Datahanteringsförbättringar i elnätet
en väg till ett smartare cyberfysiskt system
Tid: Må 2024-04-08 kl 10.00
Plats: F3 (Flodis), Lindstedtsvägen 26
Ämnesområde: Elektro- och systemteknik
Respondent: Sylvie Evelyne Koziel , Elektromagnetism och fusionsfysik
Opponent: Assistant Professor Mathaios Panteli, University of Cyprus, Nicosia, Cyprus
Handledare: Professor Patrik Hilber, Elektromagnetism och fusionsfysik; Doctor Ebrahim Shayesteh, Elektromagnetism och fusionsfysik; Associate Senior Lecturer Per Westerlund,
QC 20240321
Abstract
Det nuvarande kraftsystemet är ett nät av elektriska apparater som utgör ett fysiskt system. Det upplever förändringar, till exempel ökande antal elfordon och distribuerade energikällor. Samtidigt kopplas cybernätverk in i det fysiska nätet i allt högre grad. Dessa förändringar förvandlar elnätet till ett smart nät som är ofta i fokus för forskningslitteraturen. Den omvandlingen är starkt kopplat till den samtidiga utvecklingen av cyberinfrastrukturen, som är fokus för denna avhandling. Det syftar till att stödja den stegvisa uppgraderingen av datasystem, med hänsyn till verkliga begränsningar, såväl som möjligheter som sensorer och maskininlärning erbjuder. Med denna bakgrund har två forskningsfrågor identifierats: i) Hur kan man använda tillgängliga data mer effektivt för att förbättra nätförvaltning? och ii) Hur mycket och vilken typ av nya data behövs egentligen?
När det gäller den första forskningsfrågan undersöks sätt att använda till-gängliga data mer effektivt i samarbete med en elnätsägare. Ett alternativ är att elnätsägare använder erkänt välfungerande metoder när det gäller datahantering, som inkluderar: kombinera data från olika källor, förbättra rapporteringsmetoder och automatisera uppgifter. För att illustrera hur en kombination av tillgängliga data kan ge ytterligare relevant information, har kritikalitetsindex beräknats och tilldelats komponenter i en transformatorstation genom att kombinera avbrottsdata, driftdata och nätstruktur. Ett annat alternativ är att utveckla maskininlärningsalgoritmer för att genomföra specifika eller nya uppgifter. Ett felvarningssystem har utvecklats med hjälp av maskininlärning för att utnyttja befintliga data om elkraftapparater. Det ger apparatspecifika röda flaggor, i situationer där en utbredda installation av särskilda sensorer är orealistisk.
När det gäller den andra forskningsfrågan har en metodik utvecklats för att identifiera vilka data som faktiskt behövs. Tillvägagångssättet är scenariobaserat och formaliserar matematiska relationer mellan data, näthantering och nätprestanda. Det har tillämpats i tre studier. En studie använder metoden för att undersöka inverkan av datakvalitet på nätförvaltningskostnader och för att identifiera det mest lönsamma investeringsbeloppet för datakvaliteten förbättring. En annan studie föreslår ett verktyg för att utvärdera lönsamheten för investeringar i tillståndsövervakningssensorer. En tredje studie utreder hur datagranularitet påverkar beslut om nätuppgraderingar , och i slutändan kvaliteten på strömförsörjningen, och föreslår ett sätt att bestämma var, hur och hur mycket cyberinfrastrukturen ska uppgraderas.
Denna avhandling: i) visar betydelsen av data för nätprestanda ; ii) konceptualiserar, formaliserar matematiskt och kvantifierar relationer mellan data, näthantering samt nätprestanda; iii) utvecklar nya metoder för att stödja omvandlingen av den cyberinfrastruktur som behövs för en övergång till smarta nät.