Ebrahim bryter ny mark med maskininlärningsmetoder för elkvalitetsanalys

Unipower erbjuder en ny produkt tillsammans med startupen Eneryield – en analysrapport som automatiserar processen för att hitta grundorsaker till elkvalitetsstörningar. Den underliggande tekniken bygger på forskning av Ebrahim Balouji (Ph.D Elektroteknik) och Karl Bäckström (Ph.D.c Datavetenskap) vid Chalmers Tekniska Högskola. Ebrahim har åtta års erfarenhet av datahantering och elkvalitetsanalys, elnätsmodellering och kompensering av elkvalitetsproblem. Han tror att det finns stora möjligheter att modernisera elnätet.

Världen blir allt mer digitaliserad och elsystemen följer den trenden. När fler sensorer installeras på elnäten ökar mängden data som samlas in. Det skapar stora möjligheter att addera värde genom att analysera datan på mer sofistikerade sätt, till exempel med nya maskininlärningsmetoder. Det har blivit ett viktigt verktyg att analysera elnätsdata på senare tid tack vare att tillgängligheten på beräkningskraft, datalagring och kommunikation har förbättrats. De värden som skapas relaterar till energieffektivitet, leveranssäkerhet och prediktivt underhåll.

Ebrahim Balouji har utvecklat nya djupinlärnings- och maskininlärningsmetoder för att analysera signaler som relaterar till ström och spänning. Just nu genomför han sin andra PhD inom signalprocessering vid avdelningen för Elektroteknik på Chalmers Tekniska Högskola.

– Maskininlärning gör det möjligt att utnyttja stora mängder data från elnätet för att extrahera värdefulla insikter, vilket kan höja prestandan på elnäten och göra de mer effektiva, säger Ebrahim.

Genom att använda djupinlärningstekniker kan Ebrahims metoder klassificera elkvalitetshändelser och jordfel för att identifiera deras grundorsak och riktning med en mycket hög träffsäkerhet. Denna process kräver annars manuellt arbete och kunskap i ämnet, men Ebrahims arbete visar att det kan automatiseras med förbättrad kvalitet. Det är en viktig beståndsdel i Eneryields arbete att leverera en trovärdig modell av elnätet vid alla platser och tidpunkter. Genom att lokalisera svagheter i elsystem är det också möjligt att stärka dem för att förbättra leveranssäkerheten och energieffektiviteten. Ebrahim har också klassificerat och analyserat partiella urladdningar, eller glimningar, med imponerande resultat. Det kan användas för att uppskatta livslängden på elektroniska enheter som motorer, för att förstå när underhåll behövs.

Möjligheten att förutse elkvalitetshändelser och -variationer, som övertoner och flimmer, är ytterligare en av Ebrahims upptäckter. Den forskningen har han genomfört tillsammans med sin kollega, Karl Bäckström, som också doktorerar på Chalmers. För att förutspå elkvalitet krävs att signalen som mäts behandlas med speciella för-processeringsmetoder. Dessa har resulterat i möjligheten att förutse elkvalitetshändelser och -variationer upp till önskade horisonter. En intressant applikation är i aktiva elkvalitetsfilter, som används för att kompensera elkvalitetsstörningar, och använda algoritmen för att minska deras nuvarande fördröjningar. Det kan få dem att agera i realtid med en högre effektivitet och förbättrad elkvalitet i utsatta områden.

Om du vill läsa mer om Ebrahims forskning är det möjligt att hitta hans artiklar här: https://ieeexplore.ieee.org/author/37085455267

Unipower och startupen Eneryield (www.eneryield.com) erbjuder nu en ny analysrapport, baserad på Ebrahims forskning. De maskininlärningsbaserade insikterna som levereras i rapporten gör det möjligt för elbolag att ta ett steg mot smartare elnät och förbättra dess pålitlighet.

Comments are closed.

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close