Online-Erkennung von Teilentladungen in Kabeln und Zustandsbewertung basierend auf Deep-Belief-Netzwerk und Schwarmintelligenz-Optimierungsalgorithmus

Die verborgene Gesundheit von Stromkabeln beobachten

Moderne Städte sind auf umfangreiche Netze vergrabener Stromkabel angewiesen, damit Lichter leuchten, Züge fahren und Rechenzentren laufen. Doch tief in der Isolierung dieser Kabel können winzige elektrische Funken – sogenannte Teilentladungen – monatelang oder jahrelang das Material angreifen, bevor ein dramatischer Ausfall einen Teil des Netzes lahmlegt. Dieses Papier stellt eine neue intelligente Überwachungsmethode vor, die in Echtzeit nach diesen Frühwarnsignalen lauscht, selbst in lauten urbanen Umgebungen, und sie in klare Bewertungen des Kabelzustands übersetzt.

Warum kleine Funken ein großes Problem sind

Unterirdische Kabel sind beliebt, weil sie zuverlässig, platzsparend und optisch unauffällig sind. Ihre Isolierung kann jedoch durch Herstellungsfehler, Feuchtigkeit oder mechanische Belastung kleine Defekte entwickeln. Wenn hohe Spannung anliegt, können diese Schwachstellen winzige Stromstöße erzeugen statt eines sauberen, kontinuierlichen Flusses. Jeder Stoß beschädigt die umgebende Isolierung leicht, und im Laufe der Zeit kann dieser Prozess sich zuspitzen und zu einem plötzlichen Durchschlag und großräumigen Stromausfall führen. Traditionelle Überwachungsmethoden nutzen akustische, thermische, optische oder Funk-Sensoren, doch jede dieser Methoden hat Kompromisse: Einige sind teuer über große Distanzen einzusetzen, andere lassen sich leicht durch Umgebungsgeräusche stören, und viele erfordern Experten, die Merkmale manuell entwerfen oder Einstellungen für jeden neuen Kabeltyp anpassen.

Maschinen das Lesen verrauschter Signale beibringen

Die Autoren gehen diese Herausforderung mit einem datengetriebenen Ansatz an, der auf einem Deep-Belief-Netzwerk basiert, einer Art geschichteten neuronalen Netzes, das automatisch Muster aus Rohmessungen lernen kann. Anstatt dass Ingenieure Signalfunktionen manuell entwerfen, entdeckt das Netzwerk eigenständig nützliche Repräsentationen von Teilentladungssignalen. Um die kontinuierliche Natur realer Messungen besser zu behandeln, ersetzt das Team die üblichen binären Bausteine durch eine Version, die natürlicher für analoge Daten ist. Zusätzlich integrieren sie zwei Techniken aus dem modernen Machine Learning: DropConnect, das während des Trainings zufällig Verbindungen im Netzwerk reduziert, um Überanpassung zu verhindern, und ein „elastisches“ Gewichtsschema, das dem Modell hilft, zuvor Gelerntes zu behalten, wenn im Laufe der Zeit neue Datenarten hinzukommen.

Schwarminspirierte Abstimmung des Netzwerks

Sogar ein cleveres neuronales Netz kann schlecht performen, wenn seine interne Struktur – wie viele Schichten, wie viele Neuronen, welche Lernraten verwendet werden – durch Raten gewählt wird. Um dies zu vermeiden, führen die Autoren ein Optimierungsverfahren ein, das vom kollektiven Verhalten in der Natur inspiriert ist. Sie kombinieren ein Krill-Herde-Modell, ein fledermaus-inspiriertes Suchmuster und Spiralflugbahnen zu einem Algorithmus, der einen virtuellen Schwarm aussendet, um viele mögliche Netzwerkkonzepte zu erkunden. Jedes Kandidatnetz wird nicht nur danach bewertet, wie genau es Kabelzustände klassifiziert, sondern auch danach, wie schnell es läuft und wie kompakt es ist. Im Verlauf vieler Iterationen konzentriert sich der Schwarm auf Konfigurationen, die das beste Gleichgewicht zwischen Genauigkeit, Geschwindigkeit und Ressourcenverbrauch finden und so ein schlankes Modell erzeugen, das sich für den Einsatz in Umspannwerken und Edge-Geräten eignet.

Von Labordaten zu realem Rauschen

Um ihr Framework zu testen, trainieren und evaluieren die Forscher es an öffentlich verfügbaren Datensätzen und zusätzlichen Kabelmessungen und vergleichen es mit verbreiteten Deep-Learning- und Hybridmodellen. Ihr verbessertes Netzwerk übertrifft allein Convolutional Networks und Gradient-Boosting-Methoden bei standardisierten Qualitätsmaßen wie Präzision, Trefferquote und der Fläche unter der Empfängerbetriebskennlinie. Wird der schwarmbasierte Optimierer hinzugefügt, steigt die Leistung weiter, während zugleich Parameteranzahl, benötigte Rechenleistung, Speicherbedarf und Trainingszeit deutlich sinken. Das System hält auch gut stand, wenn starkes Rauschen zu realen Feldmessungen aus urbanen Kabelstrecken hinzugefügt wird, und bewahrt eine höhere Genauigkeit als konkurrierende Methoden selbst bei sehr niedrigen Signal-Rausch-Verhältnissen.

Was das fürs Lichtanschalten bedeutet

Alltagsgemäß zeigt diese Arbeit, wie eine kompakte, selbstanpassende künstliche Intelligenz kontinuierlich dem leisen elektrischen „Herzschlag“ vergrabener Stromkabel lauschen und zuverlässig frühe Warnzeichen melden kann. Indem Teilentladungen früher erkannt und zwischen geringfügigen und schwerwiegenden Defekten unterschieden wird, können Versorgungsunternehmen Wartungen planen statt auf Stromausfälle zu reagieren. Die Kombination aus robuster Signalerkennung, Rauschresistenz und effizienter Berechnung macht das vorgeschlagene Framework vielversprechend für ein großflächiges, permanent aktives Monitoring urbaner Stromnetze und hilft Städten, ihre Stromversorgung sicherer und kosteneffizienter zu betreiben.

Zitation: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

Schlüsselwörter: Überwachung von Stromkabeln, Teilentladung, Deep Learning, Zuverlässigkeit intelligenter Netze, vorausschauende Wartung