Prosjektet Smart Senja er organisert i arbeidspakker (AP) som forholder seg til hver sin seksjon av prosjektet:
AP-1: Prognosering, Gridtool. Arbeidspakken skal utvikle IT-systemer for prognosering av forbruk og produksjon, samt prediksjon av fremtidig behov for aktivering av fleksibilitet for å balansere distribusjonsnettet. Arbeidspakken ledes av Volue.
AP-2: Forbruksstyring. Arbeidspakken skal utvikle og etablere forretningsmodeller og teknologiløsninger for automatisert styring av laster hos industri og husholdninger, samt tilby dette i porteføljer til det lokale fleksibilitetsmarkedet. Arbeidspakken ledes av Ishavskraft.
AP-3: Energilagring. Arbeidspakken skal utvikle og installere batteriløsninger i distribusjonsnettet for nettstøtte til blant annet peak-shaving og spenningsstøtte. Energiressursene skal integreres mot det lokale fleksibilitetsmarkedet. Arbeidspakken ledes av Arva.
AP-4: Fleksibilitetsmarked. Arbeidspakken skal etablere selve markedsplassen for handel med fleksibilitet, herunder utvikle produkter, prosesser, forretningsmodeller og teknologiplattform. Arbeidspakken ledes av Nodes.
AP-5: Kunnskaps- og kompetanseformidling. Arbeidspakken sørger for god integrasjon mellom samfunn og prosjekt, etablerer kompetanseutveksling mellom akademia, myndigheter og industri, samt formidle nye forskningsresultater og ny kompetanse på egnede arenaer. Arbeidspakken ledes av ARC-senteret ved Universitetet i Tromsø, Norges arktiske universitet.
AP-6: Prosument, solkraft. Arbeidspakken skal demonstrere hvordan en økt miks av uregulérbar energi kan avlaste kapasitetsutfordringer i distribusjonsnettet, og også hvordan solkraft og annen lokal energiproduksjon kan brukes som en fleksibel ressurs for å balansere nettet. Arbeidspakken ledes av Universitetet i Tromsø.
AP-7: Datahub og IT-integrasjon. Arbeidspakken skal utvikle og etablere nødvendig infrastruktur for innsamling, lagring og tilgjengeliggjøring av data fra sensorer i distribusjonsnettet og andre informasjonskilder. Datahuben er en sentral infrastruktur for å anvende maskinlæringsmetoder og algoritmer til å bygge nødvendig kunnskap for aktiv styring av kraftnettet. Arbeidspakken ledes av Arva.