Dynamic risk management for smart grids in large-scale interconnected power systems

For de fleste kraftnettoperatører er det utfordrende å ha en nøyaktig og oppdatert oversikt over tilstanden til deres nett, utstyr og kraftledninger. I feilsituasjoner og for forebyggende og korrigerende vedlikehold av kraftnettinfrastruktur har kraftnetselskaper tradisjonelt stolt på manuelle bakkebaserte inspeksjoner (mannskaper som går langs linjene og inspiserer transformatorstasjon) og helikopterbaserte inspeksjoner. Dette industrielle PhD-prosjektet har som mål å undersøke bruken av den nye generasjonen av informasjonsteknologi, tilgjengelig på både maskinvare- og programvaresiden. Disse innovasjonene muliggjør, fra et generelt perspektiv, automatisk styring og sanntidsbehandling av store datamengder (big data) ved hjelp av maskinlæringsbaserte løsninger. Innenfor kraftnettadministrasjon gjør de det også mulig å utvikle avanserte verktøy for dynamiske risikoanalyser som kan brukes på store sammenkoblede kraftsystemer. Det er gjort en gjennomgang av informasjonen som kan støtte dette prosjektet. I tillegg til informasjon samlet fra kraftnettoperatører, har flere datakilder blitt analysert og rapportert. Disse inkluderer satellittbaserte bilder, LiDAR-punktskyer, fotogrammetri-punktskyer, flybilder, skoginventar fra NIBIO, blant andre. Dette mangfoldet av datakilder representerer en betydelig fordel, spesielt fordi det gjør det mulig å analysere situasjonen ved omfanget gjennom hele spekteret av tilgjengelige oppløsninger og perspektiver, fra et makroskopisk til et mikroskopisk nivå. Toppmoderne metoder for evaluering av risikonivå i industriell infrastruktur og måten å modellere hvordan dette risikonivået utvikler seg over tid har også blitt studert. Dette er gjort for å se etter den beste tilnærmingen for å gi nyttig informasjon på en tilpasset måte til beslutningstakere i kontrollrom. Den nåværende tilstanden for forskningen tar sikte på å smelte sammen all kunnskapen som kan samles inn. Vi utviklet en tilnærming som gjør det mulig å sammenligne verdien av datasettene før de integreres i risikoanalysene. Videre har vi også utviklet flere prosesser for å kombinere innsikten fra de forskjellige datakildene, slik at vi kan øke kunnskapsnivået en operatør kan få for et kraftnett som er under evaluering, og de facto støtter optimalisering av beslutningstaking.

The main contributions of this thesis can be summarized are follows: (1) We diversify the panel of exploitable data sources for risk analysis and fully explore the analysis level scale. (2) We augment conventional risk assessment frameworks to enable efficient, large-scale heterogeneous data processing. (3) We provide multiple solution development propositions enabling power grid operators to make better risk-based decisions. The propositions are based on various perspectives and enable to find an adequate trade-off between global and local analyses of the grid, by always keeping the user-needs at the centre of the solution definition. (4) We make multiple recommendations usable by power grid operators to optimize the exploitation of historical data and the planning of future data capture. (5) We indicate how vegetation management along power lines may be improved using the different other contributions of this thesis. From a risk perspective, this Ph.D. first contributes to the understanding and clarification of basic risk-related concepts. The findings of this work then enable risk analysis processes to be more resilient to data capture issues. They especially enable more robust decision making by reducing uncertainties relative to data integration, therefore “better knowing how well we know”. In addition, the results strongly contribute to a better quantifiability of problems at scope in risk analysis, de facto enabling more objective decision-making. The thesis is also particularly valuable from a power grid management perspective. It first provides a familiarization opportunity with the notion of risk for the stakeholders requiring further insights in that field. It then shows how this knowledge can be used in combination with news data capture and processing solutions to enable the emergence of innovative tools supporting power grid operators in their daily operations. The final results are discussed, and different evolution opportunities are reported along with the provided contributions, such as executing risk quantification or analysing other hazards. The provided suggestions represent as many possibilities to reinforce and further extend the results of this doctoral project. They are also an indication that further development is required to facilitate more robust decision-making when practical implications and currently existing technical limitations are faced. Eventually, this thesis is a good illustration of the benefits of braking silos and encouraging cross-disciplinary cooperation. It stimulates power grid operators to further investigate the advances made in the academical world. At the same time, it also favours the communication of constraints faced in real-world situations but maybe too often excluded from the research scope in fundamental research.

For most power grid operators, it is challenging to have an accurate and up to date overview of the condition of their grid, equipment, and power lines. In fault situations and for preventive and corrective maintenance of power grid infrastructure, power grid companies have traditionally relied on manual ground based inspections (crews walking the lines and inspecting transformer substation) and helicopter based inspections. This industry PhD project aims at investigating the use of the new generation of information technologies based on big data, machine learning, and real-time processing, to develop advanced tools for dynamic analysis of risks related to smart-grids in large-scale interconnected power systems.