Dieser Erfolg ist nicht nur ein persönlicher Meilenstein für David Fellner, sondern unterstreicht auch den Erfolg des SIC!-Programms bei der Förderung von Spitzenforschung. SIC! wurde in Zusammenarbeit mit Industriepartnern und Forschungseinrichtungen ins Leben gerufen und befindet sich nun in der zweiten Runde. Es baut auf den Erfolgen der ersten Generation auf, die seit 2018 acht Dissertationen und über fünfzig Publikationen hervorgebracht hat.
Diese akademische Errungenschaft verleiht auch den Bemühungen des DeMaDs-Projekts, hinter dem David Fellner eine führende Kraft war, eine zusätzliche Bedeutung. Das Projekt zielt darauf ab die Landschaft der Stromnetzüberwachung neu zu gestalten.
Hintergrund und Herausforderungen
Die Integration erneuerbarer Energiequellen hat die traditionelle Energielandschaft verändert und zu einer erhöhten Komplexität des Netzbetriebs und der Netzüberwachung geführt. Eines der Hauptprobleme, mit denen Verteilernetzbetreiber (VNB) konfrontiert sind, ist die Zunahme von Spannungsbandverletzungen aufgrund der Schwierigkeit, den korrekten Betrieb von netzgekoppelten Geräten, insbesondere von Wechselrichtern auf der Niederspannungsebene, zu überwachen.
Die Überwachung der netzgekoppelten Geräte ist für die Gewährleistung der Zuverlässigkeit und des ordnungsgemäßen Funktionierens des Netzes unerlässlich. Die unregelmäßige Aktualisierung der Netzdaten und rechtliche Beschränkungen, wie z. B. die Einholung der Zustimmung der Kunden zur Verwendung von Smart-Meter-Daten, stellen jedoch Hindernisse für eine wirksame Überwachung dar. Zudem erschwert der kostenintensive Ausbau der Kommunikationsinfrastrukturen die zentrale Verarbeitung großer Mengen lokaler Daten.
Das DeMaDs-Projekt
Das DeMaDs-Projekt zielte darauf ab eine Lösung für diese Herausforderungen zu entwickeln, indem ein zentraler datengesteuerter Ansatz eingeführt wurde. Primäres Ziel war es, Überwachungsmöglichkeiten zu schaffen, die in der Lage sind, verschiedene Fehlkonfigurationen zu erkennen und zu unterscheiden, darunter falsch parametrierte Photovoltaik-Wechselrichter, E-Auto Ladestationen oder nicht richtig gesteuerte Lasten.
Im Gegensatz zum derzeitigen Stand der Technik wurde im Rahmen des DeMaDs-Projekts auf innovative Weise ein komplettes Rahmenwerk für die Überwachung netzgekoppelter Geräte entwickelt. Dieses Rahmenwerk integriert Data Mining, Verarbeitung und Validierung der Ergebnisse und bietet einen neuen und effizienten Ansatz zur Bewältigung der mit dem Netzmanagement verbundenen Komplexität.
David Fellner's wichigste Errungenschaften
Datengesteuerte Erkennung von Anomalien: Im Rahmen des Projekts wurde erfolgreich eine datengesteuerte Methode zur Erkennung anormaler Messwerte von Transformatoren in Umspannwerken entwickelt. Dieser neuartige Ansatz füllt eine entscheidende Lücke bei der Erkennung von Anomalien auf der Mittelspannungsebene von Umspannwerken, indem Betriebsdaten für eine höhere Genauigkeit genutzt werden.
Analyse der Grundursache: DeMaDs bietet eine Methode, um abnormales Verhalten mit der zugrundeliegenden Ursache zu verknüpfen, indem erkannte Anomalien in vordefinierte Arten von Fehlkonfigurationen klassifiziert werden. Diese wertvollen Erkenntnisse sind entscheidend für die Entwicklung einer Überwachungslösung, die über die bloße Erkennung hinausgeht und ein tieferes Verständnis für die Leistung des Netzes bietet.
Extraktion von Informationen: Im Rahmen des Projekts wurde ein Ansatz zur Extraktion von Informationen über das Niederspannungsverteilungsnetz anhand zentraler Daten entwickelt. Dies ist von entscheidender Bedeutung, da Anomalien auf der Niederspannungsebene ohne Informationsextraktion schwer zu erkennen sind. Die Auflösung der aggregierten Leistungsprofile ermöglicht die Identifizierung von Faktoren, die zu Anomalien beitragen.
Umfassende Bewertung: DeMaDs führte eine gründliche Bewertung der für eine potenzielle Überwachungslösung erforderlichen Daten durch und berücksichtigte dabei Datenmerkmale, Qualität, Herkunft und Überwachungsleistung. Dadurch wird die Durchführbarkeit der Überwachungslösung sichergestellt und das Vertrauen in ihre Funktionalität innerhalb der bestehenden Dateninfrastruktur gestärkt.
