An autonomic approach for adaptive monitoring in a smart grid context

Abstract

Die heutige Energiegewinnung ist aufgrund veralteter Infrastruktur und mangelnder Informationen des aktuellen und zu erwartenden Stromverbrauchs äußerst ineffizient. Sie basiert hauptsächlich auf einigen wenigen Verbrennungskraftwerken, dessen enorme Auswirkungen auf die Umwelt ein Umdenken in der Stromproduktion verlangen. Das Smart Grid beschäftigt sich mit den Problemen des heutigen Stromnetz und versucht es mit autonomen Ansätzen intelligenter und effizienter zu machen. Dabei soll verstärkt auf erneuerbarer Energie, wie Wind und Solar gesetzt werden. Einzelne Haushalte sollen dabei auch zu der Energieproduktion, durch zum Beispiel Solar Panels am Dach beitragen können. Ein intelligentes Stromnetz soll in der Lage sein die Balance zwischen aktuellen Stromverbrauch und -produktion sicherzustellen. Als Basis für dieses zukünftige Stromnetz gilt die wachsende Anzahl und Funktionalität heutiger Smart Meters. Es wird erwartet, dass diese intelligenten Zähler immer detailliertere Messungen in der Zukunft bringen können, wodurch der Stromverbrauch besser überwacht werden kann. Aufgrund der starken Verteilung dieser Sensoren bedeuten Abfragen eine große Belastung für das Netzwerk, weshalb anspruchsvollere Monitoring Ansätze benögtigt werden.<br />Wir haben einen autonomen adaptiven Ansatz für ein intelligenteres Monitoring in einem Smart Grid Kontext entwickelt, welcher auf der Existenz von korrelierten Sensoren basiert. Ein Beispiel für diese Korrelationen sind Windräder, welche in hoher Anzahl an windstarken Orten platziert werden. Anhand von historischen Messungen werden korrelierte Sensoren identifiziert und gruppiert. Ausgehend von gefundenen Wechselwirkungen werden Sensorabfragen eingespart und von gemessenen Werten hergeleitet.<br />Die Anzahl der Sensoren, welche diese Vorhersagen treffen können ist abhängig von der geforderten Genauigkeit. Wir gehen davon aus, dass es nicht notwendig ist 100% genaue Informationen über die Stromproduktion zu haben, wenn ein Administrator zumindest die Möglichkeit hat abzuleiten ob genügend Strom für den aktuellen oder kommenden Verbrauch produziert wird. Diese geforderte Genauigkeit muss von einem Experten definiert werden, der mit der Domäne und ihren Eigenschaften vertraut ist. Wir identifizieren zwei Eigenschaften, welche die Menge an Monitoring direkt beeinflussen. Zum Einen die Anzahl der über das Netzwerk gesendeten Sensorabfragen und zum Anderen die Frequenz, in welcher diese Abfragen gesendet werden. Wir präsentieren unterschiedliche Strategien um diese Eigenschaften zu adaptieren und evaluaieren sie anhand einer Prototypimplementierung. Der Vergleich unseres Ansatzes mit einem Referenzszenario ohne Adaptierungen zeigt ein Einsparungspotential von bis zu 95% netzwerklastigen Sensorabfragen auf, während gleichzeitig eine geforderte Genauigkeit gewährleistet werden konnte.<br />

Today's power grids are mainly based on a relatively small number of power plants converting fuel-energy into electricity. The outdated infrastructure and the resulting inefficient use of our resources requires steps towards a smarter grid. The aim of a smart grid is to make extensive use of renewable energy resources, like wind and solar, and include more power producers like solar panels of single households. The basis for these additional features are the increasing number and capabilities of today's smart meters. They are widely spread within a power grid and expected to deliver more and more detailed information about the power consumption in the future.<br />In order to determine the balance of supply and demand within the power grid the highly distributed meters have to be monitored. But this will exert a huge load on the network, thus more sophisticated monitoring approaches are required. We present an autonomic approach for adapting the amount of monitoring in a smart grid context. This approach is based on the existence of correlated sensors. Wind wheels, for example, are placed in a high density in a close neighbourhood, thus it is very likely that the power generation of these power plants is somehow related.<br />We are using machine learning algorithms for detecting and grouping correlated sensors, thus the measurement of one sensor can be inferred by the measurement of another. The number of sensors suitable for preforming such a prediction is influenced by a required accuracy.<br />We assume that it is not necessary to have a 100% accurate view onto the power generation, when an administrator is at least able to interpret if there is enough supply for the current or upcoming demand. The required accuracy has to be defined by an expert familiar with the domain and its properties. We manage two properties that directly influence the amount of monitoring.<br />Firstly, the number of requests sent over the network and secondly the frequency in which these requests are performed. We present different strategies for adapting these properties and evaluate them on a prototype implementation. The comparison of our approach against a reference scenario with adaptation showed retrenchment potentials in sensor requests up to 95%, while providing a required accuracy.