Ikke minst gir innføringen av smarte målere nettselskapene nye muligheter. Dette ønsker prosjektet ENERGYTICS å bidra til, og har som mål å demonstrere hvordan Big Data-teknologier slik som kunstig intelligens og maskinlæring kan bidra til å optimalisere nettdriften og framtidige investeringer.

Det finnes allerede en del data hos nettselskapene, for eksempel om historiske feil og høyoppløste spenningsmålinger fra utvalgte steder i nettet. Med innføringen av AMS-målere til alle husholdninger i Norge vil datamengden øke betraktelig, og har et mye større potensiale enn mer nøyaktig fakturering av kunder. Så hva ønsker prosjektet å oppnå ved å analysere disse dataene? Mulighetene er mange, men prosjektet vil konsentrere seg om utvalgte demonstratorer hvor målet er å utvikle prototyper som nettselskapene kan ta direkte i bruk i sin daglige drift.

26.april holdt Volker Hoffmann et webinar i Smartgridsenterets webinar-serie. Her ble det gitt en kort introduksjon til prossesering av big data, datadreven analyse og maskinlæring, og hvordan disse kan brukes i kraftindustrien. Videre demonstrerte Volker hvordan man kan bruke Jupyter Notebooks og Pythons biblioteker for å analysere et offentlig tilgjengelig datasett som inneholder tidsserier med målt strømforbruk hos ulike kunder. Det ble også vist hvordan man kan utføre lastprediksjon på et slikt datasett ved å bruke maskinlæring, og utfordringer knyttet til en slik oppgave. Lysbildene brukt i presentasjonen og opptak av webinaret kan finnes her. Jupyter Notebook-en som ble brukt under webinaret er tilgjengelig.[2]Flere Notebook-er som demonstrerer ulike aspekter ved dataanalyse og maskinlæring ved bruk av Python er også tilgjengelig.[3]

Per i dag planlegger prosjektet å se på følgende demonstratorer:

  • Deteksjon av feil og lokasjon i lavspentnettet basert på AMS-data og forbedret FASIT-rapportering
  • Deteksjon av elbiler og andre fleksible laster fra forbruksdata
  • Sannsynlighet for feil basert på historiske feildata
  • Sannsynlighet for feil basert på værdata/værvarsling
  • Automatisk finne optimalt delingsbilde og optimal rekonfigurering ved feil
  • Maskinlæring på PQ (Power Quality)-data
  • Analyse av spenningskvalitet

Det har hittil blitt gjort mest arbeid på de to øverste demonstratorene, og disse beskrives nedenfor.

Deteksjon av feil og lokasjon i lavspentnettet basert på AMS-data og forbedret FASIT-rapportering

I dag må nettselskapene vente til kunden ringer for å få vite om de fleste strømbrudd i LV-nettet. I ENERGYTICS har Hafslund Nett implementert AMS-data til driftssentralen for å kunne bruke målerne til å gi beskjed ved brudd. Dette kan føre til bedre, mer oversiktlig feilretting og at feilrettingstiden reduseres.  De vil også kunne visualisere det i kart slik at man kanskje lettere kan lokalisere feilen. Dette vil også gjelde andre feil som for eksempel jordfeil, etc.

I tillegg ønsker Hafslund Nett å kunne bruke AMS-data til å detektere hvor lenge det var brudd per kunde som følge av lavspentfeil. Dette vil gi mer nøyaktig FASIT-rapportering.

Deteksjon av elbiler og andre fleksible laster fra forbruksdata

Apparater og laster i husholdningene har blitt mer energi-effektiv, men dette betyr også at de krever større kapasitet av strømnettet over et kortere tidsrom. Eksempler på dette er elbiler og induksjonstopper, og ettersom elbiler trekker en relativt konstant effekt over en lengre periode når de lader, fokuserer prosjektet først og fremst på å prøve å detektere disse. Siden lading av elbiler er en last som er mulig å flytte i løpet av døgnet vil nettselskapene ved å kunne detektere elbiler i nettet få bedre oversikt over muligheter for forbrukerfleksibilitet i ulike områder. Lading av elbiler kan i tillegg gi spenningsproblemer, og deteksjon av elbiler i kombinasjon med utnyttelse av ladingens fleksibilitet kan bidra til å opprettholde spenningskvaliteten i områder med mange elbiler.

Men er det i det hele tatt er mulig å detektere elbiler fra AMS-data? En AMS-måler lagrer stort sett verdier hver time, og det er lovbestemt at de skal kunne lagre verdier med 15 minutters oppløsning. Foreløpige undersøkelser i prosjektet på offentlig tilgjengelige forbruksdata fra andre land viser at det kan være mulig å detektere elbiler om man leter i forbruksdata med 15 minutters oppløsning, men at det kan bli utfordrende i data med timesoppløsning. Dette er likevel avhengig av at elbilladingene foregår over et lengre tidsrom enn oppløsningen på dataene. De foreløpige resultatene kan du lese mer om i prosjektets første publikasjon[4].

 

[1]Energi 21 sin nye strategi løfter fram og gir høyest prioritet til statsningsområdet » Digitaliserte- og integrerte energisystemer», se www.energi21.no

[2]https://github.com/vhffm/PythonForDataScience/blob/master/01-ExploreTimeSeries.ipynb

[3]https://github.com/vhffm/PythonForDataScience

[4]K. Ingebrigtsen, V. Hoffmann, A.J. Berre, «Energy Analytics – Opportunities for Energy Monitoring and Prediction with Smart Meters», NOBIDS 2017,