Vetenskaplig maskininlärning för kraftsystemtillförlitlighet
- Diarienummer
- SAB25-0031
- Projektledare
- Bertling Tjernberg, Lina
- Start- och slutdatum
- 260901-270831
- Beviljat belopp
- 2 001 650 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
Elsystem världen över åldras samtidigt som de ingenjörer som konstruerade dem går i pension, vilket skapar ett växande kunskapsgap i takt med att efterfrågan på elektricitet fortsätter att öka. Att underhålla dessa komplexa infrastrukturer är en stor utmaning: tusentals komponenter samverkar över stora geografiska områden, vilket gör det svårt att förutsäga fel och planera effektivt underhåll. Traditionella strategier bygger i stor utsträckning på mänsklig expertis och fasta underhållsintervall, vilket i allt högre grad är otillräckligt för dagens elnät. Maskininlärning erbjuder nya möjligheter genom att identifiera mönster i stora datamängder och stödja prediktivt underhåll. Användningen inom elkraftsystem har dock varit begränsad. Begränsad datadelning, skillnader mellan forskningsfokus och praktiska behov samt den så kallade ”black box”-karaktären hos många modeller väcker frågor om tillförlitlighet och säkerhet i kritisk infrastruktur. "Scientific machine learning" kan hantera dessa utmaningar genom att kombinera datadrivna metoder med fysikaliska principer och ingenjörskunskap. Fysikbaserade modeller vägleder inlärning samtidigt som driftdata fångar systemens komplexa beteenden. Projektet förenar expertis inom elkraftsystem och datadriven modellering för att undersöka hur scientific machine learning kan stärka tillförlitlighetsbaserat underhåll. Förväntade resultat är bättre felprognoser, lägre underhållskostnader och mer robust elinfrastruktur.
Populärvetenskaplig beskrivning
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.