SINTEF Energi søker sommerstudenter innen Datascience: ES-02 Deteksjon, klassifisering og clustering av feil i kraftnettet gjennom bruk av maskinlæring

Deteksjon, klassifisering og clustering av feil og nye laster i kraftnettet gjennom analyse av høyoppløselige måledata og bruk av maskinlæringsmetoder.

Motivasjon og relevans
Det grønne skiftet avhenger i stor grad av elektrifisering av energiforbruket i Norge og globalt. Det er flere faktorer som gir grunnlag for å anta at det vil være større belastninger på fremtidens strømnett, som igjen kan gi høyrere feilrate. Noen slike faktorer er mer ekstremvær, mer kraftelektronikk og aldrende infrastruktur. En økt feilrate vil føre til store ulemper og samfunnsøkonomiske kostnader. Samtidig er strømnettet svært komplekst, og det finnes i mange situasjoner redundans og forebyggende tiltak som kan gjennomføres om tilstrekkelig varsling blir gitt.

De siste årene har det vært en betydelig økning i instrumentering og overvåkning av kraftnettet, både gjennom spenningskvalitetsmålere (PQA), phasor measurement units (PMU), smarte målere (AMS) og andre typer sensorer. Kombinasjonen av store datamengder (big data) og statistiske analyser (maskinlæring) muliggjør forbedret feilhåndtering. SINTEF Energi arbeider med å anvende moderne statistiske metoder på høyoppløselige måledata/sensordata i nettet.

Bakgrunn

Strømkunder har mer og mer følsomt elektrisk utstyr, eksempelvis moderne belysning (f.eks. LED), elbiler og annet utstyr med elektriske omformere, som er avhengig av god spenningskvalitet for å fungere som ønsket. Det er derfor viktig å kunne detektere og klassifisere utfordrende laster i nettet som forårsaker dårlig spenningskvalitet og laster som kan være aktuelle med tanke på fleksibilitet (laster som kan flyttes eller reduseres for å avlaste strømnettet i perioder med høy last).

Målet er å gi tilstrekkelig varsel om at en feilsituasjon er under utvikling så tidlig at den kan unngås, slik at situasjonen kan korrigeres uten at det påvirker forbruker. På veien mot dette målet vil oversikter og analyser av historiske feil være til god hjelp for nettselskap for å kunne gjøre rapportering til myndigheter, undersøke årsaker til feil og mulige løsninger

Oppgave

Oppgaven er beskrevet under og disse vil bli prioritert mellom en eller to sommerforskere basert på kompetanseprofilen til søknadsmassen:

  • Implementering av Python-kode for deteksjon, identifisering og klassifisering av feil og laster på grunnlag av signaturer fra historiske tidsserier for spenningskvalitet
    • Deteksjon av spenningsdipper, jordfeil, spenningssprang og avbrudd, med tidspunkt for hendelsen og andre relevante metadata
    • Clustering av hendelser/signaturer innenfor en feilkategori, for å kunne klassifisere bakenforliggende årsak til hendelsen
  • Implementering av dashboard for visualisering av spenningskvalitet og feilhendelser i sanntid, inklusive:
    • Inngangsdatahåndtering
    • Prosesseringsalgoritmer
    • Brukerstøtteverktøy
  • Tilrettelegging for implementering av løsning hos tredjepart

Forutsetninger

  • Interesse for programmering og databehandling
  • Interesse for analyse av tidsserieanalyse
  • Interesse for elkraft og kraftsystem
  • Fordel med elkraftbakgrunn
  • Fordel med gode programmeringsegenskaper i MATLAB/Python o.l.

Medveiledere  Bendik Nybakk Torsæter og  Maren Istad

Vi trenger søknadstekst, CV og karakterutskrifter samlet i ett pdf-dokument. Hos SINTEF Energi kan du søke på opptil 3 energisommerjobber. Om du søker på flere jobber sender du en samlet søknad.

I tittel-/subjectfeltet skriver du navnet ditt og jobbnummeret på de sommerjobbene du søker på. Søker du på flere ber vi deg skrive jobbnumrene i prioritert rekkefølge (f.eks GT-01, TE-04 …)