Im Gegensatz zu Übertragungsnetzen sind Verteilnetze nicht durchgehend mit Sensorik durchdrungen. Dies ist vor allem historisch begründet, weil in der ursprünglichen Betriebsweise des Stromnetzes die rein rechnerische Auslegung ausreichend war. Durch den Ausbau der erneuerbaren Energien und deren Anschluss an die Verteilnetze ist mehr Netztransparenz notwendig, um weiterhin eine stabile Netzbetriebsführung gewährleisten zu können. Die Netze mit mehr Sensorik auszustatten ist zwar möglich, jedoch nicht wirtschaftlich. Ein intelligenter Lösungsansatz, um Netztransparenz auch unter eingeschränkter Beobachtbarkeit von Verteilnetzen herzustellen, ist also dringend notwendig. Daher wird der Netzzustand auf Grundlage der verfügbaren Messdaten durch eine State Estimation geschätzt. Während dies im Übertragungsnetz seit langem erfolgreich eingesetzt wird, ist eine Übertragung der Technologien zur State Estimation auf das Verteilnetz schwierig bis unmöglich.

Der innovative Ansatz von TRANSENSE erweitert die klassische State Estimation mittels KI-Technologien zur Neural State Estimation. Dabei werden künstliche neuronale Netze eingesetzt, die sich bereits als im Gegensatz zur iterativen Lösung der Lastflussrechnung unter den Bedingungen im Verteilnetz als schneller in der Berechnung erwiesen haben. Die bisher fehlende Übertragbarkeit einer Neural State Estimation wird in TRANSENSE durch einen integrierten Transfer-Learning-Ansatz adressiert, der diese zur Transitive Neural State Estimation erweitert. Eine Simulation-as-a-Service-Trainingsinfrastruktur erlaubt es, Simulation und Training eng zu koppeln, d.h. der Trainingsalgorithmus überwacht zur Laufzeit die statistischen Eigenschaften der Trainingsdaten und leitet daraus Anforderungen für weitere Trainingsdaten ab, welche dann vom Simulationsframework generiert werden.

Die Ergebnisse werden in einer leitsystemnahen Offline-Testumgebung mit realitätsnahen Modellen evaluiert und in einem mehrstufigen Evaluationsverfahren auf Praxistauglichkeit untersucht. Nach dem Training auf einem exakt bestimmten, simulierten Verteilnetz wird das trainierte Modell zunächst auf ein unterbestimmtes, simuliertes Verteilnetz, dann auf ein unterbestimmtes, reales und bekanntes Verteilnetz transferiert. Um eine zügige Praxisverwertung sicherzustellen, wird das Projekt von einer Analyse möglicher Geschäftsmodellinnovationen in Verteilnetzen mit hoher Netztransparenz begleitet.

OFFIS übernimmt hier neben der Projektleitung die Übertragung der Transfer-Learning-Methodik auf die Zustandsschätzung für Verteilnetze und die methodische Weiterentwicklung der Neural State Estimation zur Transitive Neural State Estimation. Außerdem entwickelt OFFIS die Integration des Trainingsalgorithmus für Transitive Neural State Estimation in die Schnittstelle der Simulation-as-a-Service-Trainingsinfrastruktur.