Machine learning skal forudsige, hvor og hvornår det næste strømsvigt rammer Danmark

Hvis de mange data fra elnettet bruges til machine learning kan algoritmer måske hjælpe med at træffe beslutninger om, hvad der skal ske i tilfælde af nedbrud i fremtiden, lyder det fra it-direktør hos energinet.dk.

Danmarks elnet bliver mere avanceret for hver dag der går, og derfor bliver det sværere for mennesker og konventionelle it-systemer at overskue de beregninger, der hele tiden sikrer maksimal driftsikkerhed.

Den udfordring håber Energinet.dk, der administrerer Danmarks elnet, at machine learning kan hjælpe dem med at imødegå. Selskabet håber, at deres nye machine learning-projekt kan hjælpe med at vejlede medarbejdere og eksisterende systemer, når der skal træffes vigtige beslutninger om forsyningssikkerheden.

På sigt vil algoritmerne måske træffe beslutningerne helt selv.

»Engang var energisystemet simpelt. Når et kraftværk satte ud, tændte man groft sagt for et andet. Nu består elnettet af hundredtusinder komponenter,« siger it-direktør i energinet.dk Morten Gade

For i dagens Danmark har vi vindmøller, der kun laver strøm, når det blæser og solceller, der kun giver strøm, når solen skinner. Og vi begynder at få elbiler, husbatterier og private solcelleanlæg, der alt i alt gør det sværere at lave præcise forudsigelser af udbud og efterspørgsel.

»Og når kompleksiteten stiger, skal vores evne til at lave prognoser blive bedre,« siger Morten Gade, der fortæller, at de løbende målinger, selskabet foretager på elnettet genererer 20 terabyte om året.

Han fortæller, at der hele tiden kører beregninger med de mange data hos energinet.dk, der skal forudsige, hvad SCADA-systemet, der styrer de mange enheder på elnettet skal gøre, hvis komponenter i elnettet falder ud. Og det er disse beregninger, der bliver stadig mere komplekse i takt med, at elnettet bliver det.

Kan forstå menneskelige noter

En af machine learnings styrker holdt op mod konventionelle softwareløsninger er, at løsningen, energinet.dk vil forsøge sig med kan sammenholde såkaldt ustrukturerede data med strukturerede data.

Med machine learning kan man kombinere de ‘ustrukturerede’ data fra menneskelige rapporter op til en hændelse og holde dem op mod strukturerede dataset fra målinger på systemet, siger Nikolaj Peulicke, der er chef for afdelingen IT Digitalisering hos energinet.dk.

På den måde kan den lære af medarbejdernes noter og datasettene og på den måde forhåbentlig blive stadig dygtigere til at vurdere, hvornår der skal gøres det ene eller det andet, når det opstår en ‘hændelse’, som Morten Gade kalder uforudsete udsving. Eller måske endda nødstilfælde.

Læs også: Ingeniørstuderende hacker sig ind i system med 400.000 digitale elmålere hos SEAS-NVE

Jo flere raporter og data, algoritmerne tygger sig igennem, jo bedre bliver de i teorien. Ifølge Nikolaj Peulicke er hændelses-rapporterne dog nødt til at være på engelsk for at algoritmen kan forstå dem.

Enorme mængder data

Energinet.dk har hyret selskabet App Orchide i Californien til at hjælpe danmarks elnet med at analysere på de mange data, der genereres.

Lige nu laves der et dataset hvert kvarter. Over et år giver det i omegnen af tyve terabyte data, men i princippet kan man godt tage flere målinger, hvis machine learning viser sig at være vejen frem og kan bruge flere data.

»Vi kan i princippet lave nye dataset hver 30 sekunder, så kan du selv regne ud, hvor mange data det ville være, siger Morten Gade og griner.

Selvom man allerede nu analyserer de mange data, er det umuligt at opnå det fulde potentiale med konventionelle metoder, fortæller Morten Gade.

En form for rådgiver

På sigt håber energinet.dk, at machine learning resulterer i nogle effektive algoritmer, der bedre kan vurdere, hvad der er klogt at gøre hvornår for at opnå den største forsyningssikkerhed.

»I starten forestiller jeg mig algoritmerne som en form for rådgiver, der siger ‘i den her situation ville jeg foreslå dig at gøre sådan og sådan’ og så må medarbejderne vurdere, om det nu også er det rigtige at gøre. Men på sigt kunne man godt forestille sig, at det kommer til at køre helt af sig selv,« siger Morten Gade.

Han erkender at det er en vigtig opgave at betro en algoritme, men mener ikke at det er meget anderledes end hele diskussionen om selvkørende transportmidler.

Læs også: Det norske højspændingsnet skal balanceres med 100.000 sensorer og avancerede algoritmer

»Da metroen kom ud var den kontroversiel, nu er den hverdag for tusindvis af københavnere. Om lidt kommer der selvkørende biler og før eller siden er vi nødt til at stole på dem også,« siger Morten Gade.

Starter i det små

Ligesom andre af energinet.dk’s udviklings-projekter fokuserer man på enkle funktioner og undersøger muligheden for at bruge machine learning på dem. Derfor er energinet.dk ikke i gang med at lave en overordnet energi-AI lige nu, men vil starte med at undersøge, hvor brugbart machine learning er i konkrete funktioner og mindre delanalyser.

»For at være ærlig, så er vi ikke kommet særligt langt endnu. Vi indgik kontrakten med App Orchide i december, så vi er kun lige startet,« siger Morten Gade.

Samtidig holder energinet.dk fast på, at Danmark er fint sikret, selv uden algoritmer, der er trænet med machine learning.

»Selv hvis det værst tænkelige skulle ske og vores forbindelse til Norges elnet for eksempel forsvandt, ville vores systemer i dag være i stand til at kompensere,« siger Nikolaj Peulicke.

Læs også: El-sektorens kæmpe data-knudepunkt går live

Men hvor meget skal systemet sætte ind med for at kompensere? og hvor febrilsk en redning er der tale om? Det kan machine learning måske hjælpe energinet.dk med at vurdere i en nær fremtid.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (1)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere