Hvordan kan kunstig intelligens (KI) gi mer stabilt strømnett på Senja? Dette er spørsmålet doktorgradsstipendiat Karoline Ingebrigtsen, sammen med forskerkollegaer på UiT og Arva, har forsøkt å finne svar på i en nylig publisert artikkel i tidsskriftet Applied Energy.
Ingebrigtsen og kollegaene har benyttet seg av maskinlæring, en variant av KI, for å se om man kan klare å finne en sikker metode for å forutsi feil i strømnettet. Maskinlæring handler om å trene en datamaskin til å finne mønster i store datamengder. Dette kan være informasjon om vind, strømforbruk og historisk strømkvalitet i nettet. Mønsteret gir en modell som kan benyttes til å forutsi fremtidige hendelser som utfordringer med strømkvaliteten eller avbrudd. Dette gjør at man kan iverksette målrettede tiltak for å hindre at feil oppstår. Batterier, økt strømproduksjon eller redusert strømforbruk er tiltak man jobber med å utvikle i Smart Senja prosjektet som kan benyttes i slike tilfeller.
Forskningsartikkelen presenterer hvordan ulike typer informasjon påvirker treffsikkerheten til maskinlæringsmodellen.
Svaret på spørsmålet er ja, KI og maskinlæring kan bidra til å gjøre nettet på Senja bedre. Modellen som vi jobber med kan også bidra til bedre nett overalt der de har de samme utfordringene som på Senja, forteller doktorgradsstipendiat Karoline Ingebrigtsen.
Vi ser at modellen i dag klarer å forutsi 76 prosent av alle feil. Dette er bra, og vi har allerede klart å gjøre den bedre ved å legge til data for lokal strømproduksjon og ved å skille på årstid. Jeg har derfor tro på at vi skal klare å gjøre modellen enda mer treffsikker ved å gi den tilgang på mer ny relevant data.
Artikkeln i Applied Energy kan leses her: Identifying conditions leading to power quality events in Arctic Norway: Feature selection
