När elnätet byggs ut med förnybara kraftkällor och med fler uppkopplade enheter, som elbilar och solpaneler, ökar energi- och effektbehovet vilket innebär stora utmaningar. Elnätet behöver bli mer flexibelt och samtidigt kunna klara en hög leveranssäkerhet. Sofistikerad teknik är mer sårbar mot störningar, men ger också upphov till fler störningar. Det krävs därför nya digitala lösningar för att säkerställa en hög elkvalitet.
Intressant innovation
Det finns i dag mycket data om elkvalitet insamlad, men det har saknats en effektiv analys av den data som finns. Därför är den innovation, baserad på den senaste forskningen inom maskininlärning för elkvalitet och kraftelektronik, som har tagits fram av startupbolaget Eneryield i Göteborg mycket intressant.
–Vi kommer i det här projekt fortsätta att utreda nyttan som maskininlärning kan ha på sektorn, och därmed driva på utvecklingen mot automatiserade och självlärande nät, säger Johan Rådemar på Eneryield som leder projektet.
Genom flera års forskning och bästa tillgängliga teknik inom maskininlärning har forskarna tagit fram unika algoritmer som gör det möjligt att analysera big data och att hitta grundorsaken till störningar på elnätet. Detta har inte tidigare varit möjligt och innebär att man kan ha en mycket bättre överblick av elnätet och dess hälsotillstånd, vilket gör att det går att motverka störningar.
Förstå källan till störning
Studien ska utföras i nära samarbete med Göteborgs Energi, Härryda Energi och Jämtkraft, och kan också utvidgas med fler intressenter under projektets gång. Det handlar om att med hjälp av data om elkvalitet som har samlats in av nätoperatörerna utföra en automatiserad grundorsaksidentifikation. Det vill säga att förstå vad källan till störningen är och var den befinner sig på nätet.
Det kommer också att bli möjligt att motverka störningar mer effektivt, att hitta applikationer för ett mer proaktivt underhåll och att kunna planera mer effektivt. Projektet kommer att verifiera marknadsnyttan i samråd med de nätoperatörer som är med för att se vilka potentiella applikationer som algoritmerna för maskininlärning möjliggör.