Bruk av forsterkende læring i håndtering av feilhendelser i kraftsystemet.

Det nordiske høyspentnettet er svært pålitelig. Likevel skjer det av og til uønskede hendelser. Når det først skjer feil i kraftsystemet, er det viktig å handle raskt. Dette prosjektet skal forsøke å utvikle metoder som bruker kunstig intelligens til å finne raske og smarte måter å håndtere forstyrrelser i strømnettet på. I et fremtidig kraftsystem med mer strøm fra vind og sol, større mengde informasjon og høyere krav til effektiv forvaltning av samfunnets ressurser vil det være behov for å drifte strømnettet med større innslag av automatiske beslutninger. Siden kraftsystemet er et svært komplisert og sammensatt system, er det sannsynligvis en fordel at mange av disse beslutningene er basert på kunstig intelligens. Forsterkende læring er en type kunstig intelligens som lærer ved å prøve og feile, og hvor smart atferd belønnes. En slik kunstig intelligens, eller agent, vil i vårt tilfelle prøve å etterlikne og forbedre operatøren av kraftsystemet. Agenten vil kunne lære seg den beste måten å drifte kraftsystemet på ved å utforske mulige handlinger i en datamodell av kraftsystemet. Agenten vil få tilbakemelding fra modellen på hvor smart atferden er. Typisk vil agenten belønnes når ingen mister strømmen og straffes i tilfeller der strømmen går eller utstyr ødelegges. Erfaringene som agenten gjør seg, vil kunne benyttes i driften av det virkelige kraftsystemet. Når Statnett skal planlegge fremtidige ledninger og anlegg, er det viktig å kunne gjøre beregninger på mange ulike situasjoner som kan oppstå. Beregninger basert på kunstig intelligens vil kunne gi raskere svar på hva som må gjøres i utfordrende driftstilstander. Med økt regnekapasitet kan man også undersøke flere ulike feilscenarier innenfor samme tidsrom. Til sammen vil dette gi et bedre beslutningsunderlag for langsiktige investeringer.

For å kunne gjøre seg opp en mening om hva som er riktig nivå på forsyningssikkerhet og for å drifte nettet på en effektiv måte er det viktig å forstå hvordan feilhendelser i nettet oppstår og blir håndtert. Hva som er den mest hensiktsmessige håndtering av feil blir en vurdering av ulike tiltak sett i lys av sannsynligheten for feil og hvilke virkemidler man har tilgjengelig. Gitt kompleksiteten av moderne kraftsystemer er dette et svært omfattende optimeringsproblem. Tradisjonelle optimeringsmetoder vil generelt være tidkrevende. Hovedidéen i dette prosjektet er å benytte maskinlæring generelt og såkalt forsterkende læring (engelsk: reinforcement learning) spesielt for å raskt å finne best mulig håndtering av feilhendelser som oppstår i kraftsystemet. Forsterkende læring er en agent-basert tilnærming til maskinlæring. I en slik tilnærming kan man tenke seg en agent som modellerer systemoperatøren, og som iterativt lærer og forbedrer driften av nettet i ulike tilstander. Dette synes å være en lovende tilnærming til hvordan man kan drifte et stadig mer komplekst system, samtidig som beregningsomfanget holdes på et håndterbart nivå. Anvendelsen av dyp, forsterkende læring innenfor kraftsystem er i startfasen og det blir derfor essensielt å utforske og kartlegge hvilke typer algoritmer som er skalerbare til hele eller deler av det norske kraftsystemet. På grunn av lange regnetider for å trene disse modellene er såkalte GPU-er (graphics processing unit) blitt en helt nødvendig del av maskinvaren. I lys av dette vil et viktig forskningsspørsmål være å utforske GPU-akselerasjon. Og det må samtidig gjøres en vurdering av fordeler og ulemper med oppnådde treningstider mot rask utførelse når modellene er ferdig trent. Prosjektet er fundert i en probabilistisk tilnærming til forsyningssikkerhet. Verktøyene som utvikles må også kunne integreres med eksisterende drifts- og planleggingsverktøy i Statnett.