EarlyWarn - Proactive detection and early warning of incipient power system faults

EarlyWarn prosjektet har utviklet metoder basert på maskinlæring for å detektere og identifisere reelle og potensielle feilhendelser i transmisjons og distribusjons nettet. Prosjektet sitt mål har vært å detektere hendelser under utvikling før det oppstår feil som kan påvirke sluttbruker, og dermed være i stand til å iverksette forebyggende tiltak for å unngå uønskede situasjoner. Det norske nettet er utstyrt med en rekke sensorer, og utviklingen går mot stadig større grad av instrumentering på alle spenningsnivå og mer innsamling av data i nær sanntid. Flere av disse sensorene registrerer spennings- og strøm-verdier kontinuerlig og med høy oppløsning. Noen instrumenter måler med opp mot 50 kHz oppløsning. Det har vært et premiss i prosjektet at målinger med så høy oppløsninger kan detektere mønstre eller signaturer som kommer i forkant av historiske uønskede hendelser slik at disse kan detekteres i forkant av fremtidige uønskede hendelser. Prosjektet har ut fra feilstatistikk identifisert hendelser som det er rimelig å forvente har et forløp som kan gi en signatur i forkant av feilen. Dette gjelder spesielt feil i kritiske komponenter som transformatorer, jordkabler og isolatorer hvor konsekvensen og utbedringstiden kan være stor om det skulle oppstå en feil. Diskusjoner med eksperter fra operatørene har gitt innsikt i hvilke varslingshorisonter som er påkrevd for å forebygge feil av forskjellige typer. Disse tidskonstantene har blitt brukt som utgangspunkt ved generering av treningsdatasett og utvikling av algoritmer. Manuell feilidentifikasjon på et så stort antall feil som kreves for anvendelse av maskinlæringsmetoder er urealistisk i dette prosjektet. SINTEF har derfor benyttet automatiserte algoritmer oppdatert fra tidligere prosjekter for identifisering og annotering av spenningskvalitetshendelser i tidsserier. Til sammen over 250 år med høyoppløselige tidsserier fra over 45 lokasjon i Norge er gjennomgått, og feilhendelseslister er laget med over 10 000+ enkelthendelser identifisert med type, lokasjon hvor feilen er målt og tid. Mange av disse hendelsene er vært nære i tid og for treningsformål for de datadrevne metodene benyttet i prosjektet er de aggregert til 2 000+ treningshendelser. Basert på disse feilhendelseslistene er datasett egnet for bruk av maskinlæring laget med tidshorisont inspirert av de nødvendige varslingshorisontene. Sammen med utvalgte tidsserier for normalsituasjoner (uten hendelser nært i tid) skaper dette grunnlag for trening av maskinlæringsalgoritmer for predikering av hendelser. En vesentlig del av arbeider er utført for å undersøke hvilke datadrevne metoder og hvilke parametere som egner seg for å trene maskinlæringsalgoritmer (feature selection). Det er publisert artikler i fagfellevurderte kanaler på en rekke områder, disse inkluderer: Arbeider rundt gruppering (clustering) av feilhendelser for balanserte og ikke-balanserte datasett. Arbeider rundt statistikk for tidsrom mellom feil og fordeling av disse. Diskusjon rundt implikasjoner for prediksjon av uønskede hendelser. Arbeider rundt egnetheten til et utvalg maskin-læringsalgoritmer og sammenligning av disse på forskjellige datasett. Kvantifisering av hver algoritmes egnethet for å predikere hendelser. Arbeider rundt sesongavhengighet av treningsgrunnlaget for maskindrevne modeller, og fordeler og ulemper ved å trene på sesongspesifikke treningsdata. Arbeider rundt verdien av å inkludere flere datakilder i prediksjonsunderlaget slik som vær data og topologi. Metodikk for kvantifisering av tilleggsverdi av nye datakilder. I tillegg til dette er det gjennomført en pilotstudie for å vurdere barrierer mot å anvende resultatene i et operativt miljø hos en DSO. Piloten har implementert en full data-strøm fra sensor til visualisering for operatør, og leverer kontinuerlige oppdateringer for predikert sannsynlighet for uønsket hendelse i neste tidsrom. Erfaringer fra piloten er under publisering i fagfellevurderte kanaler. Prosjektet har demonstrert at det er mulig å få statistisk signifikant prediksjonsevne basert på målinger i strømnettet, og at disse kan forbedres ved inkludering av komplementære datakilder. Dessverre er den demonstrerte treffsikkerheten til de piloterte modellene ikke god nok for operasjonalisering, og arbeid er nødvendig for å videreutvikle metodene. Prosjektet har publisert artikler som illustrerer hvordan dette kan oppnås. Prosjektet har inkludert arbeider fra 4 masterstudenter ved NTNU og NMBU, som har levert 3 masteroppgaver på utvalgte tema i prosjektet. Videre har prosjektet inkludert to PhD-arbeider ved NTNU. Begge PhD-kandidatene har arbeidet i og publisert på grunnlag av prosjektet, men deres PhD-periode strekker seg utover prosjektperioden så de er ikke ferdigstilt ved utløpet av prosjektet.

EarlyWarn har hatt som mål å øke kunnskapsbasen for automatisk analyse og utnyttelse av overvåkningsdata fra strømnettet. En sterkere grad av automatisering og digitalisering av strømnettet er nødvendig for å kunne realisere fremtidens smarte nett som ryggraden i Norsk energiforsyning. EarlyWarn har gjennom sitt arbeid innen utvikling av modeller og metoder, bruk av datadrevne metoder og felttesting hos DSO bidratt til kompetanseheving innen dette feltet. Gjennom utstrakt publisering av resultater i fagfellevurderte kanaler åpen for alle interesserte er denne kunnskapen blitt tilgjengelig for allmenheten. Dette bidrar til at videre arbeid innen automatisering og digitalisering av strømnettet vi kunne nå lenger.

The EarlyWarn project addresses the need for improved real-time monitoring and state assessment in the transmission and distribution grid. The project will develop models for prediction and identification of incipient component failures and system instabilities, exploiting recent advances in machine learning and Big Data technology to continuously and in real-time monitor and analyze large streams of grid sensor data from synchrophasors and power quality analyzers. The project will bring together expertise in power systems and ICT from SINTEF and NTNU, as well as from grid operators at both transmission and distribution level. The consortium partners are continuosly collecting the sensor data that will drive the development of algorithms and tools, thus ensuring real-life relevance and value of the research. The project will contribute to the long-term plan for science and education through the education of two PhDs cooperating on cross-disciplinary and strategically important topics.