UiT gjør strømnettet smartere

For mange lokalsamfunn i Norge er det ikke bare strømprisen som kan være en utfordring. Kvaliteten kan være et minst like stort problem. Ifølge forskere ved UiT kan maskinlæring være en del av løsningen.

Norges største batteri løftes på plass av kran på Husøy på Nord-Senja.
Ett av batteriene som skal sikre god strømkvalitet på Nord-Senja løftes på plass på Husøy av nettselskapet Arva. Foto: Johannes Fjell Hojem
Portrettbilde av Hojem, Johannes Fjell
Hojem, Johannes Fjell johannes.f.hojem@uit.no Rådgiver / Fornybar energi
Publisert: 14.01.22 08:30 Oppdatert: 13.01.22 16:19
Bærekraft Energi Teknologi

Som andre varer, må strøm transporteres fra der den lages til der den skal brukes. Til dette benyttes kraftlinjer og sjøkabler. I likhet med veier har kraftnettet også sine flaskehalser og begrensninger. Overstiges kapasiteten i kraftnettet blir det «kø», noe som kan føre til at spenningskvaliteten blir dårligere. Hvis det i tillegg er dårlig vær, kan problemet bli enda større.

Når lysene blinker

Hva er maskinlæring?

Maskinlæring er en teknikk innen kunstig intelligens hvor man bruker avanserte statistiske metoder for å la algoritmer finne mønstre i store datamengder.

På samme måte som at vi mennesker må trene for å bli flinke til noe, så må en maskinlærings-modell (algoritme) også trenes. Den tilgjengelige dataen deles gjerne i to, ett sett for trening og ett for kontroll. Modellen trenes først på den ene delen. Deretter bruker man et testsett som inneholder data modellen ikke har sett før, for å måle hvor mye modellen har “lært” av treningssettet.

Metoden benyttes i dag i alt fra kreftforskning til værvarsling.

Les mer om maskinlæring på nettsiden til UiTs maskinlæringsgruppe.

Senjahopen og Husøy på Nord-Senja har i flere år fått kjenne på hva konsekvensene av køproblemer i nettet kan bety. Dårlig spenningskvalitet fører til at lysene blinker, og i korte perioder kan strømmen forsvinne helt. Her kan det være over 50 blink i året som blant annet fører til at maskiner og elektronikk slår seg av på fiskebruket, og noen ganger fører til lengre avbrudd i produksjonen.

Et nytt og kraftigere strømnett vil løse en del av problemet, men det er både kostnads- og tidkrevende å bygge. I tillegg medfører det ofte nye naturinngrep. Kostnaden med nytt nett er det forbrukerne som må betale for gjennom høyere nettleie, som igjen betyr høyere strømregning. Spørsmålet er derfor om vi kan bruke eksisterende nett på en smartere måte slik at man både kan løse problemet raskt og kanskje også slipper å investere i et nytt? Det er dette UiT nå jobber med å finne svar på i prosjektet Smart Senja.

Et smartere nett på Senja

I prosjektet Smart Senja jobber universitetet med å bruke eksisterende nett smartere. Her skal man teste flere tiltak som flytting av forbruk hos industri og husholdninger, også kalt fleksibelt forbruk. I tillegg har man installert to store batterier som i kritiske perioder skal bidra til å styrke strømkvaliteten.

I dag vet man ikke nøyaktig når blink vil oppstå, og det gjør at man heller ikke kan iverksette tiltak for å forhindre de. En løsning er derfor å få på plass en metode for å forutsi når problemene vil oppstå. Det er her universitetets arbeid med maskinlæring og prediksjon kommer inn.

