Grundorsaksanalys av elkvalitetsstörningar m.h.a. Maskininlärning

Viktiga resultat som projektet gav

Projektet syftade till att utveckla en Minimum Viable Product (MVP) baserad på Eneryields maskininlärningsalgoritmer tillsammans med elnätsägare, samt ta fram en IP-strategi för Eneryield. En MVP för automatisk rapportering av grundorsaker för störningar i elnätet baserad på egenutvecklade metoder av maskininlärning har framgångsrikt utvecklats och testats i detta projekt. En IP-strategi för att stärka Eneryields kontrollposition vid marknadsintroduktion har genomförts och upprättats.

Långsiktiga effekter som förväntas

Resultat visar att maskininlärning kan implementeras på elnätet samt viktiga förutsättningar och begränsningar för detta. Projektet har lett till djupare insikter kring störningar på elnätet t.ex. hur olika fel relaterar till varandra. Projektet har skapat samarbeten för att på kort tid föra tekniken till marknad. Samt givit tydliga riktlinjer för ökat skydd av immateriella tillgångar. Förväntade effekter är förkortad tid vid störningsanalys vilket kommer bidra till ökad leveranssäkerhet och minimera energiförluster.

Upplägg och genomförande

Vid tidpunkt för ansökan var hypotesen att arbetspaket skulle löpa sekventiellt. Det visades dock tidigt att en mer agil framfart skulle krävas. Detta eftersom insamling av data utgjorde en större utmaning än väntat. Nätägare har olika rutiner och processer vid insamling och lagring av data vilket krävde anpassade och fortlöpande processer. Samtidigt har större kunskap kring värdekedjan erhållits och fler aktörer har involveras i projektet. Vilket har bidragit till att vidare applikationsområden av tekniken uppdagats.