Write a German body of 800 to 1,800 words in Sie-Form with KI and glossary terms, for example: Maschinelles Lernen (ML) bietet eine rechnerisch handhabbare Alternative zur Zeitbereichssimulation für die Online-Bewertung der transienten Stabilität (Transient Stability Assessment, TSA)., yet inconsistent evaluation practice limits reproducibility and cross-study comparison. We benchmark 17 ML classifiers on IEEE 9-bus and New England 39-bus power systems under a unified evaluation protocol, Baumbasierte Ensemble-Modelle schneiden in unserem Benchmark am besten ab. Extra Trees erreicht 99,22 % und 98,15 % Genauigkeit, LightGBM 99,10 % und 98,12 %. parametric and non-parametric approaches across accuracy, recall, and area under the receiver operating characteristic curve (AUC) with training times under two seconds. We further quantify the latency-accuracy tradeoff between snapshot and trajectory-based TSA. A five-second post-fault observation window recovers 85-100% accuracy using physics-informed temporal features, while classical ensembles match Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), and Transformer architectures within 1.4% at 30- 100× lower training cost. We introduce Tranpy, an open-source Python package with pre-trained models, labeled datasets, and PowerFactory integration for custom dataset generation, addressing critical reproducibility gaps in ML-based TSA research.
Machine Learning zur Online-Bewertung der transienten Stabilität in Übertragungsnetzen
Ein Benchmark von 17 ML-Klassifikatoren zeigt, dass Extra Trees die transiente Stabilität auf zwei Testnetzen mit bis zu 99,22 % Genauigkeit bewertet. Das Training dauert weniger als zwei Sekunden.
KI-Anwendungsfall
Ein Übertragungsnetzbetreiber bewertet in der Netzführung laufend, ob kritische Fehler zu einem Verlust der transienten Stabilität führen würden. Ein baumbasiertes Ensemble wie Extra Trees, trainiert auf PowerFactory-Simulationen des eigenen Netzmodells, die mit Tranpy erzeugt wurden, klassifiziert jeden betrachteten Fehlerfall als stabil oder instabil und markiert kritische Fälle für eine vollständige Zeitbereichssimulation. Ziel ist, die Vorauswahl von der Simulationsdauer auf die Inferenzzeit des Modells zu verkürzen, während die Ingenieurin oder der Ingenieur die markierten Fälle prüft.