Die Offenbarung bezieht sich auf ein Verfahren und eine Vorrichtung zum Über- wachen dreiphasiger periodischer elektrischer Signale basierend auf einem künstlichen neuronalen Netz, bei welchem das elektrische Signal mit einer vor- gegebenen Abtastrate abgetastet wird und ein aus dem Abtasten resultieren- des Abtastsignal in einem künstlichen neuronalen oder neuralen Netz verarbei- tet wird. Die Analyse, insbesondere die Vor-Ort -Ana lyse zeitlich hochabgetasteter elektrischer Strom- und Spannungssignale über künstliche neuronale Netz- werke (KNNs) stellt eine zunehmend wichtige Anwendung von künstlicher In- telligenz (Kl-Anwendung) bei der dezentralen Überwachung und Steuerung elektrischer Netze, insbesondere elektrischer Stromversorgungsnetze, dar. Im Gegensatz zu zentralen Kl-Anwendungen wie SCADA oder WAMS als beispiel- hafte Überwachungssysteme aus dem Bereich der elektrischen Überwachung ermöglicht eine Kl-basierte Auswertung von Momentan-Werten elektrischer Signale in direkter Nähe zu Strom- und Spannungswandlern bzw. auch als Merging Units bezeichneten AD-Wandlern, also die lokale Auswertung von Mo- mentan-Werten elektrischer Signale wie Spannung und Strom, eine deutlich schnellere Erkennung lokaler Störungen, Anomalien oder sonstiger (Fehler-)Zu- stände.

Zur effizienten Umsetzung relevanter Steuerungs- und Regelungsaufgaben in elektrischen Maschinen müssen die Momentan-Werte von Strom und Span- nung vor Ort, d.h. lokal erfasst und ausgewertet werden. Zur Vereinfachung von Rechenoperationen wurde in diesem Bereich die Raumzeiger-Theorie einge- führt, welche eine kompakte Beschreibung dreiphasiger Wechselgrößen wie die besagten Strom- und Spannungssignale in elektrischen Versorgungsnetzen in Form komplexwertiger Drehzeiger ermöglicht und darüber hinaus verschie- dene mathematische Transformationsverfahren bereitstellt. Besonders rele- vant ist hierbei die Clark-Park-Transformation, welche einer invertierbaren Ko- ordinatentransformation für symmetrisch belastete dreiphasige elektrische Systeme mit rotierendem Referenzsignal entspricht.

Des Weiteren ist es möglich, dreiphasige Spannungssignale mittels einer Zeit- Frequenz-Transformation (S-Transformation) zu verarbeiten und eine resultie- rende Koeffizienten-Matrix einem künstlichen neuronalen Netz mit abschlie- ßender Softmax-Funktion zur Klassifikation von Ereignissen der Spannungsqua- lität zu übergeben. Die Anwendung der S-Transformation ist jedoch sehr be- rechnungsintensiv und muss für jedes Spannungssignal separat durchgeführt werden, was zu einer schlechten Verarbeitungseffizienz führt und relevante Signalzusammenhänge nicht erfasst. Auch können komplexwertige KNNs zur Verarbeitung periodischer Signale genutzt werden. Neben Konvergenzproble- men innerhalb des Modelltrainings (dem Anlernen des KNN) ist dessen prakti- sche Anwendbarkeit jedoch fraglich. Ein weiterer Ansatz sind sog. „Oscillatory Fourier Networks" zur Verarbeitung periodischer Signale, welche unter Nut- zung periodischer Aktivierungsfunktionen eine diskrete Fouriertransformation für verschiedene Frequenzbereiche durchführen. Derartige neuronale Netze sind in ihrer Anwendbarkeit jedoch nur auf Klassifikationsaufgaben beschränkt.

Entsprechend stellt sich die Aufgabe, die bestehenden Ansätze zum Überwa- chen elektrischer Strom- und Spannungssignale zu verbessern und insbeson- dere eine effiziente sowie vielseitig einsetzbare KNN-Modellstruktur zu entwi- ckeln.

Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen ergeben sich aus den abhängigen An- sprüchen, der Beschreibung und den Figuren.

