#Digital #Energi #Samfunn

Maskinlæring kan forutse feil i kraftsystemet

Medforfatter: Christian Andresen
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)

EarlyWarn-prosjektet utvikler modeller for prediksjon av feil i kraftsystemet basert på historiske spenningskvalitetsdata, hvor stordata, maskinlæring og domenekunnskap er sentrale byggesteiner. Resultater viser at det til en viss grad er mulig å forutse feilhendelser i kraftsystemet utelukkende basert på analyse av spenningskvalitetsdata over en periode forut for hendelsene. Prediksjonsevnen basert på denne ene datakilden alene er derimot ikke god nok til direkte implementasjon i et operativt miljø enda. Det er svært sannsynlig at prediksjonsevnen til modellen vil kunne forbedres ytterligere ved å benytte flere typer uavhengige datakilder for å gi et bedre grunnlag for prediksjon.

Lovende resultater, men trengs flere datakilder?

EarlyWarn har fokusert på å forutse hendelser i kraftsystemet utelukkende basert på hvordan spenningskvalitetsdata utvikler seg i perioden før en faktisk feilhendelse inntreffer.

Resultater viser at det til en viss grad er mulig å predikere uønskede hendelser før de inntreffer, men at treffsikkerheten til modellen foreløpig er for lav til operasjonell implementering. Noe av utfordringen ligger i at uønskede hendelser har en tendens til å gruppere seg i tid med mange fortløpende hendelser etter hverandre om det først oppstår en hendelse. Det er derfor viktig å skille mellom prediksjon av «first-in-sequence»-hendelser (hendelser som ikke har andre hendelser umiddelbart foregående) og påløpende hendelser.

Testing av algoritmene på historiske data viser at over 2/3 av alle hendelser kan predikeres med en fornuftig feilrate dersom man ser på alle hendelser, men dette er sterkt påvirket av grupperingen av hendelsene i tid. Om man fokuserer på «first-in-sequence»-hendelser faller prediksjonsevnen til 5% – 10% avhengig av type hendelse. I en operasjonell situasjon vil det være forskjellig verdi i de to typene prediksjon, og det hadde vært ønskelig å øke treffsikkerheten for «first-in-sequence»-hendelser.

Modell resultat for en hendelse i et 22 kV nett hvor algoritmen har en korrekt prediksjon og en falsk prediksjon i et 2,5 døgns tidsrom.
Figur 1: Modell resultat for en hendelse i et 22 kV nett hvor algoritmen har en korrekt prediksjon og en falsk prediksjon i et 2,5 døgns tidsrom. Source: Torfinn Tyvold (NTNU)

Norge har et av de mest driftssikre kraftsystemene i verden. I 2019 var leveringspåliteligheten i det norske kraftsystemet 99,989%.

Samtidig er Norge ett av de landene i verden som er mest avhengig av elektrisk kraft, med svært høy grad av elektrifisering. Det skyldes blant annet at de fleste boliger i Norge bruker elektrisk strøm til oppvarming. Overgangen til et lavutslippssamfunn parallelt med større grad av digitalisering og automatisering vil forsterke graden av elektrifisering og øke avhengigheten av sikker og god kraftforsyning for verdiskapning og dag-til-dag aktivitet. 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.) Nettselskapene har derfor økt fokuset på leveringspålitelighet og vurderer nå nye tiltak for å redusere nedetiden i kraftsystemet.

Isolasjonssvikt er en type hendelse som kan forårsake nedetid i kraftsystemet. Bruk av datadrevne metoder viser at det er mulig å finne signaler i tidsseriene med spenningskvalitet hvor tilfeller av slike feil klumper seg betydelig mer enn for vanlige driftssituasjoner.
Bilder: Isolasjonssvikt er en type hendelse som kan forårsake nedetid i kraftsystemet. Bruk av datadrevne metoder viser at det er mulig å finne signaler i tidsseriene med spenningskvalitet hvor tilfeller av slike feil klumper seg betydelig mer enn for vanlige driftssituasjoner. Slik «clustering» er grunnlaget for prediktive algoritmer. (Bilde til venstre: Shutterstock, bilder til høyre: Clustering and Dimensionality-reduction Techniques Applied on Power Quality Measurement Data, G. H. Rosenlund, K. W. Høiem, B. N. Torsæter, C. A. Andresen).

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 kraftsystemet, har mange distribusjonsnettselskaper og Statnett installert en rekke spenningskvalitetsmålere i konsesjonsområdene sine. Spenningskvalitetsmålere er måleinstrumenter som registrerer spennings- og strømbølgeformer 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. Alternativt kan dette være ytre påvirkninger som bygger seg opp gradvis, slik som vegetasjon, saltbelegg eller snølast.

