#Digital #Energi #Samfunn

Foreløpige forskningsresultater viser at maskinlæring kan forutse feil og driftsforstyrrelser i kraftsystemet

EarlyWarn-prosjektet utvikler prediktive modeller (ved hjelp av stordata, maskinlæring og domenekunnskap) basert på historiske spenningskvalitetsdata. Foreløpige resultater viser (med relativt høy nøyaktighet) at maskinlæring kan forutse feil og driftsforstyrrelser i kraftsystemet, utelukkende basert på utviklingen av spenningskvalitetsdata over en periode før en faktisk feil inntreffer.

Norge er et av de landene i verden som er mest avhengig av elektrisk kraft. Det er derfor svært viktig med høy forsyningssikkerhet i det norske kraftsystemet. Bildet er fra Oslo havn. (Foto: Shutterstock)

Tiltak for å redusere nedetid i kraftsystemet

Norge har et av de mest driftssikre kraftsystemene i verden. I 2017 var leveringspåliteligheten i det norske kraftsystemet 99,988 %.

Norge er ett av de landene i verden som er mest avhengig av elektrisk kraft. Det skyldes at de fleste boliger i Norge bruker elektrisk strøm til oppvarming. Det er derfor svært viktig å opprettholde høy forsyningssikkerhet i det norske kraftsystemet.

Dersom det oppstår strømbrudd i det høyspente kraftnettet i Norge, må nettselskapene dekke kostnader for ikke-levert energi – KILE. (KILE er et mål på verdien av tapt last for kundene. Klikk her for mer informasjon.) Nettselskapene har derfor økt fokuset på leveringspålitelighet og vurderer nå nye tiltak for å redusere nedetiden i kraftsystemet.

Bilder: Isolasjonssvikt er en type hendelse som kan forårsake nedetid i kraftsystemet. (Bilde: Shutterstock).

Spenningskvalitetsmålere har samlet inn stordata i mer enn 15 år

For å få bedre kunnskap om nettforholdene og årsakene til at det oppstår feil i kraftsystemene, har mange nettselskaper installert en rekke spenningskvalitetsmålere i konsesjonsområdene sine. Spenningskvalitetsmålere er måleinstrumenter som registrerer spenning og strøm med høy nøyaktighet.

Disse måleinstrumentene kan registrere spennings- og strømmålinger flere tusen ganger per sekund. Med så høy oppløsning kan sensorene registrere selv svært små forstyrrelser i kraftsystemet. Dette kan for eksempel være forårsaket av komponenter som er skadet eller svekket, men som ikke ennå har brutt fullstendig sammen.

Noen av disse spenningskvalitetsmålerne har registrert leveringskvaliteten i det norske kraftsystemet kontinuerlig i mer enn 15 år.

Figuren under viser en tidsserie av målinger av spenningen i et høyspent distribusjonsnett (22 kV) over en periode på ti år. Ved normal drift skal spenningen ligge på rundt 22 kV. Det betyr at avvikene fra 22 kV (over- eller underspenning) som vi kan se i figuren skyldes en eller annen hendelse i kraftsystemet. Spenningskvalitetsmåleren har altså registrert flere feil og driftsforstyrrelser i den gitte måleperioden i figuren under.

Figur: 10-års-tidsserie for RMS-spenningen i et 22 kV distribusjonsnett. Registrert av en spenningskvalitetsmåler.

Kunnskap om feilsignaturer kombinert med maskinlæring

Ved å kombinere kunnskap om feilsignaturer og hvordan de utvikler seg med nye maskinlæringsmetoder, kan man være i stand til å oppdage problemer i kraftsystemet før selve feilhendelsen oppstår.

Dette kan igjen gjøre at nettoperatøren kan iverksette forebyggende tiltak for å hindre strømbrudd og andre problemer for forbrukerne.

Målet med EarlyWarn-prosjektet er å kunne forutse feil i kraftsystemet

EarlyWarn er et forskningsprosjekt som skal utvikle et overvåkingssystem som oppdager og påviser problemer i kraftsystemet, før disse problemene utvikler seg og forårsaker feil som strømbrudd eller andre problemer.

For å få til dette benytter prosjektet seg av de enorme mengdene måledata som innhentes kontinuerlig fra kraftsystemet. EarlyWarn utikler metoder for bruk av stordata, maskinlæring og domenekunnskap til å automatisk og kontinuerlig overvåke måledata, for å kunne varsle operatørene i kraftsystemet om ustabiliteter eller driftsforstyrrelser som ellers ikke ville blitt oppdaget. Målet med EarlyWarn-prosjektet er derfor å utvikle maskinlæringsmodeller som kan danne grunnlaget for et slikt overvåkingssystem.

Utvikler prediktive algoritmer

For å kunne utvikle slike maskinlæringsmodeller trengs det datasett med mange tusen historiske dataserier (observasjoner), både fra feilhendelser og vanlige situasjoner, for å kunne lære opp og teste algoritmens funksjonalitet. EarlyWarn-prosjektet fokuserer derfor i første omgang på å utvikle metoder for å generere brukertilpassede datasett med dataserier basert på observasjoner fra spenningskvalitetsanalysatorer.

På bakgrunn av disse datasettene utvikles det prediktive algoritmer basert på forskjellige typer maskinlæringsmetoder.

Snø tynger ned en kraftledning. Hvis det får utvikle seg, kan det oppstå en feil. (Foto: Shutterstock)

De foreløpige resultatene fra EarlyWarn er svært lovende

Som nevnt over viser resultatene fra EarlyWarn at maskinlæring kan forutse feil og driftsforstyrrelser i kraftsystemet utelukkende basert på hvordan spenningskvalitetsdata utvikler seg i perioden før en faktisk feilhendelse inntreffer.

I tillegg viser foreløpige resultater at nøyaktigheten til den prediktive modellen var høyere for enkelte feilkategorier (f.eks. fullt driftsavbrudd) enn for andre (f. eks. jordfeil, spenningsdipp). De viste også at modellens prediktive evne nesten var konstant med en økende prognosehorisont (en prediksjonshorisont på opptil 40 sekunder i forkant av selve feilhendelsen har blitt testet så langt). Dette betyr at det ser ut til å være et potensiale for å kunne predikere feil mer enn 40 sekunder i forkant av selve feilhendelsen, kanskje opptil flere minutter eller timer, men dette har så langt ikke blitt testet i EarlyWarn-prosjektet. Målsetningen er å kunne predikere feilhendelser minst noen minutter i forkant, slik at nettoperatøren kan være i stand til å sette i gang et preventivt tiltak fra driftssentralen. De foreløpige resultatene fra EarlyWarn er utgitt i to vitenskapelige artikler og presentert på konferansene AMPS og CIRED (utgis i juni 2019).

De foreløpige resultatene er lovende og viser at man bør fortsette arbeidet med å teste ulike metoder for maskinlæring, med formål om å øke prediksjonsevnen og prognosehorisonten til prediktive modeller.

EarlyWarn er et KPN-prosjekt (under ENERGIX-programmet). Det er delvis finansiert av Norges forskningsråd, Statnett, Haugaland Kraft Nett, NTE Nett, Lyse Elnett, Nettalliansen, Hydro Energi og NTNU. FoU-partnere i prosjektet er SINTEF Energi (prosjektansvarlig), SINTEF Digital og NTNU.

0 comments on “Foreløpige forskningsresultater viser at maskinlæring kan forutse feil og driftsforstyrrelser i kraftsystemet

Legg inn en kommentar