Det grønne skiftet i samfunnet fører allerede i dag til utfordringer knyttet til behov for energi, noe som vil forsterkes i årene som kommer. Med dette som bakteppe arbeider mange energi- og nettselskaper med å analysere sine data for å blant annet finne uutnyttet kapasitet i eksisterende strømnett. Les hvordan her.
Nettselskapene i Norge har rike data som beskriver komponentene i nettet, samt målerdata fra sensorer i nettet og målere hos bedrifter og hjemme hos forbrukere.
Om forfatterne av innlegget
Rebekka Olsson Omslandseter jobber som data analyst i en deltidsstilling på 40 % hos Bouvet Sør Avd. Arendal i tillegg til hennes arbeid med sin integrerte doktorgrad ved Universitetet i Agder som del av forskningsteamet i CAIR.
Fredrik Dingsør-Dehlin er data scientist med lang erfaring fra konsulentbransjen og kraftsektoren. Han har en mastergrad i samfunnsøkonomisk analyse, samt etterutdanning innen maskinlæring.
Bouvet jobber sammen med flere aktører i kraftsektoren for å hente ut verdi fra dataene energi- og nettselskapene sitter på. Dette gjør vi blant annet gjennom bruk av metoder fra Data Science, kunstig intelligens og maskinlæring.
Forbruket av energi har konsekvenser for hvordan nettet planlegges og dimensjoneres. Dette har igjen stor påvirkning på utbyggingskostnadene til nettselskapene.
Analyser av forbruksmønster og påvirkning av eksterne faktorer som blant annet temperatur, gir viktig informasjon inn i planlegging av nettet. Videre brukes kunstig intelligens og maskinlæring for å lage prediksjoner for fremtidig forbruk.
Innsikt om forbruk av energi
Forbruket av energi har konsekvenser for hvordan nettet planlegges og dimensjoneres. Dette har igjen stor påvirkning på utbyggingskostnadene til nettselskapene.
Analyser av forbruksmønster og påvirkning av eksterne faktorer som blant annet temperatur gir viktig informasjon inn i planlegging av nettet. Kunstig intelligens og maskinlæring predikerer aggregert forbruk.
Innsikt om andre prosesser i kraftsektoren
I tillegg til utvikling og drift av nettet har nettselskapene også andre prosesser de har ansvar for som for eksempel el-tilsyn som har egne datasystemer.
⚡️ For eksempel er interessante analyser å se identifiserte feil på elektrisk anlegg opp mot data over eiendommene eller å effektivisere reiseruter for inspektørene.
Resultatet fra piloten er lovende, fordi det kan effektivisere gjennomgangen av bildene betraktelig. I tillegg har man mulighet til å se på bildene med “detekterte feil basert på AI’en” først.
Bildeanalyse i anleggsforvaltning
Fordi inspeksjon og vedlikehold av strømnettet er tid- og kostnadskrevende, ser nettselskapene alltid etter måter å effektivisere arbeidet på.
En aktør som ligger langt fremme her er Glitre Nett. De har sett på mulighetene bilder tatt med droner gir. Videre har de hatt et pilotprosjekt som går på å analysere disse bildene automatisk ved hjelp av AI.
De har hatt to samarbeidspartnere for AI-analyse av bildene: Esmart Systems og KVS Technologies. De har testet AI for kjente feiltyper: Manglende topphatt, sprekk i isolator, råte og sprekk i stolper, hakkespetthull.
Resultatet fra piloten er lovende, fordi det kan effektivisere gjennomgangen av bildene betraktelig. I tillegg har man mulighet til å se på bildene med “detekterte feil basert på AI’en” først.
🔗 Her kan du lese om pilot-prosjektet
Estimering av trafotemperatur
Et problem i strømnettet er at trafoelementene i transformatorer blir overopphetet ved høy last. Dette kan redusere trafoelementenes levetid og verste fall forårsake brann. Ved hjelp av sensorer på trafoelementer på noen nettstasjoner målte man blant annet temperatur og luftfuktighet.
Maskinlæring ble brukt for å forsøke å finne en sammenheng mellom energiflyt gjennom nettstasjonene og temperaturen sensorene fanget opp, for å kunne predikere temperatur i nettstasjoner der nettselskapet ikke har sensorer montert.
Denne informasjonen kan brukes til å vurdere trafoelementenes reduserte levetid, og detektere trafoelementer som må skiftes ut. Dette er et pilotprosjekt i forskningssenteret CINELDI.
Mønstergjenkjenning i forbruksdata
I områder der det er mange målepunkt med sammenfallende mønster, er det høyere sannsynlighet for overbelastning på nettstasjonen. For å finne sammenhenger ble det i dette pilot-prosjektet (lenke) benyttet ulike “clustering”-maskinlæringsmodeller med ulike tidsperspektiv for å få økt innsikt i hvordan strømmen faktisk benyttes i strømnettet.
Dette er nyttig i et vedlikeholds perspektiv, fordi man potensielt kan bruke denne informasjonen til å risiko vurdere strømnettet, og i bedre grad vurdere hvilke områder som bør prioriteres for utskiftning/oppgradering i fremtidens strømnett.
I disse prosjektene har Bouvet brukt maskinlæring
Verdt å få med seg
Ta gjerne kontakt om du vil vite hvordan vi kan hjelpe din virksomhet
