Eksempler på big data i energibransjen

Det var stor interesse og godt engasjement da Tekna Big Data satte opp et møte om big data i energibransjen i Trondheim.

Maskinlæring kan forutsi produksjon og effektivisere inspeksjon

Møtet startet med en kort introduksjon om big data og kunstig intelligens / maskinlæring fra Davide Roverso, Chief Analytics Officer i eSmart Systems. Davide kunne fortelle at bare 0,5 % av alle data som samles inn blir analysert og brukt – så her er et stor potensial for bedre utnyttelse av data. Maskinlæring er i ferd med å få et stort oppsving gjennom bedre tilgang til mer data, dypere nettverk og datakraft for analyse og lagring.

I energisektoren kan maskinlæring / machine learning (ML) blant annet utnytte tilgjengelige data til å forutse/prediktere utvikling av eksempelvis produksjon fra solceller (PV). Et annet eksempel som Davide gav, var å redusere tiden brukt på bildeanalyse i etterkant av droneinspeksjoner av kraftledninger. Ved å lære opp algoritmene til å gjenkjenne feilsituasjoner, som sprekker i isolatorer, hakkespetthull og manglende topphette, kan manuell gjennomgang av bilder effektiviseres ved bruk av ML.

Mer automatisering i Statnett

Også Statnett opplever at datamengdene øker. Ennå er ikke datamengdene helt på big-data-nivå, men senioranalytiker Helge Seljeseth fortalte om økende instrumentering, mer sanntidsdata og en overgang til mer automatisering.

På sikt er målet at automatiserte systemer skal kunne overta enkelte operasjoner, som rutinemessige koblinger i nettet. Det skal også bli en delvis automatisering av feilanalysen ved at algoritmene gjenkjenner kjente feilsignaler slik at Statnett får forhåndsvarsler på alvorlige hendelser, helst før det skjer. Dette er tema i forskningsprosjektet EarlyWarn, som Statnett er aktivt med i.

Hvordan lage gode vindkraftprognoser

Vi ønsker pålitelig, billig og fornybar strømforsyning. For å få dette til, er det ifølge Ståle Toften, Analytics Program Manager i Powel (bilde øverst), viktig med gode prognoser for produksjon av eksempelvis vindkraft.

Utfordringen med vindprognosering er hovedsakelig vindhastighet, som er en uforutsigbar, men viktig parameter. Gode prognoser for produksjon gjør det enklere å planlegge riktig nett og tjene mer penger, da en slipper balansekostnader. Dette kan også gjøre vindkraft mer konkurransedyktig enn i dag. Powel bruker skytjenesten Azure for å gjøre analysene sine. Treningen av algoritmene skjer i praksis ikke i sanntid, men på historiske data, og så re-trenes systemet periodisk med nye data.

Det ble mange spørsmål og gode diskusjoner på møtet. Både oppmøtet og engasjementet gav oss i Tekna Big Data god lyst til å arrangere flere møter i Trondheim. Ta gjerne kontakt om du har ideer til tema og/eller foredragsholdere!

---