Til hovedinnhold
Norsk English

MAL

Prediktiv feildeteksjon i kraftnettet gjennom analyse av høyoppløselige måledata

Kontaktperson

Spenningsdata hentet fra PQA måler i strømnettet
Spenningsdata hentet fra PQA måler i strømnettet

Motivasjon og relevans

Samfunnets avhengighet av strømnettet blir stadig større, og samtidig blir utnyttelsesgraden av et aldrende kraftnett stadig høyere. Norge har en stor andel luftnett, spesielt utenfor storbyene, og dette gjør strømnettet sårbart for vær og vind. Dette kombinert med introduksjon av nye distribuerte energikilder som sol- og vindkraft, samt en stadig større andel kraftelektronikk hos forbrukerne, fører til at det forventes en økning i komponent- og systemfeil i nettet i fremtiden.

Det antas at flere av feilhendelsene i nettet utvikler seg over tid, og at den utløsende feilårsaken har et forløp i forkant av hendelsen som fører til avbrudd og eventuell utetid. For å unngå økt utetid og økte kostnader knyttet til feilhendelser i strømnettet, er det ønskelig å undersøke hvilke typer hendelser som har et forløp eller en signatur i forkant av selve feilhendelsen, samt hvor stor andel av feilhendelsene i nettet dette utgjør. Med bakgrunn i dette er det ønskelig å utvikle prediktive algoritmer som kan forutsi feil med tilstrekkelig varslingshorisont til at det kan gjennomføres forebyggende tiltak, slik at strømbrudd hos forbruker unngås så langt det er mulig.

Bakgrunn

Det grønne skiftet avhenger i stor grad av elektrifisering av energiforbruket i Norge og globalt. Samtidig er det en bortgang fra paradigmet hvor det er store forutsigbare energikilder som kullkraftverk og vannkraftverk med store reservoarer som dominerer strømforsyningen. Det blir innført stadig flere distribuerte energikilder med varierende og mindre kontrollerbar produksjon, slik som sol- og vindkraft. Sammen med økende forbruk av elektrisk kraft fører dette til en stadig større og mer kompleks utnyttelse av både transmisjonsnettet og distribusjonsnettet. Når nettet skal håndtere stadig større og mer utfordrende laster, vil dette kunne føre til en økning i antall feil og hendelser i nettet slik som overbelastning av komponenter, utfall på grunn av dårlig spenningskvalitet og stor frekvensvariasjon. En økt feilrate vil føre til store ulemper og samfunnsøkonomiske kostnader, og det er grunn til å tro at situasjonen vil bli mer prekær i fremtiden. Samtidig er strømnettet svært komplekst, og det finnes i mange situasjoner redundans og forebyggende tiltak som kan gjennomføres om tilstrekkelig varsling blir gitt.

De siste årene har det vært en betydelig økning i instrumentering og overvåkning av kraftnettet, både gjennom spenningskvalitetsmålere, PMU, AMS og andre typer sensorer. Kombinasjonen av store datamengder (big data) og statistiske analyser (maskinlæring) muliggjør forbedret feilhåndtering. SINTEF Energi arbeider med å anvende moderne statistiske metoder på høyoppløselige måledata/sensordata i nettet. Målet er å gi tilstrekkelig varsel om at en feilsituasjon er under utvikling så tidlig at den kan unngås, slik at situasjonen korrigeres uten at det påvirker

Oppgaven består i:

  • Å skaffe seg oversikt over de forskjellige måleinstrumentene og sensortypene som finnes i nettet, samt deres datastrømmer.
  • Å skaffe seg oversikt over de forskjellige feilhendelsene som kan oppstå i nettet, samt deres omfang, hyppighet og varighet.
  • Å lære seg å hente ut måledata relatert til identifiserte feil og feilkategorier, samt å klassifisere dem og lagre dem i en database.
  • Å dokumentere arbeidet slik at databasen kan benyttes til videre forskning.
  • Arbeidet vil kunne inneholde noe laboratoriearbeid og praktisk arbeid med spenningskvalitetsmålere, avhengig av kandidatens kompetanse og prosjektets behov i tidsperioden.

Forutsetninger

  • Interesse for programmering og databehandling
  • Interesse for analyse av tidsserieanalyse
  • Interesse for elkraft og kraftsystem
  • Fordel med elkraftbakgrunn
  • Fordel med gode programmeringsegenskaper i MATLAB/Python o.l.

Medveileder: Bendik Nybakk Torsæter

SINTEF-prosjekt: EarlyWarn