Prediktering och identifiering av uppkommande fel i elsystem med maskininlärningsdrivna metoder

Viktiga resultat som projektet gav

Under projektet färdigställdes framgångsrikt en offline prototyp baserad på maskininlärning (ML) för prediktering av begynnande fel i elsystem. Förutom metod för prediktering av begynnande fel utvecklade Eneryield metoder för detektering och klassificering av anomalier, vilket är värdeskapande i sig självt men också fundamentalt för precis prediktering. Projektet har visat att ML-baserade lösningar kan bidra till ökad tillförlitlighet. Uppföljning planeras att genomföras 2022.

Långsiktiga effekter som förväntas

Projektet har belyst nyttan av maskininlärning vid applicering i elnät, samt vilka förutsättningar och utmaningar som finns för detta. Arbetet ökade förståelsen kring hur olika anomalier/störningar i elnät hänger ihop, och vilka sekvenser som kan innebära att ett allvarligare fel är föreståndande. En plan för implementering och marknadsintroduktion är utstakad, och förväntade effekter för samhället blir på sikt minskade avbrott samt snabbare felavhjälpning, där minimalt med kWh går förlorade.

Upplägg och genomförande

Generellt förflöt arbetet på bra. Datainsamlingen var dock tidskrävande, men tillräckligt med tid var dedikerad från början. Vidare, för att optimera nyttan förbyttes initialt fokus på hårdvara mot mjukvara. Planeringen av efterföljande projekt påbörjades under projektets mitt och har förflutit parallellt med övriga arbetet. Att på ett relativt tidigt stadie fokusera nuvarande arbete mot efterföljande projektet gagnade både nuvarande projekt och långsiktig utveckling av innovationen.