Ein Aspekt betrifft ein Verfahren zum Überwachen eines oder mehrerer drei- phasiger periodischer elektrischer Signale unter Verwendung eines künstlichen neuronalen Netzes in einem Stromversorgungsnetz. Insbesondere umfasst o- der ist das Überwachen ein Klassifizieren des dreiphasigen periodischen elektri- schen Signals unter Verwendung des künstlichen neuronalen Netzes und/oder ein Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Sig- nals unter Verwendung des künstlichen neuronalen Netzes. Dabei wird bei ei- nem Klassifizieren des dreiphasigen periodischen elektrischen Signals dieses in vorbekannte unterschiedliche Klassen, d. h. vorbekannte Fehlerklassen eines fehlerhaften Betriebs bzw. Normbetriebsklassen eines fehlerfreien Betriebs klassifiziert, beim Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals hingegen dieses Signal als von dem Signal in Normalbetrieb (einem Normbetriebssignal) in unbekannter Weise abweichend erkannt. Bevor- zugt hat das periodische elektrische Signal dabei genau drei Phasen, ist also ein genau dreiphasiges periodisches elektrisches Signal.

Ein Verfahrensschritt ist ein Abtasten des dreiphasigen periodischen elektri- schen Signals, was verkürzt auch als elektrisches Signal referenziert werden kann, mit einer vorgegebenen Abtastrate. Diese Abtastrate ist bevorzugt eine hohe Abtastrate, d. h. eine Abtastrate von mehr als 1000/s, bevorzugt mehr als 3000/s und besonders bevorzugt mehr als 4000/s. Idealerweise erfolgt das Ab- tasten nur mit einer Abtastrate von mehr als 6000 Abtastungen oder Einzel- werte pro Sekunde. Damit können etwaige Fehler besonders schnell erkannt werden und diese regelungstechnisch besser kompensiert werden. Die Einzel- werte (Abtastungen) können „gefenstert" („gesamplet") werden, sodass die Einzelwerte über T Einzelwerte, beispielsweise über T=50 Einzelwerte, norma- lisiert werden. Dass KNN verarbeitet dann entsprechend bei einem dreiphasi- gen Signal eine Tx3 Beobachtungsmatrix.

Ein weiterer Verfahrensschritt ist ein Verarbeiten eines aus dem Abtasten des elektrischen Signals resultierenden Abtastsignals in einer Encoder-Struktur ei- nes künstlichen neuronalen Netzes (KNN), wobei die Encoder-Struktur ein oder mehrere Clark-Parkt-Schichten (CPS), welche entsprechend einer Clark-Park- Transformation periodischer Anteile des Abtastsignals oder eines von dem Ab- tastsignal abgeleiteten Verarbeitungssignals in einem Ausgabesignal der CPS (einem CPS-Ausgabesignal) in nicht periodische Anteile transformiert, enthält und das KNN die CPS bei dem Verarbeiten nutzt. Daran anschließend erfolgt ein Überwachen des dreiphasigen periodischen elektrischen Signals anhand eines Ergebnisses des im künstlichen neuronalen Netz erfolgten Verarbeitens mit Ausgeben eines Überwachungssignals. Das Überwachungssignal kann ein elekt- risches Steuersignal sein und/oder ein Warnsignal, beispielsweise ein akusti- sches, optisches, oder elektrisches Warnsignal. Das Überwachen des elektri- schen Signals kann ebenfalls in dem oder einem anderen KNN erfolgen. Das Überwachungssignal kann auch einen Ergebnisvektor umfassen oder ein Ergeb- nisvektor sein. Der Ergebnisvektor kann Eintrittswahrscheinlichkeiten für Fehl- erklassen und/oder Störungsklassen enthalten. Als nachfolgender Verfahrens- schritt kann auch ein Eingreifen in die Regelung des Stromversorgungsnetzes in Abhängigkeit des Überwachungssignals vorgesehen sein.

Damit überwindet der hier vorgestellte Ansatz den Mangel an Methoden zur effizienten Verarbeitung elektrischer dreiphasiger Strom- oder Spannungssig- nale in den aktuellen Architekturformen von KNNs wie beispielsweise dem Mul- tilayer-Perceptron (MLP), den Convolutional Neural Networks (CNN), den Tem- poral Convolutional Neural networks (TCN), den Recurrent Neural Networks (RNN) und den Transformer-Networks. Während nämlich im Bereich der Bild- verarbeitung durch CNNs, im Bereich der Textverarbeitung durch Transformer- Networks oder im Bereich der Sprachverarbeitung durch Transformer bereits signifikante signalspezifische Weiterentwicklungen von KNN-Architekturen stattgefunden haben, ist eine ähnliche Berücksichtigung der spezifischen tech- nischen Eigenschaften von elektrischen dreiphasigen Strom- oder Spannungs- signalen gerade in elektrischen Versorgungsnetzen bisher nicht bekannt. Als Folge sind in den bekannten Ansätzen die KNN-Modelle überparametrisiert, was zu hohen Berechnungszeiten bzw. Konvergenzproblemen im Modelltrai- ning und beim Einsatz der KNN-Modelle führt.