Zukünftige Auswirkungen
Die Errungenschaften des DeMaDs-Projekts und der jüngste akademische Erfolg von David Fellner ebnen den Weg für ein effizienteres und zuverlässigeres Energienetzmanagement. Der datengesteuerte Ansatz verbessert nicht nur die Erkennung von Anomalien, sondern liefert auch wichtige Erkenntnisse für eine proaktive Netzwartung. Da sich die Energielandschaft weiterentwickelt, werden Innovationen wie die des DeMaDs-Projekts eine entscheidende Rolle dabei spielen, die nahtlose Integration erneuerbarer Energiequellen in unsere Stromverteilungssysteme zu gewährleisten.
Partnerschaften als Kernstück
Das NextGeneration SIC! lebt von der Zusammenarbeit. Als kooperatives Doktoratskolleg der TU Wien arbeitet es eng mit Partnern aus verschiedenen Forschungseinrichtungen zusammen, darunter dem Austrian Institute of Technology (AIT) und der Montanuniversität Leoben (MUL). Auch die Zusammenarbeit mit der Industrie ist von entscheidender Bedeutung: Große Unternehmen wie A1, EVN, evon und Fundermax tragen zum Erfolg des Kollegs bei. Dieser kollaborative Ansatz stellt sicher, dass die durchgeführte Forschung sowohl wissenschaftlich fundiert als auch praxisrelevant ist.
Das NextGeneration SIC! ebnet den Weg für künftige Fortschritte und der Erfolg von Forschern wie David Fellner dient als Inspiration für die nächste Welle von Innovatoren, die bereit sind, sich den komplexen Herausforderungen unserer sich ständig weiterentwickelnden Industrielandschaft zu stellen.
Aktuell ist David Fellner als Studiengangsleiter für Erneuerbare Energien und als Senior Lecturer and Researcher an dem FH Technikum Wien tätig. Wir wünschen ihm weiterhin viel Erfolg auf seinem beruflichen und wissenschaftlichen Weg.
David Fellners Dissertation ist über das TU Wien reposiTUm, öffnet eine externe URL in einem neuen Fenster frei zugänglich:
Fellner, D. (2024). Data Driven Detection of Misconfigurations in Power Distribution Systems, öffnet eine externe URL in einem neuen Fenster [Dissertation, Technische Universität Wien]. reposiTUm.
Im Rahmen seiner Dissertation entstanden folgende Veröffentlichungen:
Veröffentliche Publikationen:
- Fellner, D., Strasser, T., Kastner, W. (2023). Misconfiguration Detection of Inverter-based Units in Power Distribution Grids using Machine Learning to be published in Arghandeh, R., & Zhou, Y. (Eds.). (2023). Big data application in power systems, 2nd edition. Elsevier.
- Fellner, D., Strasser, T., Kastner, W. (2023). Data-driven misconfiguration detection in power systems with transformer profile disaggregation, submitted to IEEE ACCESS
- Fellner, D., Strasser, T., Kastner, W. (2023). An operational data-driven malfunction detection framework for enhanced power distribution system monitoring – the demads approach. In Proceedings of the CIRED 2023
- Fellner, D., Strasser, T., Kastner, W. (2023). The DeMaDs Open Source Modeling Framework for Power System Malfunction Detection. In Proceedings of the 2023 OSMSES, Aachen, Germany, 2023, pp.1-6
- Fellner, D., Strasser, T., Kastner, W., Behnam, F., & Abdulhadi, I. F. (2022). Data Driven Transformer Level Misconfiguration Detection in Power Distribution Grids. in Proceedings of 2022 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (S. 1832-1839)
- Fellner, D., Strasser, T., & Kastner, W. (2022). Applying Deep Learning-based concepts for the detection of device misconfigurations in power systems. Sustainable Energy, Grids and Networks, 32
- Fellner, D., Strasser, T., & Kastner, W. (2021). Detection of Misconfigurations in Power Distribution Grids using Deep Learning. in Proceedings of the 2021 Int. Conference on Smart Energy Systems and Technologies (SEST)
- Herbst, D., Schürhuber, R., Henein, S., Zehetbauer, P., Fellner, D., Einfalt, A., Schmautzer, E., & Fickert, L. (2021). Entwicklung und Evaluierung eines Algorithmus zur automatisierten Rekonfiguration von Niederspannungsnetzen. e&i elektrotechnik und informationstechnik, 525-537.
- Fellner, D. (2020). Data Driven Detection of Malfunctions in Power Systems. Energy Informatics 2020, 22-24.
- Fellner, D., Brunner, H., Strasser, T., & Kastner, W. (2020). Towards Data-Driven Malfunctioning Detection in Public and Industrial Power Grids. in Proceedings of the 2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA)"
"Research Partnerships – Industrial PhD Program” in DeMaDs (FFG No. 879017)