Show simple item record

dc.contributor.advisorHeegaard, Poul Einar
dc.contributor.authorHeistad, Fredrik
dc.contributor.authorKristensen, William Andreas
dc.date.accessioned2019-11-15T15:00:14Z
dc.date.available2019-11-15T15:00:14Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2628767
dc.description.abstractUtviklingen 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.
dc.description.abstractThe development of the smart grid has led to an increase in the number of sensors and smart meters installed in the power grid. These devices make large quantities of data available to grid operators. At the same time, advancements in the field of machine learning have enabled powerful tools to provide valuable insight from big data. In predictive maintenance, machine learning is used as a tool to predict components failures before they happen. This thesis introduces a process to determine whether data from sensors in the power grid can be used to predict grid failures. The thesis is a contribution to research on the potential of utilizing grid information for operation support in the power grid. We present our findings on how machine learning and predictive maintenance may be applied in the power grid domain. Further, we propose methods for building machine learning models for prediction of component failures in substations. Our research includes a literature study and an experiment. As part of the experiment, we have gathered grid data from a major Norwegian grid operator. Our experiments consist of two separate parts with different approaches to build prediction models for failures in substations. In the first approach, we present a supervised learning technique to predict exact future outcomes. In the second approach, we use unsupervised learning techniques for building models able to detect anomalous sensor measurements. Our best performing model detected a statistically significant number of anomalies, prior to the time of failure, in two of the eight failures investigated.
dc.languageeng
dc.publisherNTNU
dc.titlePrediksjon av feil i det norske strømnettet
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record