Mit dem hier vorgestellten Ansatz lassen sich spezifische technische Eigen- schaften der überwachten elektrischen Wechselgrößen parameterreduzierend nutzen. Zu den speziellen in der vorgeschlagenen Architektur berücksichtigten technischen Eigenschaften der verarbeiteten Signale zählen vorwiegend:

1. Ein hoher periodischer Signalanteil bzw. eine stark ausgeprägte Grund- schwingung im elektrischen Signal, welche zu redundanten Informatio- nen durch sich wiederholende Messwerte führt,

2. Ein sich (unter Idealbedingungen) einstellender 120° Phasenversatz, wel- cher zu redundanten Informationen zwischen den Strom- und Span- nungswerten unterschiedlicher Phasen führt, sowie

3. Eine durch die Netztopologie vorgegebenen Netzimpedanz, welche das Verhältnis aus den Strom- und Spannungswerten im Stromversorgungs- netz physikalisch beschreibt.

Die Integration der Clark-Park-Transformation sowie der weiter unten beschrie- benen inversen Clark-Park-Transformation in die Architektur des KNN ermög- licht eine effiziente Verarbeitung und Analyse dreiphasiger periodischer elektri- scher Signale, d. h. dreiphasiger Strom- und Spannungssignale auch bei asym- metrischer Belastung sowie unter Nicht-Gleichgewichtsbedingungen. Dazu wird hier die Clark-Park-Schicht und die inverse Clark-Park-Schicht als neue Schicht im KNN eingeführt, welche eine Umwandlung zwischen periodischen und nicht-periodischen Signalen sowie das Erlernen repräsentativer Merkmals- repräsentationen aus elektrischen Wechselgrößen ermöglicht. Eine derartige KNN-Architektur, welche ein oder mehrere Clark-Park- bzw. inverse Clark-Park- Schichten aufweist, kann als Raumzeiger-KNN bezeichnet werden. Die Verwendung eines solchen Raumzeiger-KNNs zur Verarbeitung dreiphasi- ger periodischer elektrischer Signale wie dreiphasiger Strom- bzw. Spannungs- signale reduziert im Vergleich zu den bisherigen KNN-Architekturen die Anzahl der benötigten trainierbaren Modellparameter, welche auch als Gewichte be- zeichnet werden, erheblich. Zudem lassen sich die Rechenoperationen der je- weiligen CPS bzw. inversen CPS parallelisieren und eignen sich für den Einsatz auf Grafik-Prozessoren (Graphic Processing Units, GPUs) oder Tensor-Prozesso- ren (Tensor Processing Units, TPUs). Somit können die Trainings- und Ausfüh- rungszeiten von Raumzeiger-KNNs im Vergleich zu den herkömmlichen Ansät- zen stark reduziert werden. Dabei können die CPS bzw. inversen CPS mit her- kömmlichen KNN-Schichten zum Aufbau spezifischer Raumzeiger-KNN-Archi- tekturen kombiniert und entsprechend mit gängigen Optimierungs- und Ver- lustfunktionen trainiert werden.

Wie im Folgenden noch weiter ausgeführt, ermöglicht der Einsatz von Raum- zeiger-KNNs bei der Verarbeitung und Analyse, d. h. der Überwachung von Mo- mentan-Werten dreiphasiger periodischer elektrischer Signale, welche in der Regel Strom- oder Spannungssignale sind, die Umsetzung Kl-basierter dezent- raler Überwachungsfunktionen im Bereich der Stationsautomatisierung elektri- scher Netze. Konkret können Raumzeiger-KNNs dabei zur Erkennung von Mess- wertanomalien in den dreiphasigen periodischen elektrischen Signalen als Folge von IT-Angriffen oder technischen Störungen in der Sensorik genutzt wer- den, zur Klassifikation von Ereignissen der Spannungsqualität wie beispiels- weise Flicker oder Transiente, zur Vorhersage dreiphasiger Strom- bzw. Span- nungssignale zum Bilden von Ersatzwerten im Fall von Messwertanomalien und zur Schätzung elektrischer Parameter, wie beispielsweise Impedanz-Kenngrö- ßen aus der Analyse dreiphasiger periodischer elektrischer Signale.

