På vei mot intelligente kraftnett
Maskinlæring kan minimere konsekvensene av strømbrudd, ifølge SINTEF Energi, som har foreslått en ny arkitektur for nettopp dette.
Denne artikkelen er 2 år eller eldre
Data fra smarte strømmålere (AMS) kan være svært nyttig for nettselskapene når det skjer avbrudd i nettet. Dersom disse dataene utnyttes i avanserte maskinlæringsmetoder kan det gi ny innsikt som hjelper nettselskapene å minimere konsekvensene av avbruddet, skriver forsker Jørn Foros fra SINTEF Energi på #SINTEFblogg.
SINTEF Energi har foreslått en ny generell arkitektur for bruk av maskinlæring for avbruddshåndtering i det lavspente distribusjonsnettet. Dette arbeidet ble presentert på den internasjonale konferansen CIRED i Madrid 3.-6. juni 2019.
Det er et voksende ønske hos nettselskap å utnytte de nye smarte strømmålerne i alle hjem for å forbedre planleggingen og driften av nettet.
Blant annet gir installasjon av smarte målere gir en mulighet for å forbedre denne prosessen ved å ta i bruk en funksjon i målerne kalt «last gasp». Denne funksjonen sender en alarm til nettselskapet ved strømbrudd eller dersom spenningen faller under en forhåndsdefinert verdi.
Kombinasjon av signaler fra flere målere gir nettselskapet ikke bare muligheter til å identifisere det berørte området, men også lokalisere feilstedet.
Les mer om prosjektet på #SINTEFblogg (ekstern lenke).
