Ein Ensemble‑Hybrid- und erklärbares KI-(XAI)-Rahmenwerk zur Erkennung von Inselbetrieb ohne Fehlalarme in Verteilnetzen

Warum es so wichtig ist, die Versorgung sicher zu halten

Mit der Zunahme von Solardächern, kleinen Windturbinen und anderen lokalen Energiequellen in Wohngebieten wird unser Stromnetz zwar sauberer, aber auch komplexer. Eine der gravierendsten Gefahren in diesem neuen Umfeld ist der sogenannte „Inselbetrieb“: ein Zustand, in dem ein Stadtteil weiterhin Strom erzeugt, obwohl er vom Hauptnetz abgeschaltet wurde. Diese Arbeit stellt ein intelligentes, zweistufiges KI‑System vor, das Inselzustände schnell und zuverlässig identifizieren soll — dabei aber unnötige Abschaltungen vermeidet, die Kunden verärgern und das Netz belasten.

Wenn eine Nachbarschaft zur eigenen Insel wird

Stellen Sie sich eine Straße vor, deren Hauptleitung wegen Wartung oder nach einem Fehler abgeschaltet wurde, während Solaranlagen auf den Dächern weiter Strom in die lokalen Leitungen einspeisen. Monteure könnten eine Leitung für spannungsfrei halten, obwohl sie noch unter Spannung steht, und Geräte können beim Wiederanschluss außerhalb der Synchronität beschädigt werden. Wegen dieser Sicherheitsrisiken verlangen internationale Vorschriften, dass lokale Erzeuger einen in Inselbetrieb geratenen Abschnitt innerhalb von zwei Sekunden spannungsfrei schalten. Traditionelle Schutzverfahren überwachen Änderungen von Spannung oder Frequenz oder stören das Netz absichtlich, um seine Reaktion zu prüfen. Diese Methoden übersehen jedoch teils Inselzustände oder lösen zu oft bei harmlosen Ereignissen wie Motoranläufen oder Kondensatorschaltungen aus. Versorgungsunternehmen stehen somit vor dem Kompromiss, entweder gefährliche Inseln zu übersehen oder lästige Fehlauslösungen in Kauf zu nehmen.

Warum schlauere Lernwerkzeuge nötig sind

Forscher wenden sich dem maschinellen Lernen zu, um Inselbetrieb von anderen Störungen zu unterscheiden, indem sie Muster direkt aus Daten erlernen. Frühere Arbeiten nutzten einzelne Modelle wie neuronale Netze oder Entscheidungsbäume, die eine einfache Ja‑/Nein‑Antwort liefern: „Ist das Inselbetrieb oder nicht?“ Problematisch ist, dass die Kategorie „nicht“ viele unterschiedliche Situationen umfasst — Fehler, Schaltvorgänge, normales Netzverhalten — die in Messungen an einer Stelle sehr ähnlich aussehen können. Ein einzelnes Modell stärker sensibel zu machen verringert das Risiko, einen Inselbetrieb zu verpassen, erhöht aber meist die Anzahl der Fehlalarme. Umgekehrt erhöht eine konservative Einstellung die Wahrscheinlichkeit, einen echten Inselbetrieb zu übersehen. Viele dieser Modelle sind zudem schwer zu interpretieren, was Netzingenieure verunsichert, wenn sie solchen Systemen in sicherheitskritischen Schutzaufgaben vertrauen sollen.

Eine zweistufige Wachschutzfunktion fürs Netz

Die Autoren schlagen eine andere Strategie vor: die Schutzaufgabe in zwei spezialisierte Stufen aufzuteilen, die zusammenarbeiten. In der ersten Stufe agiert ein „Isolation Forest“-Algorithmus wie ein stets aktiver Wachhund, der nur auf normales Netzverhalten trainiert ist. Seine Aufgabe ist sehr einfach — er schlägt Alarm, sobald eingehende Messwerte ungewöhnlich erscheinen. Diese Stufe ist extrem sensitiv eingestellt, sodass fast jede Abweichung, einschließlich subtiler Inselzustände, früh erkannt wird. Erst wenn eine solche Anomalie erkannt wird, wird die zweite Stufe aktiv. Dort führt ein leistungsfähiges XGBoost‑Modell eine verfeinerte Prüfung durch und klassifiziert das Ereignis nicht nur binär, sondern in mehrere Kategorien wie Inselbetrieb, Fehler, Kondensatorschaltung, Motoranlauf und normale Laständerungen. Indem das Modell lernt, diese verschiedenen Signaturen getrennt zu erkennen, verbessert das System seine Fähigkeit, Fehlauslösungen zu vermeiden, ohne dabei an Wachsamkeit zu verlieren.