Entsprechend ist in einer vorteilhaften Ausführungsform vorgesehen, dass ein Klassifizieren des dreiphasigen periodischen elektrischen Signals erfolgt. Dabei hat die Encoder-Struktur, insbesondere die CPS, eine oder mehrere charakte- ristische Merkmalsrepräsentationen von zumindest einer elektrischen Wech- selgröße, insbesondere von Spannung und/oder von Strom erlernt. Das KNN enthält dann eine der Encoder- Struktur im Signalverarbeitungspfad nachfol- gende Klassifikator-Struktur mit einer oder mehreren Schichten, insbesondere einer Softmax-Schicht zum Implementieren einer Softmax-Funktion. Bei dem Verarbeiten in der Klassifikator-Struktur klassifiziert das KNN jeweilige, insbe- sondere in dem CPS-Ausgabesignal enthaltene, Merkmalsvektoren, welche der oder den erlernten charakteristischen Merkmalsrepräsentationen der zumin- dest einen elektrischen Wechselgröße entsprechen, gemäß mehreren vorgege- benen oder erlernten Klassen, insbesondere entsprechend der Softmax-Funk- tion vorgegebenen oder erlernten Klassen. Das Verarbeiten umfasst somit ein Klassifizieren durch das KNN und das KNN stellt ein Ergebnis des Klassifizierens als das Ergebnis des Verarbeitens oder Teil des Ergebnisses des Verarbeitens bereit. Das Überwachen kann entsprechend unterschiedliche, für die jeweiligen Klassen spezifische Überwachungssignale erzeugen bzw. ausgeben.

In einer anderen vorteilhaften Ausführungsform ist entsprechend vorgesehen, dass ein Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals erfolgt. Dabei enthält das KNN eine der Encoder-Struktur im Signalver- arbeitungspfad nachfolgende Decoder-Struktur mit einer inversen Clark-Park- Schicht (iCPS), welche entsprechend einer inversen Clark-Park-Transformation nicht-periodische Anteile des CPS-Ausgabesignals oder eines von dem CPS-Aus- gabesignal abgeleiteten Signals in einem Ausgabesignal der iCPS (iCPS-Ausga- besignal) in periodische Anteile rücktransformiert. Das KNN nutzt die iCPS da- bei, um (ggf. unter Nutzung weiterer Schichten) einen Schätzwert für das Ab- tastsignal zu berechnen. Das Erkennen umfasst dabei ein Vergleichen des Schätzwertes für das Abtastsignal (insbesondere als Ergebnis des Verarbeitens oder Teil des Ergebnisses des Verarbeitens) mit dem Abtastsignal. Insbeson- dere erfolgt das Ausgeben des Überwachungssignals dann, bevorzugt nur dann, wenn eine Abweichung zwischen dem Schätzwert für das Abtastsignal und dem Abtastsignal größer ist als ein vorgegebener Grenzwert. Es ist zu beachten, dass hier auch ein verzweigter Signalverarbeitungspfad implementiert werden kann, beispielsweise indem die Encoder-Struktur mit der Klassifikator-Struktur in ei- nem Zweig des Signalverarbeitungspfads verknüpft wird und mit der hier be- schriebenen Decoder-Struktur in einem weiteren Zweig des Signalverarbei- tungspfades. Beide Ansätze verbessern die bekannten Methoden zum Überwa- chen dreiphasiger periodischer elektrischer Signale in einem Stromversor- gungsnetz, wobei eine Kombination besonders vorteilhaft ist, da hier unter Nutzung synergetischer Effekte sowohl bekanntes (Fehl-)Verhalten, als auch unbekanntes und somit nicht klassifiziertes Verhalten detektiert und gemeldet werden kann.

In einer besonders vorteilhaften Ausführungsform ist dabei vorgesehen, dass das KNN zusätzlich zu der oben eingeführten ersten Encoder-Struktur und der oben eingeführten ersten Decoder-Struktur eine der Decoder-Struktur im Sig- nalverarbeitungspfad nachfolgende Faltungsstruktur enthält, welche das KNN bei dem Verarbeiten nutzt. Die Faltungsstruktur approximiert dabei eine durch eine Netzimpedanz des Stromversorgungsnetzes bedingte Amplituden- und Phasenverschiebung von Strom- und Spannungssignalen (als dem dreiphasigen periodischen elektrischen Signal) in dem Spannungsversorgungsnetz. Strom- und Spannungssignale sind somit Komponenten des dreiphasigen periodischen elektrischen Signals und können dieses bilden, wie im Folgenden noch erwähnt.

