© unsplash/@matthewhenry

© unsplash/@matthewhenry
Versorgung & Bergbau

Vorhersage von Stromausfällen

Hintergrund

Im Jahr 2019 war jeder Einwohner Berlins durchschnittlich 34 Minuten lang ohne Strom, was einen neuen Negativrekord darstellt. Der wirtschaftliche Schaden, der durch die Produktionsausfälle während des Stromausfalls verursacht wird, geht schnell in die Millionen und kann zu Gerichtsverfahren über die Haftung führen.

Herausforderungen

Stromausfälle hängen oft mit widrigen Wetterbedingungen, veralteten Infrastrukturkomponenten, überlasteten Netzen oder mit einer Veränderung von Vegetation und Landschaft zusammen. Daher müssen die Informationen über den Ausfall mit Wettervorhersage-, Infrastruktur- und Erdbeobachtungsdaten kombiniert werden, um einen Datensatz zu erzeugen, der alle relevanten Merkmale abdeckt und sie im Hinblick auf ihren Einfluss auf Ausfälle gewichtet.

Lösungsansatz

Die Bilddaten aus dem Radar- und dem sichtbaren Spektrum, die aus Erdbeobachtungsdatensätzen stammen, können mit Hilfe von Convolutional Neural Networks (CNN) verarbeitet werden. Diese können Objekte erkennen und klassifizieren, um Veränderungen der Vegetation und der Landschaft zu erkennen, wie z.B. Bäume, die bis in die Stromnetze reichen.

Die Ausfalldaten in Kombination mit den Merkmalen aus der Vegetations- und Landschaftsbewertungen und Wettervorhersagedaten - die mit Decision Tree oder Regression Tree Modellen, wie z.B. Bayesian Additive Regression Tree (BART), verarbeitet werden können - können trainiert werden. Dieses kombinierte trainierte Modell ist dann in der Lage, vorherzusagen, wo die Wahrscheinlichkeit von Ausfällen am höchsten ist.