AI og centraliseret beskyttelser - Opdag og undgå fejl i tide

AI og centraliseret beskyttelser - Opdag og undgå fejl i tide

Tænk hvis det var muligt at forudsige størstedelen af fejlene i elnettet og afhjælpe dem, før de blev kostbare og tidskrævende? Nu er det muligt. Med centraliserede beskyttelser fra ABB i kombination med AI-assistance, kan man i realtid få en uovertruffen forståelse.

Med AI er der nu mulighed for at beskytte netvirksomhedernes drift på et helt nyt niveau.
Med AI er der nu mulighed for at beskytte netvirksomhedernes drift på et helt nyt niveau.
center

– I bund og grund handler det om at kunne forstå nettet og netforbruget mere detaljeret. Hvordan udnyttes nettet og anlægget lige nu? Hvilke problemer er ved at udvikle sig? Hvordan ser situationen ud i morgen? I næste uge? Hvordan kan man optimere, overvåge og styre brugen for både at sikre driften og få mest muligt ud af den kapacitet, der findes?

Det siger Johan Pensar, som er global forretningsudvikler hos ABB Distribution Solutions. Og det første skridt mod en bedre forståelse er at indsamle så mange data som muligt.

Det er her, ABB's centraliserede beskyttelses system for el-distributions anlæg, SSC600, kommer ind i billedet. Data fra op til 30 koblingsanlæg samles i SSC600 og visualiseres i et enkelt interface for at lette effektiv beslutningstagning.

  • Arne Adelholm Nielsen
  • Johan Pensar, ABB.

Centraliserede beskyttelser - muliggør fremtidens fejlforudsigelse

ABB's tilbud af centraliserede beskyttelser findes både som hardware (SSC600) og som selvstændig software (SSC600 SW). Sammen med tillægsløsninger for AI-analyse og maskinlæring åbnes døren til et helt nyt niveau af fejlforudsigelse.

– Udover en let tilgængelig oversigt over anlæggets aktuelle status får kunden også en liste over fremtidige risici, der kan føre til potentielle fejl. Risici kategoriseres og prioriteres, så kunden kan træffe velunderbyggede beslutninger og handle, siger Arne Adelholm Nielsen, Manger Distributed Automation hos ABB Distribution Solutions.

ABB's maskinlæringsmodel analyserer fejl- og afvigelsesdata fra SSC600 og giver prognoser for, at fejl opstår i elnettet inden for 1, 7 eller 10 dage, så de rette tiltag kan iværksættes i tide for at sikre distributionen.
ABB's maskinlæringsmodel analyserer fejl- og afvigelsesdata fra SSC600 og giver prognoser for, at fejl opstår i elnettet inden for 1, 7 eller 10 dage, så de rette tiltag kan iværksættes i tide for at sikre distributionen.
center

Kan du give et konkret eksempel på fejlforudsigelse?

– Man kan eksempelvis få indikationer om kommende kabel muffe- eller transformer fejl, hvilket kan udvikle sig til et større problem siger Arne Adelholm Nielsen.

Hvordan kan SSC600 tage højde for risikoen for, at en gren forårsager strømafbrydelse?

– Det er det, der er så fantastisk ved denne teknologi. Beskyttelsen kan hente højopløselige driftsdata og derefter planlægge fremad. Hvis den information bruges i vedligeholdelsesplanlægningen, kan kunden forbedre pålideligheden, men også reducere vedligeholdelsesomkostningerne, ved at personale kan sendes ud, hvor det er nødvendigt, forklarer Johan Pensar.

Pilotprojekt med Vasa Elnät i Finland

I over tre år har ABB haft et pilotprojekt med Vasa Elnät i Finland, hvor SSC600 er blevet brugt til at indsamle data fra allerede installerede relæbeskyttelser. En skræddersyet maskinlæringsmodel analyserer derefter fejl- og afvigelsesdata fra SSC600 og identificerer både årsagen og stedet for registrerede fejl og afvigelser - og kan desuden forudsige fremtidige fejl.

Prognoserne viser, hvor stor sandsynligheden er for, at en fejl opstår i elnettet inden for 1, 7 eller 10 dage, og hvor og hvad det skyldes. Dette giver kunden mulighed for at handle i tide, reducere driftsforstyrrelser og forbedre netværkets pålidelighed.

– Pilotprojektet har været rigtig vellykket. Vi har kunnet forudsige fejl op til en uge i forvejen og har opdaget 67 procent af alle fejl i forvejen og hele 90 procent af de forudsigelige fejl. Og vi har heller ikke haft nogen falske positive svar, fortæller Johan Pensar.

Det her har du brug for for at kunne forudsige fejl i elnettet:

  • Måleudstyr – Relæbeskyttelse eller sammenslagningsenheder, der sender strøm- og spændingsdata i et standardiseret digitalt format.
  • SSC600 (SW) – Identificerer afvigelser og registrerer forstyrrelser i nettet.
  • En skræddersyet maskinlæringsmodel – Samler ind og lagrer data samt kører AI-baseret analyse og fejlprognoser.

Stor hjælp ved overgangen til vedvarende energi

En af dagens store udfordringer for elforsynings virksomheder er at håndtere et større andel af vedvarende energi.

– For at holde elnettet stabilt og undgå ubalance mellem forbrug og produktion kræves der mere detaljeret viden, både i realtid og i form af forudsigelser. Viden, der skal baseres på data fra mange forskellige områder, alt fra vejr og vind til aktuel ledningskapacitet, siger Arne Adelholm Nielsen.

Hvad kan elforsynings virksomheder konkret gøre for at håndtere denne usikkerhed?

– Udnytte mulighederne for at måle mere og bedre og tage hjælp af AI og maskinlæring for yderligere at sikre driften. Der findes mange gode værktøjer i dag til både at optimere de ressourcer, der findes, og sikre elnettets stabilitet. Så udnyt dem - ABB er her for at hjælpe jer med at få det til at fungere for jeres elnet, afslutter Johan Pensar.

Links

Kontakt os

Downloads

Del denne artikel

Facebook LinkedIn X WhatsApp