Des Weiteren enthält das KNN eine weitere (zweite) Encoder-Struktur mit einer weiteren (zweiten) CPS und eine der weiteren Encoder- Struktur im Signalverar- beitungspfad nachfolgende weitere (zweite) Decoder-Struktur mit einer weite- ren (zweiten) iCPS, sowie eine der Encoder-Struktur im Signalverarbeitungspfad vorgeschaltete weitere (zweite) Faltungsstruktur. Die weitere Faltungsstruktur, die weitere Encoder-Struktur und die weitere Decoder-Struktur werden dabei von dem KNN bei dem Verarbeiten genutzt. Beide Faltungsstrukturen approxi- mieren die gleiche Amplituden- und Phasenverschiebung von Strom- und Span- nungssignalen. Beide CPS sind identisch und beide iCPS sind identisch, wobei hier unter identisch verstanden werden kann, dass die trainierbaren Modell- Parameter, also Gewichte, der jeweiligen Schichten identisch oder im Wesent- lichen identisch, d. h. bis auf eine vorgegebene geringe Abweichung, beispiels- weise wie sie durch unkontrollierbare Einflüsse im Trainingsprozess wie Rau- schen zu erwarten sind, identisch sind.

Die eine, also erste Encoder-Struktur, die eine, also erste Decoder-Struktur und die eine, also erste Faltungs-Struktur wird genutzt, um aus einem oder mehre- ren ersten Signalanteilen des dreiphasigen periodischen Signals, welche in den KNNs verarbeitet werden, zumindest einen Schätzwert für einen oder mehrere zu den ersten Signalanteilen verschiedene zweite Signalanteile des dreiphasi- gen periodischen elektrischen Signals zu berechnen. Die weitere, also zweite Faltungsstruktur, die weitere, also zweite Encoder-Struktur und die weitere, also zweite Decoder-Struktur wird genutzt, um aus den einen oder mehreren zweiten Signalanteilen zumindest einen Schätzwert für den oder die ersten Sig- nalanteile des dreiphasigen periodischen elektrischen Signals zu berechnen. Das Erkennen umfasst dann ein Vergleichen zumindest eines der Schätzwerte für die zweiten Signalanteile (als Ergebnis des Verarbeitens) mit dem oder den zweiten Signalanteilen (wie sie gemessen oder abgetastet werden) und/oder ein Vergleichen zumindest eines der Schätzwerte für den oder die ersten Sig- nalanteile (als Ergebnis des Verarbeitens) mit dem oder den ersten Signalantei- len (wie sie gemessen oder abgetastet werden). Insbesondere erfolgt das Aus- geben des Überwachungssignals dann, bevorzugt nur dann, wenn eine Abwei- chung zwischen dem zumindest einen Schätzwert für den oder die ersten Sig- nalanteile und dem oder den ersten Signalanteilen größer ist als ein vorgege- bener erster Grenzwert und/oder eine Abweichung zwischen dem zumindest einen Schätzwert für den oder die zweiten Signalanteile und dem oder den zweiten Signalanteilen größer ist als ein vorgegebener zweiter Grenzwert. Der erste Signalanteil kann dabei ein Spannungssignal des dreiphasigen periodi- schen elektrischen Signals sein, und der zweite Signalanteil ein Stromsignal des dreiphasigen periodischen elektrischen Signals, oder umgekehrt. Insbesondere bilden erster und zweiter Signalanteil das dreiphasige periodische elektrische Signal. Das hat den Vorteil, dass die durch die Netztopologie vorgegebene Net- zimpedanz, welche das Verhältnis aus den Strom- und Spannungswerte physi- kalisch beschreibt, explizit berücksichtigt werden kann, das künstliche neuro- nale Netz somit die im Stromversorgungsnetz vorliegenden technischen Rand- bedingungen berücksichtigt.

In einer besonders vorteilhaften Ausführungsform ist vorgesehen, dass die CPS jeweils mehrere im Signalverarbeitungspfad in einer Parallelschaltung angeord- nete Clark-Park-Blöcke (CPB) aufweisen, welche jeweils ein identische Ein- gangssignal (CPB-Eingangssignal) mit unterschiedlichen Phasenwinkeln verar- beiten, und/oder die iCPS jeweils mehrere im Signalverarbeitungspfad in einer Parallelschaltung angeordnete inverse Clark-Park-Blöcke (iCPB) aufweisen, wel- che ebenfalls jeweils ein identische Eingangssignal (iCPB-Eingangssignal) mit unterschiedlichen Phasenwinkeln verarbeiten. Das hat den Vorteil, dass die Be- rechnungsschritte gut parallelisierbar und besonders gut auf GPU- bzw. TPU- Hardware ausführbar sind. Die Überlagerung der entsprechenden Ausgabesig- nale aus mehreren CPB bzw. iCPB Blöcken ermöglicht überdies die Approxima- tion von zeitlich stark schwankenden Amplituden- und Phasenveränderungen sowie Unsymmetrien in den Eingangssignalen und erhöht so die Modellflexibi- lität.

