Digitalisering av kraftindustrin

Det allt större elberoendet i samhället kräver tillförlitlig och kostnadseffektiv överföringskapacitet av el. En ökande grad av digitalisering i HVDC-nätet säkrar en mer tillförlitlig prestanda för en hållbar utveckling genom en ny teknik för djup maskininlärning som utvecklas på MDU.

På Mälardalens universitet (MDU), har Ning Xiong, professor i artificiell intelligens, drivit ett antal projekt som bland annat syftar till att digitalisera underhållet av elnäten. Detta sker i samarbete med Hitachi Energy-HVDC.
– För att kunna jobba med en effektiv övervakning och upptäcka problem innan de orsakar driftsstopp och andra fel så behöver övervakningssystemen uppdateras oftare. Idag bygger dataanalyserna, som ligger till grund för tillståndsövervakningen, på offline-data som först samlas in och sedan i efterhand analyseras. Vi vill i stället utveckla nya metoder för kontinuerligt inlärande och uppdatering som bygger på data som samlas in konstant online, förklarar han.

Dataanalyser av online-data
Den utvecklingen sker i ett samarbetsprojekt mellan Hitachi Energy, tidigare ABB i Ludvika, och MDU där en industridoktorand fått finansiering från Stiftelsen för strategisk forskning (SSF), för att utveckla mer avancerade dataanalyser för maskininlärning inom kraftindustrin.
– Genom att kombinera vår expertis inom HVDC med nya metoder inom artificiell intelligens från Mälardalens universitet vill vi utnyttja redan befintlig teknik på nya sätt för att skapa mer tillförlitliga, flexibla och hållbara kraftnät, berättar Magnus Berg Kolsmyr, chef för HVDC:s organisation för utveckling av digitalisering och dataanalys på Hitachi Energy.
I ett tidigare projekt har Hitachi Energy tagit fram en digital plattform, IdentiQ, som är grunden för HVDC:s framtida digitala tvilling, vilket är en virtuell kopia som är designad för att exakt återspegla en fysisk utrustning eller system.
– IdentiQ är den digitala tvillingen till en omvandlarstation för HVDC, STATCOM eller andra lösningar för elkvalitet. Den tillhandahåller all relevant information, analyser och operativa data kring anläggningen på en lättöverskådlig skärm som användaren kan anpassa för sina behov, förklarar han vidare.

Tillförlitliga underhållssystem
Sarala Naidu är industridoktorand och arbetar med forskningen på både Hitachi Energy och MDU. Syftet med hennes projekt är att ta nästa steg i den digitala utvecklingen av kraftindustrin, efter att de utvecklat ett så kallat IIoT-system, utvecklat för datainsamling och för att kunna användas av den digitala tvillingen.
– Mitt fokus ligger på att utveckla dataanalysen, att ta fram metoder och modeller för att kunna göra en djupare maskininlärning som ska kunna hantera ständigt föränderliga data som samlas in kontinuerligt online. Metoderna ska kunna hantera omärkta data, som inte först har kategoriserats av en människa, något som är nödvändigt om data ska samlas in online utan handpåläggning, förklarar hon.
Det projekt som Sarala Naidu driver kommer, enligt Magnus Berg Kolsmyr, att bygga framtidens underhållssystem för en hållbar kraftindustri.
– Med hennes resultat kommer kraftöverföringen av den förnybara elen som det hållbara samhället är beroende av, att bli mer tillförlitlig och kostnadseffektiv. Med detta predikterbara underhåll, baserat på inlärande med online-data, kommer vi att kunna förutse potentiella risker och åtgärda dem innan de leder till driftsavbrott, konstaterar han.

Många användningsområden
Enligt professor Ning Xiong är utvecklingen av maskininlärning baserad på omärkta data från online-insamling, något som många industribranscher kommer att kunna dra nytta av.
– I detta första steg kommer vi att använda de modeller som Sarala Naidu utvecklar inom kraftindustrin, men framöver kan de även användas i många andra industriapplikationer i det hållbara samhället, konstaterar han.
Den digitala tvillingen kommer att förstärkas med avancerade dataanalystjänster genom att integrera det utvecklade tillvägagångssättet och modellerna från det pågående doktorandprojektet och därigenom öka företagens konkurrenskraft.
– Målet är att erbjuda integrerade metoder och nya algoritmer för mer tillförlitliga förutsägelser av försämringsstatus som grund för optimerade underhållsbeslut, vilket leder till nästan noll fel och nästan noll dolda risker i hela kraftöverföringsprocessen, avslutar Sarala Naidu.