Ein Datensatz realer Oszillogramme aus elektrischen Stromnetzen

Warum winzige elektrische Störungen wichtig sind

Sekunde um Sekunde sorgen umfangreiche Stromnetze stillschweigend dafür, dass unsere Lampen leuchten, Krankenhäuser laufen und Rechenzentren arbeiten. Versteckt in Umspannwerken hören Schutzgeräte ständig auf den Herzschlag des Netzes – Spannungs- und Stromsignale, die verraten, ob alles gesund ist oder kurz vor dem Ausfall steht. Dieser Artikel beschreibt einen neuen, öffentlich verfügbaren Fundus dieser „Herzschläge“, einen Datensatz realer Oszillogramme, die das Verhalten von Stromsystemen während normaler Betriebsbedingungen, kleiner Störungen und schwerer Fehler erfassen. Er soll Ingenieuren und KI-Systemen helfen, unsere Stromversorgung zuverlässiger und widerstandsfähiger zu machen.

Dem Netz zuhören

Moderne Umspannwerke sind gefüllt mit Schutz- und Automatisierungsrelais, Geräten, die das Netz überwachen und bei Problemen sofort Leistungsschalter auslösen. Da Stromsysteme komplexer werden – mit schwankender Nachfrage, erneuerbaren Erzeugern und empfindlicher Elektronik – müssen diese Relais harmlose Schwankungen in einem Bruchteil einer Sekunde von gefährlichen Fehlern unterscheiden. Sie tun dies, indem sie Oszillogramme aufzeichnen: detaillierte Zeitreihen von Spannungen und Strömen, abgetastet tausende Male pro Sekunde. Bisher basierten viele Forschungsarbeiten und KI-gestützte Schutzschemata stark auf synthetischen, computergenerierten Signalen, die die Unordnung realer Netze – etwa Sensorfehler, unvorhersehbare Lasten oder blitzbedingte Störungen – nicht vollständig nachbilden können.

Eine große Bibliothek realer Signale

Die Autoren haben einen Datensatz von 50.765 Oszillogrammen aus Industrieumspannwerken zusammengestellt, überwiegend aus Mittelspannungsnetzen zwischen 0,4 und 35 Kilovolt. Diese Aufzeichnungen stammen aus routinemäßigen Inbetriebnahmen von Anlagen und aus Untersuchungen tatsächlicher Ereignisse im Netz. Alle Dateien sind im in der Energiebranche weit verbreiteten COMTRADE-Standard gespeichert und werden zusätzlich als vorverarbeitete CSV-Dateien für Datenanalyse und maschinelles Lernen angeboten. Zum Schutz von Privatsphäre und Geschäftsgeheimnissen entfernte das Team Namen von Anlagen und Herstellern, Aufzeichnungsdaten und ursprüngliche Dateinamen und vereinheitlichte die Beschriftung der Signale, sodass Nutzer unabhängig von Gerätehersteller oder Aufbau des Umspannwerks ein konsistentes Set von Spannungs- und Stromkanälen sehen.

Die Signale verständlich machen

Eine sorgfältig ausgewählte Teilmenge von 480 Oszillogrammen erhielt detaillierte menschliche Annotationen. Experten überprüften die analogen Signale und teilten jeden Zeitpunkt in vier einprägsame Gruppen ein: Normalbetrieb oder reines Rauschen, routinemäßige Schaltvorgänge wie das Öffnen von Leistungsschaltern oder das Anlaufen von Motoren, abnorme Ereignisse, die von Vorschriften abweichen, aber keine sofortige Abschaltung erfordern, und schwere Fehlerereignisse, die Schutzgeräte auslösen sollten. Diese feingranulare Kennzeichnung ermöglicht es Forschern, Algorithmen zu trainieren und zu testen, die nicht nur erkennen, dass „etwas passiert ist“, sondern auch, welche Art von Ereignis vorliegt. Das Team filterte außerdem die größere Sammlung und identifizierte mehr als 20.000 Oszillogramme mit klaren Störungen, was einen fokussierten Ausgangspunkt für Interessierte an ungewöhnlichem Verhalten bietet.

Von rohen Wellen zu intelligenterem Schutz

Um die Qualität ihrer Labels zu prüfen, trainierten die Autoren mehrere Typen neuronaler Netze auf der annotierten Teilmenge. Zunächst verwendeten sie einen Autoencoder – ein KI-Modell, das Signale in eine kompakte interne Beschreibung komprimiert und dann rekonstruiert –, um Merkmale direkt aus den Wellenformen zu lernen. Als diese komprimierten Beschreibungen visualisiert wurden, bildeten die vier Ereigniskategorien klar getrennte Cluster, was zeigt, dass die Expertenbeschriftungen reale Unterschiede in den Signalen erfassten. Standardklassifizierer wie konvolutionale und rekurrente Netze konnten anschließend die vier Ereignistypen mit hoher Genauigkeit erkennen, besonders bei abnormen und Fehlerereignissen. Das demonstriert, dass der Datensatz sich gut eignet, um Methoden des maschinellen Lernens für die Netzüberwachung zu entwickeln und zu benchmarken.

Eine Grundlage für künftige Netzintelligenz schaffen

Für Nichtfachleute ist die wichtigste Erkenntnis, dass dieser Datensatz ein realistisches Labor bietet, um zu verbessern, wie wir Stromnetze schützen und steuern. Da er sowohl gelabelte als auch ungelabelte Daten enthält und die Verarbeitungstools offen bereitgestellt werden, können Forscher alles von einfacher Anomalieerkennung bis zu fortgeschrittenen adaptiven Schutzschemata untersuchen, die sich an veränderte Netzbedingungen anpassen. Im Laufe der Zeit können auf diesen realen Oszillogrammen trainierte und validierte Modelle Versorgungsunternehmen helfen, Probleme früher zu erkennen, Ausfälle zu reduzieren und mehr erneuerbare Erzeugung sicher zu integrieren – und so die unsichtbare Infrastruktur hinter unserem Alltag robuster und intelligenter zu machen.

Zitation: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

Schlüsselwörter: Zuverlässigkeit von Stromnetzen, Fehlererkennung, Oszillogramm-Datensatz, Schutzrelais, Maschinelles Lernen in der Energieversorgung