Maskinlæring for bedre avbruddshåndtering i framtidens smartgrid

Strømbrudd kan føre til betydelige ulemper for kunder og store kostnader til reparasjoner. Alle nettselskap ønsker derfor å unngå avbrudd i strømforsyningen. I tillegg vil avbrudd medføre fratrekk i nettselskapets inntektsramme fastsatt av myndighetene gjennom KILE-ordningen.

Håndtering av avbrudd medfører i dag noen utfordringer. Lokalisering og reparasjon av den utløsende feilen kan være tid- og ressurskrevende og medføre risiko for personell, spesielt under krevende værforhold som f.eks. sterk vind og snø. I tilfeller med flere samtidige feil som rammer mange kunder, f.eks. under en storm, kan det være nødvendig å prioritere hvor innsatsen bør settes inn først.

Maskinlæring kan minimere konsekvensene av strømbrudd

Data fra smarte strømmålere (AMS) kan være svært nyttig for nettselskapene når det skjer avbrudd i nettet. Dersom disse dataene utnyttes i avanserte maskinlæringsmetoder kan det gi ny innsikt som hjelper nettselskapene å minimere konsekvensene av avbruddet. SINTEF Energi har foreslått en ny generell arkitektur for bruk av maskinlæring for avbruddshåndtering i det lavspente distribusjonsnettet. Dette arbeidet ble presentert på den internasjonale konferansen CIRED i Madrid 3.-6. juni 2019.

CINELDI presenterte forskning på CIRED konferansen

Arbeidet utgjør de første resultatene av aktiviteten «Smart grid operation» i Center for Intelligent Energy Distribution (CINELDI), som er et forskningssenter for miljøvennlig energi (FME) støttet av Norges forskningsråd (2016-2024). Artikkelen finner du her: USE CASE APPLYING MACHINE-LEARNING TECHNIQUES FOR IMPROVING OPERATION OF THE DISTRIBUTION NETWORK

Ny teknologi gir bedre avbruddshåndtering i nær fremtid

For tidshorisonten 2030-2040 er det rimelig å forvente at den utløsende hendelsen (avbrudd for en eller flere kunder) og det etterfølgende målet (gjenoppretting av strømforsyningen) er like relevant som i dag. Veien fra hendelsen til målet vil imidlertid endres gjennom bruk av ny teknologi. Det er et voksende ønske hos nettselskap å utnytte de nye smarte strømmålerne i alle hjem for å forbedre planleggingen og driften av nettet. Inntil nylig var observerbarheten til det lavspente distribusjonsnettet minimal, og nettselskap ble normalt varslet om strømbrudd direkte av de berørte kundene.

Installasjon av smarte målere gir en mulighet for å forbedre denne prosessen ved å ta i bruk en funksjon i målerne kalt «last gasp». Denne funksjonen sender en alarm til nettselskapet ved strømbrudd eller dersom spenningen faller under en forhåndsdefinert verdi. Kombinasjon av signaler fra flere målere gir nettselskapet ikke bare muligheter til å identifisere det berørte området, men også lokalisere feilstedet.

Mikronett: Hva er det, virtuell impedans og øydrift

Sistnevnte oppgave kan nyte godt av avanserte teknikker som maskinlæring, som blir stadig mer tilgjengelig gjennom den raske utviklingen av informasjons- og kommunikasjonsteknologi. Kombinasjon av data fra smarte målere med andre typer data (f.eks. nettdata, værdata og satellittbilder) kan gi muligheter for også å estimere feiltype (dvs. hvilke komponenter og faser som er involvert). Mobilisering og utsendelse av mannskaper kan effektiviseres betydelig hvis både feillokalisering og feiltype er godt estimert.

I det foreliggende arbeidet legger vi ikke til grunn full automatisering av det lavspente distribusjonsnettet med fjernstyrte brytere. Men arkitekturen som foreslås her kan kombineres med fjernstyrte brytere og selvhelende teknikker i det høyspente distribusjonsnettet for ytterligere forbedret avbruddshåndtering. Her er en video om selvhelende nett i CINELDI:

Kartlegging av maskinlæringsteknikker for avbruddshåndtering

For å identifisere hvordan maskinlæring kan brukes til bedre avbruddshåndtering har vi gjennomført en kartlegging av dagens forskning på temaet. Undersøkelsen finner at et mangfold av maskinlæringsmetoder har blitt studert for bruk innen avbruddshåndtering: Fuzzy-systemer, ekspertsystemer, kunstige nevrale nettverk, support vector machines (SVM) og Q-learning. Den mest studerte metoden var med stor margin nevrale nettverk, etterfulgt av SVM.

Avbruddshåndtering består generelt av fire faser; deteksjon, lokalisering, klassifisering (diagnostisering), og til slutt reparasjon/respons. Det meste av forskningen som ble funnet i undersøkelsen fokuserte på å detektere, lokalisere og klassifisere feilene. Det er gjort få forsøk på å anvende maskinlæring for å foreslå respons. Overraskende nok fant vi også lite forskning som er gjort på å bruke smarte målere som datakilde for avbruddshåndtering.

Arkitektur for avbruddshåndtering med maskinlæring

Basert på undersøkelsen har vi derfor foreslått en ny generell arkitektur for avbruddshåndtering i lavspente distribusjonsnett som drar nytte av flere datakilder, for eksempel data fra smarte målere, værdata og satellittdata, og avanserte maskinlæringsteknikker. Arkitekturen er vist i figuren nedenfor.

Maskinlæring brukes både til å lokalisere og klassifisere feilen og til å foreslå passende respons. Førstnevnte oppgave gjennomføres med en feilmodell f.eks. i form av et nevralt nettverk, som trenes opp til å gjenkjenne feil vha. blant annet data fra smarte målere.

For å foreslå feilrespons brukes en annen maskinlæringsteknikk; case-based reasoning (CBR). Presentert med et nytt problem (i dette tilfellet en feil), vil et CBR-system søke etter lignende tilfeller i en erfaringsdatabase, og deretter presentere en løsning tilpasset det nye problemet. CBR er godt egnet for å tilordne kjente problemer/løsninger til nye problem, spesielt når problemer/løsninger best beskrives med tekst og ikke tall.

Kva er verdien av å spare på sol- og vindenergien lagra i batteriet?

Testing og veien videre

Arkitekturen har ikke ennå vært testet. En utfordring med den skisserte arkitekturen er at maskinlæringsmetoder krever gode data å lære fra, og antallet reelle avbrudd per nettselskap er begrenset.

Deling av data på tvers av nettselskap i Norge kan imidlertid øke læringsgrunnlaget betydelig.

Et annet alternativ for testing av arkitekturen er å utarbeide simulerte avbruddsdata. Kartleggingen av dagens forskning viser at dette er en vanlig framgangsmåte ved testing av maskinlæringsmetoder for avbruddshåndtering.

Dette arbeidet gjøres i samarbeid med CINELDI-partnere og spesielt Hafslund Nett AS.