ET-05 Feilklassifisering med maskinlæring i fremtidens kraftnett
Kontaktperson
Motivasjon og relevans
Storstilt elektrifisering av samfunnet er en viktig forutsetning for det grønne skiftet. Omformere basert på kraftelektronikk er en nøkkelteknologi for effektiv styring og omforming av elektrisitet, spesielt i forbindelse med vindparker og elektrifisert transport.
Vindkraftutbygging og elektrifisering av transport vil derfor føre til økt bruk av kraftelektronikk i energisystemet. Kraftelektronikkomformere gir opphav til svært raske spenningsendringer sammenlignet med konvensjonell 50-Hz vekselspenning (AC), og nye omformere basert på SiC-teknologi gir enda raskere spenningsendringer. Dette gir økte påkjenninger for komponentene som er koblet til kraftelektronikken, og kan føre til feil og strømbrudd. For å muliggjøre elektrifisering, samtidig som leveringspåliteligheten ivaretas, er det behov for nye måle- og analysemetoder for å oppdage feil som kan oppstå som følge av økt bruk av raske kraftelektronikkomformere.
Bakgrunn
Påkjenningene fra moderne kraftelektronikk akselererer eksisterende og initierer nye feilmekanismer i det elektriske isolasjonssystemet til kraftkomponentene. Dette resulterer i mer alvorlig aldring og degradering av materialer og komponenter. Erfaringen og kunnskapen som er bygget på konvensjonell teknologi og påkjenninger under 50 Hz AC spenninger er ikke alltid relevant. Målesystemer som benyttes med konvensjonelle spenninger, eller eldre omformere, kan ikke benyttes som før. Det kreves derfor mer komplekse modeller og analysemetoder for å identifisere og predikere feil, samt nye målemetoder som tar hensyn til de raske spenningsendringene som komponentene utsettes for.
For å få på plass denne kunnskapen er det etablert et forskningsprosjekt i samarbeid med industrien; Impact of switched voltage waveforms on power components and grids – SwoP. Prosjektet vil undersøke initiering av nye feilmekanismer og akselerasjonen av degradering som vil oppstå på grunn av raske omformere. En viktig del av dette er å kunne prosessere og klassifisere feil basert på måling av elektriske delutladninger (partial discharge, PD) – som er en viktig metode for tilstandskontroll av elektriske komponenter.
Oppgave
Sommerforskeren skal jobbe med å kjenne igjen og klassifisere PD-signaler både fra konvensjonelle målesystemer og rådata fra oscilloskop eller andre loggeenheter med høy båndbredde. Ulike defekter har forskjellig respons og målbare parametere fra PD, som kan benyttes til å kjenne igjen feil og skille dem fra elektrisk støy.
Oppgaven består i å:
- Sette seg inn i maskinlæringsbiblioteker, f.eks. TensorFlow og PyTorch.
- Automatisere innhenting, lagring og prosessering av rådata fra ulike instrumenter vha. Python
- Lage og optimalisere maskinlæringsmodeller for feilklassifisering og støyfjerning og utføre tester for å evaluere hvor godt de fungerer
Oppgaven er knyttet til prosjektet "SwoP - Effekten av raske spenningsendringer på elektriske kraftkomponenter og nett" ved SINTEF Energi.
Forutsetninger
Det er en fordel at sommerjobberen har kjennskap til (eller evne til å sette seg inn i):
- Programmering (fortrinnsvis Python)
- Bruk av maskinlæringsbiblioteker slik som TensorFlow og PyTorch
- Grunnleggende kunnskap om signalanalyse og elektriske kretser
Hovedveileder: Håvard Bærug
Medveiledere: Espen Eberg og Hans Kristian Hygen Meyer
Slik søker du:
Søknad, CV og karakterutskrifter lastes opp der du søker.
Hos SINTEF Energi kan du søke på opptil tre sommerjobber. Om du søker på flere sommerjobber sender du en samlet søknad. Jobbnummer for de ønskede jobbene legges som overskrift i søknadsteksten i prioritert rekkefølge (f.eks GT-01, TE-04 ...). Vi gjør oppmerksom på at søkere kan vurderes for andre sommerjobber enn de har søkt på.
Stillingene fylles fortløpende. Vi anbefaler deg derfor å søke tidlig.
Søk her
Søknadsfrist er 12. november kl 23.59.
Se alle sommerjobber i SINTEF Energi