Scientific Machine Learning for Power System Reliability
- Reference number
- SAB25-0031
- Project leader
- Bertling Tjernberg, Lina
- Start and end dates
- 260901-270831
- Amount granted
- 2 001 650 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Computational Sciences and Applied Mathematics
Summary
Power systems worldwide are aging while the engineers who designed them are retiring, creating a growing knowledge gap as electricity demand continues to rise. Maintaining these complex infrastructures is challenging: thousands of components interact across large distances, making failure prediction and efficient maintenance difficult. Traditional strategies rely on human expertise and fixed schedules, which are increasingly insufficient for modern grid requirements. Machine learning offers new opportunities by detecting patterns in large datasets and supporting predictive maintenance. However, its adoption in power systems has been limited. Concerns about data access, differences between research priorities and operational needs, and the “black-box” nature of many models raise reliability and safety concerns for critical infrastructure. Scientific machine learning addresses these limitations by integrating data-driven methods with physical principles and engineering knowledge. Physics-informed models guide the learning process while operational data capture complex system behavior. This project combines expertise in power system asset management and data-driven modeling to explore how scientific machine learning can improve reliability-centered maintenance. The expected outcomes include improved failure prediction, reduced maintenance costs, and more resilient electrical infrastructure.
Popular science description
Elsystem världen över åldras samtidigt som många av de ingenjörer som byggde upp systemen går i pension. Samtidigt fortsätter efterfrågan på el att öka. Detta skapar ett växande problem: hur ska dessa stora och komplexa infrastrukturer kunna underhållas när den samlade erfarenheten gradvis försvinner? Traditionellt har drift och underhåll av elkraftsystem i hög grad byggt på mänsklig expertis och lång praktisk erfarenhet, men denna kunskapsbas minskar just när samhällets beroende av tillförlitlig elförsörjning ökar. Elkraftsystem är mycket komplexa. Tusentals komponenter samverkar över stora geografiska områden och påverkar varandra på många sätt. Att kunna förutse när utrustning riskerar att fallera kräver förståelse för dessa samband. Dagens underhållsstrategier bygger ofta på fasta intervaller eller på att åtgärda problem först när de uppstår, vilket inte alltid är optimalt för framtidens elnät. Maskininlärning erbjuder nya möjligheter att analysera stora datamängder och identifiera mönster som kan bidra till mer träffsäkra prognoser om utrustningens tillstånd. Trots framsteg inom många andra områden har användningen inom kraftsystem utvecklats långsamt. En orsak är att många modeller fungerar som så kallade ”black boxes”, där mönster lärs in utan att ta hänsyn till de fysikaliska lagar som styr systemen. För kritisk infrastruktur väcker detta frågor om tillförlitlighet och säkerhet. Ett framväxande forskningsområde, scientific machine learning, kombinerar datadrivna metoder med fysikaliska modeller och ingenjörskunskap. I stället för att välja mellan traditionella modeller och modern AI integreras båda angreppssätten. Fysiken vägleder inlärningen, medan data hjälper till att beskriva komplexa beteenden som inte fullt ut fångas av klassiska modeller. Under sabbatsvistelsen vid Stanford University kommer professor Lina Bertling Tjernberg att samarbeta med professor Daniel M. Tartakovsky och hans forskargrupp. Målet är att undersöka hur scientific machine learning kan bidra till mer tillförlitlig och kunskapsbaserad tillgångsförvaltning i kraftsystem. Resultaten kan leda till bättre metoder för att förutsäga fel i utrustning, effektivare underhåll och mer robust elinfrastruktur. På sikt kan sådana modeller även stödja integrationen av förnybar energi och bidra till ett mer hållbart energisystem.