Sähköverkon vikatilanteita voidaan analysoida syväoppivalla neuroverkolla

Sähköverkon suojareleiden tuottamia häiriötallenteita on perinteisesti analysoitu manuaalisena työnä, eikä se ole välttämättä tapahtunut välittömästi vikatapahtuman jälkeen. Häiriötallenteiden analysointi on perustunut tallenteen analysoijan ammattitaitoon. Paljon häiriötallenteita on myös voinut jäädä kokonaan analysoimatta. Häiriötallenne antaa kuitenkin arvokasta tietoa sähköverkon vikatilanteista ja niitä voidaan hyödyntää tunnistamaan vikatyyppi ja korjaamaan mahdolliset ongelmat sähkönjakelussa nopeammin. Sähkönjakelun luotettavuutta voidaan parantaa hyödyntämällä häiriötallenteiden tarjoama informaatio tehokkaammin. Häiriötallenteiden analysointia on mahdollista tehostaa automatisoimalla vikatyypin tunnistamista.

Sähköverkkojen suojareleinä käytettyjen kennoterminaalien tallentamia häiriötallenteita on mahdollista analysoida automaattisesti syväoppivan neuroverkon avulla. Jamkin KOESTUS-hankeessa testattiin syväoppivan neuroverkon käyttämistä sähköverkon vikatyypin automaattiseen tunnistamiseen häiriötallennedatasta.

KOESTUS-hankkeessa tehdyssä pilotissa oli käytettävissä 181 todellista tallennetta sähköverkosta. Tallenteet luokiteltiin manuaalisesti kolmeen luokkaan:

1. maasulku (89 tallennetta)
2. oikosulku (19 tallennetta)
3. verkon normaalitila (73 tallennetta)

Tässä analyysissa data esikäsiteltiin seuraavasti. Kaikki tallenteet leikattiin 0,7 sekunnin mittaisiksi lyhimmän tallenteen mukaisesti. Leikkaaminen suoritettiin siten, että häiriön alkamishetki (“trigger-time”) oli mukana kaikissa näytteissä. Syötemuuttujiksi valittiin kaikkien tallenteiden yhteiset suureet: I1, I2, I3, I0. Nollajännitettä U0 ja vaihejännitteitä U1, U2 ja U3 ei ollut kaikissa näytteissä mukana, joten syötemuuttujiksi valittiin vain virtamittaukset. Tallenteiden Comtrade-formaatista selviää kunkin tallenteen näytteenottotaajuus, joten kukin tallenne pystyttiin jakamaan 35:een 0.02 sekunnin aikaikkunaan. Suodatetun signaalin arvoksi valittiin kunkin ikkunan maksimiarvo. Lopuksi signaalit normalisoitiin välille 0-1. Kuviossa 1 on nähtävissä alkuperäinen tallenne ja kuviossa 2 on sama tallenne suodatettuna.

Kuvio 1. Alkuperäinen tallenne

Kuvio 2. Suodatettu tallenne

Aineiston tallenteet jaettiin satunnaisesti kahteen ryhmään: opetusaineisto (135 tallennetta) ja validointiaineisto (46 tallennetta). Ensin mainitun opetusaineiston avulla sovitettiin (eli koulutettiin) koneoppimismalli, ja jälkimmäisen aineiston avulla arvioitiin lopullisen koulutetun koneoppimismallin tarkkuutta.

Koneoppimisalgoritmiksi valittiin konvoluutioneuroverkko. Malli implementoitiin Python-ohjelmointiympäristössä Tensorflow-kirjastoa hyödyntämällä.

Neuroverkon opetus- eli sovitusprosessin jälkeen lopullisen mallin tarkkuus oli tässä tapauksessa 100 % validointiaineistossa ja 99 % opetusaineistossa.

Luokittelumallin validointi

Koneoppimismallin tarkkuutta on aina validoitava aineistolla, jota malli ei ole nähnyt sovitusprosessin aikana. Alla on raportoitu neljä esimerkkitallennetta validointiaineistosta. Kuvaajat ovat normalisoidussa muodossa. Kuvaajan yläpuolella näkyy mallin ennustama luokka, mallin luottamus omaan ennusteeseensa (confidence) sekä kyseisen tallenteen oikea luokka.

