalien und Abweichungen im Energieverbrauch durch ein intelligentes Sensornetzwerk zu detektieren. Neu in dem von Ingenics Digital verfolgten Ansatz ist dabei die Kombination der Abweichungseinschätzung über die Mahalanobis-Distanz mit dem 1D CNN Autoencoder, einem künstlichen neuronalen Netz mit bestimmten Eigenschaften. Bei der Einschätzung, ob ein bestimmter Datenpunkt noch zu einer bestimmten Menge von Datenpunkten gehört oder nicht, berücksichtigt dieses statistische Verfahren die Korrelation der Daten untereinander, indem Varianzen und Kovarianzen der beteiligten variablen Werte mit einbezogen werden.

Somit wird die Entscheidung, ob ein bestimmter Messwert als Ausreißer zu werten ist oder nicht, wesentlich treffsicherer. Das neuronale Netz hat dabei die Aufgabe, die normalen Muster des Energieverbrauchs zu lernen und Abweichungen in Echtzeit zu detektieren. Das Verfahren wurde an echten Daten von Energieerzeugern erfolgreich evaluiert. Es kann eingesetzt werden, um die Effizienz in einem smarten Kleinstnetz zu erhöhen und unregelmäßigen Energieabfluß (z.B. Stromdiebstahl) zu erkennen.

Das Projekt wird gefördert durch die »Electronic Components and Systems for European Leadership Joint Undertaking« (ECSEL JU) unter der Fördernummer 876868. Die Joint Undertaking wird durch das Förderprogramm »Horizon 2020« der EU und durch Mittel der Länder Deutschland, Slowakei, Niederlande, Spanien und Italien unterstützt. Das Bundesministerium für Bildung und Forschung fördert das Vorhaben unter dem Förderkennzeichen 16MEE000K.