Dabei können in den jeweiligen CPS je zumindest drei CPBs, bevorzugt genau drei CPBs, enthalten sein und/oder in den jeweiligen iCPS je zumindest drei iCPBs, bevorzugt genau drei iCPBs. Das hat den Vorteil, dass eine Berechnung der jeweiligen Werte unabhängig voneinander erfolgen kann, was der Paralle- lisierung und damit Verarbeitungsgeschwindigkeit zuträglich ist. Durch die ge- wonnene Flexibilität können komplexere Modelle erzeugt und damit komple- xere Eingangssignale parallel verarbeitet werden.

In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass das drei- phasige periodische elektrische Signal ein lokales elektrisches Signal ist, wel- ches in einer lokalen Umgebung eines Stromwandlers und/oder eines Span- nungswandlers und/oder eines Analog-Digital-Wandlers erfasst und/oder ver- arbeitet wird. Eine lokale Umgebung kann dabei durch ein dem Wandler und dem Erfassungspunkt des elektrischen Signals gemeinsames Gehäuse, eine dem Wandler und dem Erfassungspunkt des elektrischen Signals gemeinsame Platine oder durch einen jeweiligen Maximalabstand von beispielsweise weni- ger als 1 m vorgegeben sein Die lokale Umgebung kann auch durch ein gemein- sames Gebäude, beispielsweise ein Umspannwerk vorgegeben sein. Damit kann eine dezentrale Überwachung ggf. mit anschließender Steuerung und Re- gelung besonders präzise und verlässlich implementiert werden.

Ein weiterer Aspekt betrifft eine Vorrichtung zum Überwachen eines dreiphasi- gen periodischen elektrischen Signals unter Verwendung eines künstlichen neuronalen Netzes, insbesondere zum Klassifizieren des dreiphasigen periodi- schen elektrischen Signals und/oder zum Erkennen einer Anomalie des dreipha- sigen periodischen elektrischen Signals unter Verwendung des künstlichen neu- ronalen Netzes in einem Stromversorgungsnetz. Die Vorrichtung umfasst dabei eine Abtasteinheit zum Abtasten des dreiphasigen periodischen elektrischen Signals mit einer vorgegebenen Abtastrate, eine Verarbeitungseinheit mit ei- nem künstlichen neuronalen Netz, welche ausgebildet ist zum Verarbeiten ei- nes aus dem Abtasten des dreiphasigen periodischen elektrischen Signals re- sultierenden Abtastsignals in einer Encoder-Struktur des KNN, wobei die Enco- der-Struktur eine Clark-Park-Schicht, welche entsprechend einer Clark-Park- Transformation periodischer Anteile eines zugehörigen CPS-Eingangssignals in nicht-periodische Anteile eines CPS-Ausgangssignals transformiert, enthält, so- wie eine Überwachungseinheit zum Überwachen des dreiphasigen periodi- schen elektrischen Signals anhand eines Ergebnisses von der Verarbeitungsein- heit sowie eine Ausgabeeinheit zum Ausgeben eines Überwachungssignals.

Vorteile und vorteilhafte Ausführungsformen der Vorrichtung entsprechen da- bei Vorteilen und vorteilhaften Ausführungsformen des Verfahrens.

Die vorstehend in der Beschreibung, auch im einleitenden Teil, genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen.

Anhand der in den nachfolgenden Figuren gezeigten schematischen Zeichnun- gen soll der erfindungsgemäße Gegenstand näher erläutert werden, ohne die- sen auf die hier gezeigten spezifischen Ausführungsformen einschränken zu wollen.

Dabei zeigen:

Fig. 1 ein Strukturbild eines beispielhaften Clark-Park-Blocks;

Fig. 2 ein Strukturbild eines beispielhaften inversen Clark-Park-Blocks; Fig. 3 ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals;

Fig. 4 ein Strukturbild eines weiteren beispielhaften Raumzeiger-KNNs zum Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals; und

Fig. 5 ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Klassifizie- ren des dreiphasigen periodischen elektrischen Signals.

In den unterschiedlichen Figuren sind dabei gleiche oder funktionsgleiche Kom- ponenten mit den gleichen Bezugszeichen bzw. Benennungen versehen.