Kunsten å forutsi feil ved hjelp av maskinlæring

Odin Foldvik Eikeland
Stipendiat Odin Foldvik Eikeland tror maskinlæring vil bli viktig for fremtidens strømnett. Foto: UiT

Odin Foldvik Eikeland er stipendiat ved Institutt for fysikk og teknologi (IFT) og har sammen med veilederne Matteo Chiesa og Filippo Maria Bianchi utviklet en metode for å forutsi når det vil oppstå feil i nettet på Nord-Senja. Dette har de gjort ved hjelp av maskinlæring der de har benyttet historiske data om vær, strømforbruk og tidligere registrerte feil.

– Vi ser at kombinasjonen av sterk vind og høy aktivitet hos industri øker sannsynligheten for at blink oppstår. Vårt mål er at vi ved hjelp av maskinlæring skal kunne bruke værmeldingen sammen med data om blant annet forventet aktivitet på fiskebruket, til å forutsi når vi vil få problemer i nettet, forteller Eikeland.

Så langt klarer metoden å identifisere 78 prosent av alle feil når den testes på historiske data. Til våren skal den prøves ut i praksis og resultatene vil få betydning for når batteriene kobles inn for å motvirke blink.

Ikke bare nyttig for Senja

I årene som kommer vil vi trenge mer strøm til lading av elektriske biler, busser og båter. Samtidig vil mer av kraftproduksjonen komme fra fornybare energikilder som sol og vind, som ikke kan reguleres på samme måte som dagens vannkraft. Dette vil være utfordrende for strømnettet om vi ikke gjør det smart.

– Økende behov for energi kombinert mer produksjon fra ikke-regulerbare energikilder som sol og vind, gir mange spennende muligheter for maskinlæring. Jeg tror at gode analysekunnskaper og maskinlæring vil være svært viktig for å få til det grønne skiftet, sier Eikeland.

Arbeidet har så langt munnet ut i tre forskningsartikler og har allerede vist seg å ha relevans også utenfor Smart Senja-prosjektet.

– Vi ser at metoden som UiT har utviklet for Smart Senja hjelper oss å få større nøyaktighet i å forutsi produksjonen fra vindkraft, sammenlignet med andre metoder vi har til rådighet i dag, sier Tom Eirik Olsen som er sjef for handel hos Ishavskraft AS.

Tom Eirik Olsen
Tom Eirik Olsen i Ishavskraft ønsker å kunne forutsi produksjonen fra vindkraft mer nøyaktig. Foto: Ishavskraft

Ishavskraft er ansvarlig for innmelding av forventet kraftproduksjon fra enkelte vindkraftverk i regionen på vegne av kraftverkene.  Her er det viktig å rapportere så nøyaktige tall som mulig til Statnett, slik at de kan planlegge kraftproduksjonen. Er estimatet for høyt i forhold til det som blir den faktiske produksjonen, må man betale en bot, og er estimatet for lavt, får man dårligere betalt.

Olsen og Ishavskraft følger derfor dette arbeidet tett.

– Det er spesielt verdifullt for oss at vi får utvikle dette i samarbeid med universitet. Det gir oss mulighet til å skreddersy en algoritme som er tilpasset lokale forhold, og på sikt ønsker vi å ta i bruk denne metoden når vi tilbyr tjenester til vindkraftprodusenter, sier Olsen.

Dette er Smart Senja

Smart Senja prosjektet er et samarbeid mellom universitetet Troms Kraft-konsernet, en rekke teknologibedrifter og lokalsamfunnene på Husøy og i Senjahopen der målet er å utnytte eksisterende strømnettnett smartere. Her skal man teste hvordan man flytter forbrukstopper hos industri og husholdninger, for å unngå overbelastning av nettet. Dette kalles fleksibelt forbruk. I tillegg skal man installere to store batterier som i kritiske perioder skal styrke strømkvaliteten. Prosjektet er støttet av Enova og skal gå over fem år.

Les mer om Smart Senja på prosjektets nettside.

Hojem, Johannes Fjell johannes.f.hojem@uit.no Rådgiver / Fornybar energi
Publisert: 14.01.22 08:30 Oppdatert: 13.01.22 16:19
Bærekraft Energi Teknologi
Vi anbefaler