Prediksjon av feil i det norske strømnettet

Utviklingen av smartgrid har ført til en enorm vekst i antallet sensorer og smarte målere i strømnettet. Disse enhetene tilgjengeliggjør store mengder data. Samtidig har det de siste årene skjedd store fremskritt innen fagfeltet maskinlæring. Disse fremskrittene har gitt oss kraftige verktøy for å hente verdifull informasjon ut av store datamengder. Innenfor prediktivt vedlikehold brukes nettopp maskinlæring til å predikere komponentfeil før de inntreffer. I denne oppgaven introduserer vi ulike metoder for å utnytte sensordata, sammen med værdata, til å predikere feil i det norske strømnettet. Oppgaven er et bidrag til forskning på utnyttelse av sensordata for å bedre driften av strømnettet. Mer spesifikt ser vi på ulike metoder for å bygge maskinlæringsmodeller for prediksjon av komponentfeil i nettstasjoner. Gjennom oppgaven har vi studert eksisterende forskning på emnet og gjennomført et eksperiment. I eksperimentet samlet vi data fra et av Norges største nettselskaper, og brukte denne til å utvikle tre maskinlæringsalgoritmer. Implementasjonen av den tekniske løsningen i eksperimentet er delt opp i to sidestilte fremgangsmåter. I den første fremgangsmåten benyttet vi veiledet læring til å bygge en modell som kan predikere feil i nettstasjoner. I den andre fremgangsmåten bygger vi en modell ved hjelp av ikke-veiledet læring, for å oppdage målinger som avviker fra normaltilstanden. Oppgaven forklarer den tekniske implementasjonen av algoritmene, etterfulgt av en diskusjon knyttet til antakelser, begrensninger og hensyn vi har måttet ta under utviklingen. Vi diskuterer også hvordan dette har påvirket resultatene og substansen i oppgaven. Vår beste modell oppdaget et statistisk signifikant antall avvik fra normaltilstanden for to av de totalt åtte feilene som ble studert