Allgemein ist eine Clark-Park-Schicht (CPS) eine Schicht eines künstlichen neu- ronalen Netzes (KNN-Schicht) zur Umwandlung periodischer Eingangssignale in nicht-periodische Ausgangssignale. Eine inverse Clark-Park-Schicht (iCPS) ist entsperchend eine KNN-Schicht zur Umwandlung nicht-periodischer Eingangs- signale in periodische Ausgangssignale. Beide Arten von Schichten können je- weils eine Parallelschaltung mehrerer Blöcke, Clark-Park-Blöcke (CPBs) bzw. in- verser Clark-Park-Blöcke (iCPBs) aufweisen oder aus solch einer Parallelschal- tung bestehen. Die Anzahl der CPBs bzw. iCPBs K ist ein Hyperparameter.

Die Eingangssignale einer CPS oder iCPS sind beispielsweise Vektoren x _t e IR ^N mit N Dimensionen zum Zeitschritt t sowie bevorzugt ein zusätzlicher Referenz- zeitwert t _ref . Die Ausgangssignale einer CPS oder iCPS sind dann Beobachtun- gen y _t e ]R ^M mit M Dimensionen zum Zeitschrift t. M entspricht dabei dann der Anzahl der Ausgangsneuronen je CPB bzw. iCPB und ist ein Hyperparame- ter. Jeder Eingangsvektor x _r wird vorliegend innerhalb einer CPS oder iCPS durch jeden CPB bzw. iCPB separat verarbeitet.

In Fig. 1 ist Strukturbild zur Darstellung der Berechnungsschritte innerhalb eines beispielhaften Clark-Park-Blocks (CPB) dargestellt.

Innerhalb eines CP-Blocks 1 erfolgt im gezeigten Beispiel zunächst eine lineare Transformation des Eingangsvektors über die Gewichtungsmatrix PV _in e IR ^Nx3 und den Biasvekto ³ zur Bestimmung der a,b,c-Komponenten zum Zeit- schritt t:

Der Referenzzeitwert t _ref wird dabei in diesem Beispiel über das Gewicht w _P , den Biasterm b _P sowie der Referenzfrequenz / _ref = 2TT ■ 50Hz in einen Phasen- winkel p _t zum Zeitschritt t umgerechnet:

Anschließend werden hier die a,b,c-Komponenten über eine Clark-Park-Trans- formation unter Hinzunahme des Phasenwinkels p _t in d,q, z-Komponenten um- gewandelt:

Der Ausgangsvektor y _t folgt vorliegend über eine weitere lineare Transforma- tion der d,q, z-Komponenten über die Gewichtungsmatrix W _out G ]R ^3xM und den Biasvektor b _out G ]R ^M zum Zeitschrift t:

Fig. 2 stellt ein Strukturbild zur Darstellung beispielhafter Berechnungsschritte innerhalb eines iCPB dar.

Innerhalb des iCPB 2 erfolgt vorliegend analog zum beispielhaften CPB von Fig. l eine lineare Transformation des Eingangsvektors über die Gewichtungsmatrix lK _in G IR ^Wx3 und den Biasvektor bj _n G IR ³ zur Bestimmung der d,q,z-Kompo- nenten zum Zeitschrift t:

Die Ermittlung des Phasenwinkel p _t erfolgt nach bekannten Methoden. An- schließend werden die d,q, z-Komponenten über eine inverse Clark-Pa ^-Trans- formation unter Hinzunahme des Phasenwinkels p _t in a,b,c-Komponenten um- gewandelt:

Der Ausgangsvektor wird dabei vorliegend über eine weitere lineare Trans- formation der a,b,c-Komponenten über die Gewichtungsmatrix und den Biasvektor zum Zeitschrift t berechnet:

Fig. 3 stellt ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Erken- nen einer Anomalie des dreiphasigen periodischen elektrischen Signals dar. Solch ein Raumzeiger-KNN kann auch als Autoencoder-Modell bezeichnet wer- den.

Vorliegend wird in einer Encoder-Struktur 3 eine CPS und in einer Decoder- Struktur4 eine iCPS mit jeweils K CPBs bzw. iCPBs eingesetzt und mit herkömm- lichen KNN-Schichten (Dense, RNN) kombiniert. Das Autoencoder-Modell re- konstruiert dreiphasige Strom- oder Spannungssignale mit X e ]R ^{TX 3} bei T Zeitschriften je Beobachtungsfenster. Die Abweichung zwi- schen Eingangsmatrix X und rekonstruierter Ausgangsmatrix X kann über klas- sische Fehlermaße, z.B. MAE, RMSE, gebildet und für das KNN-Training auf Basis von Backpropagation verwendet werden.