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

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 bakenforliggende årsaker til feil med nye datadrevne metoder, slik som maskinlæring, er det mulig til en viss grad å varsle (predikere) uønskede hendelser i kraftsystemet før selve hendelsen oppstår.

Dette kan igjen gjøre at nettoperatøren kan iverksette forebyggende tiltak for å hindre strømbrudd og andre problemer for forbrukerne. Visjonen er å øke robustheten og redusere drifts- og vedlikeholdskostnader ved å kunne gjennomføre tiltak før uønskede hendelser inntreffer, slik at leveringssikkerheten opprettholdes, skade på utstyr begrenses og potensielt farlige situasjoner for personer unngås.

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

EarlyWarn er et forskningsprosjekt som har utviklet en modell for overvåking og prediksjon av feilhendelser i kraftsystemet, før disse problemene utvikler seg og forårsaker feil som strømbrudd eller andre problemer.

For å nå dette målet benytter prosjektet seg av de enorme mengdene måledata som innhentes kontinuerlig fra kraftsystemet. EarlyWarn har utviklet metoder for bruk av stordata, maskinlæring og domenekunnskap til å automatisk og kontinuerlig overvåke måledata. Dette for å kunne varsle operatørene i kraftsystemet om ustabiliteter eller driftsforstyrrelser som ellers ikke ville blitt oppdaget.

Utvikler prediktive algoritmer

For å utvikle og trene maskinlæringsmodeller trengs det datasett med svært mange observasjoner/dataserier. Det er viktig å ha tilgang til tidsserier både fra uønskede hendelser og vanlige driftssituasjoner, for å kunne lære opp og teste algoritmens funksjonalitet. EarlyWarn-prosjektet har derfor utviklet metoder for å generere sett med dataserier basert på observasjoner fra spenningskvalitetsmålere som inneholder utvalgte parametere og har riktig oppløsning for å kunne trene algoritmene. Som treningsgrunnlag benyttes tusenvis av detaljerte tidsserier både forut for uønskede hendelser og tilsvarende fra vanlige driftssituasjoner. Det er viktig at algoritmene kan trenes på begge tilfeller hvis den skal lære å se forskjell på normal drift og tilstander som fører til uønskede hendelser.

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

Detaljer rundt metodene som er brukt og resultatene som er fremkommet kan finnes i publikasjonslisten til prosjektet. Under finner du en liste over aksepterte artikler, flere er til godkjenning og vil bli lagt til listen når de er aksepterte;

Resultatene fra EarlyWarn er lovende og viser at man bør fortsette arbeidet med å utvikle og teste ulike metoder for maskinlæring, med formål om å øke både prediksjonsevnen og prediksjonshorisonten til prediktive modeller. Det er tydelig at en modell som predikerer feil utelukkende basert på utviklingen til spenningskvalitetsdata vil ha begrenset nøyaktighet, samt at det vil være vanskelig å kunne predikere alle typer feil uten falske alarmer. Det er sannsynlig at kombinert bruk av flere typer uavhengige datakilder i overvåkningssystemet vil kunne øke nøyaktigheten og prediksjonsevnen til modellen.

Under vises utdrag fra en studie hvor forskjellige værfenomener er undersøkt med tanke på deres evne til å bli brukt som predikatorer for noen typer uønskede hendelser. Dette viser at det er prediktiv evne i disse værdataene, men en kombinasjon av spenningskvalitetsdata og værdata (og andre kilder) ville kunne gi betydelige synergier.

Prediktiv evne fra forskjellige værparametre relatiert til noen typer uønskede hendelser
Figure 3: Prediktiv evne fra forskjellige værparametre relatiert til noen typer uønskede hendelser. Kilde: Impact of seasonal weather on forecasting of power quality disturbances in distribution grids, K. Michałowska, V. Hoffmann, C. Andresen

Slike datakilder inkluderer værdata, nettopologi, sensorer på kritiske komponenter og lastdata, men er ikke begrenset til dette. Dette er et viktig tema i avslutningsfasen av EarlyWarn-prosjektet, og også et tema det er viktig å forske videre på!

EarlyWarn er et KPN-prosjekt (under ENERGIX-programmet). Det er delvis finansiert av Norges forskningsråd (prosjketnummer 268193/E20), Statnett, Haugaland Kraft Nett, Tensio, Lyse Elnett, Nettalliansen, Hydro Energi og NTNU. FoU-partnere i prosjektet er SINTEF Energi (prosjektansvarlig), SINTEF Digital og NTNU.

Denne artikkelen ble først publisert 12. februar 2019, og oppdatert 7. april 2021.

1 kommentar på “Maskinlæring kan forutse feil i kraftsystemet

  1. Pingback: Presentasjon av resultater fra EarlyWarn, et NFR-prosjekt om predikasjon av hendelser i nettet

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *