#Energi Elkraftkomponenter

Statnett med stort utbytte av SAMBAs sommerstudenter!

I SAMBA-prosjektet, som eies av Statnett, har vi i år hatt to sommerstudenter; Markus og Øyvind. Sammen med Statnett jobbet de med strømpulsmetoden og rekurerende nevrale nettverk (RNN) og leverte resultater som vil være viktige både for Statnett og SAMBA fremover. Her oppsummerer vi hva strømpulsmetoden og RNN er, hvordan studentene brukte det og hva de oppnådde.

Forfattere: Maren Istad, Svein Magne Hellesø og Gjert Rosenlund

Strømpulsmetoden hjelper Statnett å unngå havari av lineskjøter

Markus har jobbet i laboratoriet og sjekket tilstanden på 84 linjeskjøter som Statnett har plukket ned fra nettet sitt. En lineskjøt er, som navnet tilsier, en skjøt mellom to liner, se Figur 1. Dette kan være et svakt punkt på kraftledningen og havari av lineskjøter kan forårsake, og har forårsaket, strømbrudd. I laboratoriet har Markus sjekket tilstanden ved hjelp av strømpulsmetoden, som er utviklet av SINTEF Energi.

Metoden er presis og nøyaktig, og kan med stor sikkerhet avsløre dårlig elektrisk tilstand. Alle de 84 skjøtene som ble testet var i god eller veldig god tilstand. I fremtiden kan strømpulsmetoden for eksempel benyttes til å teste stikkprøver av noen få skjøter langs en kraftledning for å få et inntrykk av hvordan tilstanden til skjøtene langs hele kraftledningen er. Slik kan det være mulig å utføre tilstandsbasert utskiftning av skjøter.

Figur 1 viser en lineskjøt mellom to liner i en kraftledning, og et nærbilde av en skjøt.

 

SAMBA, SAMBA prosjektet, Statnett, RNN, strømpulsmetoden
Figur 1 viser lineskjøt i høyspentlinje og et nærbilde av skjøten.

RNN hjelper Statnett å utnytte kabler bedre

Øyvind har jobbet med data fra temperaturmålinger langs en sjøkabel (DTS) og brukt en dyp læringsmetode som heter rekurrente nevrale nettverk (RNN) for å predikere temperatur i kabelen, gitt forklaringsvariabler som last på kabelen og ute-temperatur. Den inspirerte leser kan lese mer om rekurrente nettverk her. Arbeidet til Øyvind skal hjelpe Statnett til å oppdage endringer i temperaturen og ikke minst, utnytte kapasiteten i kabelen bedre. Øyvind fikk til å bruke metoden til å prediktere temperaturen med god nøyaktighet, se figur 2, som viser faktisk temperatur og prediksjon.

Statnett, SAMBA, SAMBA-prosjektet, RNN, Prediksjoner ved bruk av RNN, prediksjon ved bruk av ARIMA og faktisk temperatur i kabelen.
Figur 2: Prediksjoner ved bruk av RNN, prediksjon ved bruk av ARIMA og faktisk temperatur i kabelen.

Gjennom sitt arbeid har Øyvind belyst og løst flere utfordringer ved data science, som for eksempel vasking av data, gode mål på prediksjonsnøyaktighet, visualisering og relevante klassiske metoder for sammenligning. Figur 2 viser at bruk av RNN gir bedre resultat enn klassiske metoder, noe som også stemmer når man ser på hele analyseperioden.

Nye opplæringsmetoder for RNN til SAMBA-prosjektet

Videre har Øyvind satt seg grundig inn i teknologien bak rekurrente nevrale nett, identifisert gode kilder og metoder for opplæring, og har på den måten lagt godt til rette for effektiv opplæring både hos SINTEF, Statnett og andre prosjektdeltakere i SAMBA. Prediksjon av kabeltemperatur er et tema som SAMBA-prosjektet skal fortsette å jobbe med.

På bildet er Markus og Øyvind sammen med Arne Smisethjell, SAMBA sin prosjektleder i Statnett.

Statnett, SAMBA, SAMBA-prosjektet
Øyvind Auestad, Arne Smisethjell og Markus Heggås på omvisning hos Statnett.

0 comments on “Statnett med stort utbytte av SAMBAs sommerstudenter!

Legg inn en kommentar