Den Black‑Box‑Mechanismus mit Erklärungen öffnen

Um Vertrauen in diesen automatisierten Entscheider zu schaffen, nutzt das Rahmenwerk außerdem ein Erklärungswerkzeug namens SHAP. Für jedes Ereignis berechnet SHAP, wie stark verschiedene Merkmale — etwa wie schnell sich die Netzfrequenz ändert, wie rasch sich die Leistung verschiebt oder wie verzerrt die Spannung geworden ist — die Entscheidung in Richtung Inselbetrieb oder dagegen beeinflussen. In Echtzeit protokolliert das System die wichtigsten Einflussfaktoren, sodass Betreiber nachvollziehen können, warum ein Leistungsschalter ausgelöst oder geschlossen bleiben sollte. Beim Testen und Abstimmen helfen detailliertere SHAP‑Darstellungen den Forschern, Verwirrungsquellen zu identifizieren, etwa wenn eine Kondensatorschaltung einem Inselbetrieb ähnelt. Diese Einsichten leiteten die Entwicklung einer adaptiven Konfidenzschwelle: Das System verlangt stärkere Belege bevor es auslöst, wenn die Muster zweideutig sind, und kann die Schwelle leicht lockern, wenn die Hinweise klar und konsistent sind.

Wie gut das neue System abschneidet

Das Team testete seinen Ansatz an einem öffentlich verfügbaren, simulierten Mikronetz‑Datensatz, der Hunderte von Beispielen für Insel‑ und Nicht‑Inselereignisse unter vielen Betriebsbedingungen enthält. Nach der Extraktion von sieben physikalisch sinnvollen Merkmalen aus kurzen Fenstern von Spannungs‑ und Stromdaten trainierten und optimierten sie beide Stufen und bewerteten die Leistung an zuvor ungesehenen Fällen. Das kaskadierte System erkannte 96 Prozent der Inselereignisse, sodass im Test nur sehr wenige Inseln unentdeckt blieben, und hielt die Fehlalarmrate bei etwa 2,7 Prozent. Die Gesamtgenauigkeit erreichte 96,8 Prozent, und die Methode übertraf Single‑Model‑Machine‑Learning‑Baselines sowie ein traditionelles, schwellenbasiertes Hybridschema. Selbst bei Zugabe realistischer Messrauschen nahm die Leistung nur allmählich ab, statt zusammenzubrechen, und die Verarbeitungszeit blieb unter zehn Millisekunden — deutlich schneller als von Netzstandards gefordert.

Was das für die tägliche Zuverlässigkeit bedeutet

Für Nicht‑Fachleute ist die Kernbotschaft, dass die Arbeit einen praktikablen Weg zeigt, um „das Beste aus beiden Welten“ beim Schutz eines modernen, erneuerbarenreichen Netzes zu erreichen. Indem das System zuerst fragt „Passiert hier etwas Ungewöhnliches?“ und erst danach fragt „Was genau passiert?“, umgeht es den üblichen Zielkonflikt zwischen dem Erfassen jedes gefährlichen Inselbetriebs und dem Vermeiden unnötiger Abschaltungen. Die zusätzliche Erklärungsschicht ermöglicht es Ingenieuren, die Logik hinter jeder Auslöseentscheidung nachzuvollziehen und verwandelt einen Black‑Box‑Algorithmus in ein Werkzeug, das sie prüfen und verfeinern können. Zwar basiert die Studie auf simulierten Daten und muss noch an realen Messungen validiert werden, doch sie weist in Richtung einer sichereren, zuverlässigeren Integration von Solardächern, kleinen Windparks und anderen dezentralen Erzeugern in die alltäglichen Energiesysteme, auf die wir alle angewiesen sind.

Zitation: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Schlüsselwörter: Inselbetriebserkennung, dezentrale Erzeugung, maschinelles Lernen, Schutz von Energiesystemen, erklärbare KI