Kuvio 3. Esimerkkiluokitteluja validointiaineistosta. Koulutettu tekoäly on lähes 100 % varma kaikista yllä näkyvien tallenteiden luokasta (??????????≈1).

Koko aineistossa on vain yksi tallenne, jonka tekoäly luokitteli väärin (katso kuvio 4). Kyseessä on opetusaineiston näyte, jonka tekoäly luokitteli oikosuluksi luottamustasolla 0,63. Tallenteen oikeaksi luokaksi on kuitenkin aineistossa merkitty maasulku. Alhainen luottamustaso (0,63) kertoo, että tekoäly on ollut epävarman oikeasta luokittelusta ja tässä tapauksessa luokittelu onkin mennyt väärin.

Kuvio 4. Virheellisesti luokiteltu tallenne.

Pohdinta ja johtopäätökset

KOESTUS-hankkeessa suoritettu Proof of Concept analyysi osoittaa, että syväoppimisen menetelmät soveltuvat erinomaisesti häiriötallenteiden luokitteluun. Esimerkissä käytetty aineisto oli rajallinen ja lopullista mallia varten tarvittaisiin jokaista luokiteltua tyyppiä kohti mielellään satoja näytteitä. Mallia voitaisiin jatkossa kehittää siten, että se tunnistaisi muitakin häiriötyyppejä kuin maasulut ja oikosulut. Tätä varten tarvittaisiin vain lisää luokiteltuja häiriötallenteita opetusaineistoksi.

Kehitetty koneoppimismalli on implementoitu osaksi KOESTUS-hankkeessa kehitettyä TKI-ympäristöä. KOESTUS-hankkeessa rakennetun TKI-ympäristön tuottamia häiriötallenteita voidaan analysoida opetetulla koneoppimismallilla kyseisessä TKI-ympäristössä. Menetelmä ei toimi vielä täysin automaattisesti, vaan häiriötallenne joudutaan syöttämään manuaalisesti erillisellä tietokoneella olevalle koneoppimismallille.

KOESTUS – Sähköverkon suojausten ja koestuksen TKI-ympäristö

Jyväskylän ammattikorkeakoulun KOESTUS – Sähköverkon suojausten ja koestuksen TKI-ympäristö -hankkeessa perustetaan laiteympäristö, joka sisältää nykyaikaisia suojareleitä, verkkomallin sekä koestuslaitteen. Suojalaiteympäristössä voidaan jatkossa tehdä mm. sähköverkon suojausten suunnitteluun, toteutukseen ja suojalaitteiden koestamiseen liittyvää TKI- ja koulutustyötä turvallisesti laboratorioympäristössä. TKI-ympäristöä voidaan hyödyntää myös nykyaikaisiin suojalaitejärjestelmiin liittyvien kyberuhkien kartoittamisessa ja aiheeseen liittyvän osaamisen kasvattamisessa. Lisäksi hankeen yhtenä tavoitteena on selvittää data-analytiikan mahdollisuuksia häiriötyyppien automaattisen tunnistamiseen häiriötallenteista. Hankkeessa kokeillaan mm. syväoppivan neuroverkon opettamista tunnistamaan automaattisesti häiriötallenteesta vian tyyppi. Lisäksi selvitetään kuinka tällainen tunnistaminen olisi mahdollista implementoida osaksi oikeaa laiteympäristöä ja toimia reaaliajassa tai lähes reaaliajassa vian ilmaantuessa.

KOESTUS-hankkeen toteutuksessa ovat vahvasti mukana ALVA Sähköverkko Oy, Elektron E Oy, Enerva Oy, Fingrid Oyj, Rejlers Finland Oy ja Äänekosken Energia Oy.

KOESTUS – Sähköverkon suojausten ja koestuksen TKI-ympäristö -hanketta rahoittavat Euroopan aluekehitysrahasto (EAKR), hankkeen toteuttaja sekä hankekumppanit. Hankkeen toteutusaika on 1.6.2021 – 31.8.2023.

Kirjoittajat:

Tomi Nieminen, lehtori, Jyväskylän ammattikorkeakoulu
Olli Väänänen, yliopettaja, Jyväskylän ammattikorkeakoulu