Innerhalb der Encoder-Struktur wird eine Encoder-Repräsentation in diesem Beispiel zu mit Q Dimensionen durch Verarbeitung der Eingangsmatrix über ein oder meh- rere Dense- bzw. RNN-Schichten berechnet. Die Encoder-Repräsentation wird anschließend an die CPS übergeben und die Merkmalsmatrizen mit je CP-Block unter zusätzlicher Vorgabe des Referenzzeitvektors mit sowie der Anzahl an Ausgangsneuronen M _CP ermittelt. Dabei werden im ge- zeigten Beispiel je Zeitschrift t für jeden Encoder-Vektor und Referenzzeit- wert tf _ef die Berechnung zur Ermittlung des Ausgangsvektors f£ durchgeführt. Anschließend werden für jeden CPB die Einträge f£ der Merkmalsmatrix F _K über eine Effektivwertberechnung in einen zeitschrittunabhängigen Merkmals- vektor _ fjK< ^ff mit _t=T überführt. Die Gesamt-Merkmalsrepräsentation setzt sich somit aus den Merk- malsvektoren f^ ^ff aller CPBs zu zusammen.

Innerhalb der Decoder-Strukturwerden die Merkmalsvektoren fj^ an eine iCPS mit K ICPBs und jeweils Mj _CP Ausgangsneuronen zur Berechnung der Ausgangs- matrix übergeben. Dabei wird vorliegend je iCPB an der Eingangsseite der Merkmals- vektor entlang der Zeitachse ausgerollt und die blockweise Ausgangsmatrix hier unter zusätzlicher Vorgabe des Referenzzeitvektors ermittelt. An- schließend wird in diesem Beispiel über ein oder mehrere Dense- bzw. RNN- Schichten die Decoder-Repräsentation berechnet und hier ab- schließend an eine Dense-Schicht mit linearer Aktivierung zur Berechnung der Rekonstruktionssignale übergeben.

Fig. 4 ein Strukturbild eines weiteren beispielhaften Raumzeiger-KNNs zum Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals. Ein solches Raumzeiger-KNN kann auch als Kreuz-Autoencoder-Modell bezeich- net werden, der ein simultanes Verarbeiten dreiphasiger Strom- und Span- nungssignale über ein einzelnes KNN-Modell erlaubt.

Dabei wird vorliegend ein Autoencoder-Modell nach Fig. 3 zur Kreuz-Rekon- struktion von Strom- und Spannungssignalen verwendet. Dabei werden unter Verwendung eines einzelnen Autoencoder-Modells die Spannungen auf Basis der Ström rekonstruiert und die Ströme auf Basis der Spannungen. Dafür wird davon ausgegangen, dass die Strom- und Spannungswerte in einem festen Ver- hältnis zueinanderstehen, welches durch die Netzimpedanz festgelegt ist.

Die Umrechnung zwischen den dreiphasigen Strom- und Spannungssignalen er- folgt vorliegend über eine eindimensionale Faltungsschicht 1D-Conv mit trai- nierbarem Kernel, allgemein über eine Faltungsstruktur. Diese Faltungsschicht approximiert die Impedanzmatrix, welche sich durch eine fixe Amplituden- und Phasenverschiebung zwischen den Strom- und Spannungssignalen ausdrückt.

Auf der Eingangsseite werden im gezeigten Beispiel die Spannungen U = t ₌ ] und die Ströme Zeitschritten verarbeitet. Im oberen Signalverarbeitungszweig wer- den die Spannungen direkt über den Autoencoder von re- konstruiert. Anschließend erfolgt die Berechnung der auf Basis der Spannungen rekonstruierten Ströme über die Faltungsstruktur. Im unteren Sig- nalverarbeitungszweig werden die (beobachteten) Ströme über eine weitere Faltungsschicht 1D-Conv in Spannungen umgerechnet und eben- falls in einem gemäß Fig. 3 aufgebauten Autoencoder weiterverarbeitet zur Be- rechnung der auf Basis der Ströme rekonstruierten Spannungen

Fig. 5 ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Klassifizie- ren des dreiphasigen periodischen elektrischen Signals. Ein derartiges Raumzei- ger-KNN kann auch als Klassifikator-Modell bezeichnet werden. Vorliegend wird das Klassifikator-Modell mit einer Encoder-Struktur 3 entsprechend Fig. 3 und einer Klassifikator-Struktur 5 erzeugt.

Unter der Annahme von M Ausgangsneuronen je CPB und K CPBs wird die Merkmalsrepräsentation aus der Eingangsmatrix Zeitschritten erzeugt. Die Merkmalsvektoren werden im gezeigten Beispiel in eine nachfolgende Dense-Schicht und Softmax-Schicht zur Berechnung des Wahrscheinlichkeitsvektors unter der Annahme von C Klassen über- führt.