{"id":830,"date":"2023-08-14T09:00:00","date_gmt":"2023-08-14T06:00:00","guid":{"rendered":"https:\/\/blogit.jamk.fi\/techtothefuture\/?p=830"},"modified":"2024-02-09T15:35:03","modified_gmt":"2024-02-09T13:35:03","slug":"sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla","status":"publish","type":"post","link":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/","title":{"rendered":"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla"},"content":{"rendered":"\n
\n
\n
\"EU<\/figure>\n<\/div>\n\n\n\n
\n
\"Vipuvoimaa<\/figure>\n<\/div>\n\n\n\n
\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n

S\u00e4hk\u00f6verkon suojareleiden tuottamia h\u00e4iri\u00f6tallenteita on perinteisesti analysoitu manuaalisena ty\u00f6n\u00e4, eik\u00e4 se ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 tapahtunut v\u00e4litt\u00f6m\u00e4sti vikatapahtuman j\u00e4lkeen. H\u00e4iri\u00f6tallenteiden analysointi on perustunut tallenteen analysoijan ammattitaitoon. Paljon h\u00e4iri\u00f6tallenteita on my\u00f6s voinut j\u00e4\u00e4d\u00e4 kokonaan analysoimatta. H\u00e4iri\u00f6tallenne antaa kuitenkin arvokasta tietoa s\u00e4hk\u00f6verkon vikatilanteista ja niit\u00e4 voidaan hy\u00f6dynt\u00e4\u00e4 tunnistamaan vikatyyppi ja korjaamaan mahdolliset ongelmat s\u00e4hk\u00f6njakelussa nopeammin. S\u00e4hk\u00f6njakelun luotettavuutta voidaan parantaa hy\u00f6dynt\u00e4m\u00e4ll\u00e4 h\u00e4iri\u00f6tallenteiden tarjoama informaatio tehokkaammin. H\u00e4iri\u00f6tallenteiden analysointia on mahdollista tehostaa automatisoimalla vikatyypin tunnistamista.<\/p>\n\n\n\n

S\u00e4hk\u00f6verkkojen suojarelein\u00e4 k\u00e4ytettyjen kennoterminaalien tallentamia h\u00e4iri\u00f6tallenteita on mahdollista analysoida automaattisesti syv\u00e4oppivan neuroverkon avulla. Jamkin KOESTUS-hankeessa testattiin syv\u00e4oppivan neuroverkon k\u00e4ytt\u00e4mist\u00e4 s\u00e4hk\u00f6verkon vikatyypin automaattiseen tunnistamiseen h\u00e4iri\u00f6tallennedatasta.<\/p>\n\n\n\n

KOESTUS-hankkeessa tehdyss\u00e4 pilotissa oli k\u00e4ytett\u00e4viss\u00e4 181 todellista tallennetta s\u00e4hk\u00f6verkosta. Tallenteet luokiteltiin manuaalisesti kolmeen luokkaan:<\/p>\n\n\n\n

    \n
  1. maasulku (89 tallennetta)<\/li>\n\n\n\n
  2. oikosulku (19 tallennetta)<\/li>\n\n\n\n
  3. verkon normaalitila (73 tallennetta)<\/li>\n<\/ol>\n\n\n\n

    T\u00e4ss\u00e4 analyysissa data esik\u00e4siteltiin seuraavasti. Kaikki tallenteet leikattiin 0,7 sekunnin mittaisiksi lyhimm\u00e4n tallenteen mukaisesti. Leikkaaminen suoritettiin siten, ett\u00e4 h\u00e4iri\u00f6n alkamishetki (\u201ctrigger-time\u201d) oli mukana kaikissa n\u00e4ytteiss\u00e4. Sy\u00f6temuuttujiksi valittiin kaikkien tallenteiden yhteiset suureet: I1<\/em>, I2<\/em>, I3<\/em>, I0<\/em>. Nollaj\u00e4nnitett\u00e4 U0<\/em> ja vaihej\u00e4nnitteit\u00e4 U1<\/em>, U2<\/em> ja U3<\/em> ei ollut kaikissa n\u00e4ytteiss\u00e4 mukana, joten sy\u00f6temuuttujiksi valittiin vain virtamittaukset. Tallenteiden Comtrade-formaatista selvi\u00e4\u00e4 kunkin tallenteen n\u00e4ytteenottotaajuus, joten kukin tallenne pystyttiin jakamaan 35:een 0.02 sekunnin aikaikkunaan. Suodatetun signaalin arvoksi valittiin kunkin ikkunan maksimiarvo. Lopuksi signaalit normalisoitiin v\u00e4lille 0-1. Kuviossa 1 on n\u00e4ht\u00e4viss\u00e4 alkuper\u00e4inen tallenne ja kuviossa 2 on sama tallenne suodatettuna.<\/p>\n\n\n\n

    \n
    \n
    \"Grafiikka\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n

    Kuvio 1. Alkuper\u00e4inen tallenne<\/em><\/p>\n\n\n\n

    \"Grafiikka\"<\/figure>\n\n\n\n

    Kuvio 2. Suodatettu tallenne<\/em><\/p>\n\n\n\n

    Aineiston tallenteet jaettiin satunnaisesti kahteen ryhm\u00e4\u00e4n: opetusaineisto (135 tallennetta) ja validointiaineisto (46 tallennetta). Ensin mainitun opetusaineiston avulla sovitettiin (eli koulutettiin) koneoppimismalli, ja j\u00e4lkimm\u00e4isen aineiston avulla arvioitiin lopullisen koulutetun koneoppimismallin tarkkuutta.<\/p>\n\n\n\n

    Koneoppimisalgoritmiksi valittiin konvoluutioneuroverkko. Malli implementoitiin Python-ohjelmointiymp\u00e4rist\u00f6ss\u00e4 Tensorflow-kirjastoa hy\u00f6dynt\u00e4m\u00e4ll\u00e4.<\/p>\n\n\n\n

    Neuroverkon opetus- eli sovitusprosessin j\u00e4lkeen lopullisen mallin tarkkuus oli t\u00e4ss\u00e4 tapauksessa 100 % validointiaineistossa ja 99 % opetusaineistossa.<\/p>\n\n\n\n

    Luokittelumallin validointi<\/h2>\n\n\n\n

    Koneoppimismallin tarkkuutta on aina validoitava aineistolla, jota malli ei ole n\u00e4hnyt sovitusprosessin aikana. Alla on raportoitu nelj\u00e4 esimerkkitallennetta validointiaineistosta. Kuvaajat ovat normalisoidussa muodossa. Kuvaajan yl\u00e4puolella n\u00e4kyy mallin ennustama luokka, mallin luottamus omaan ennusteeseensa (confidence) sek\u00e4 kyseisen tallenteen oikea luokka.<\/p>\n\n\n\n

    \n
    \n
    \"Grafiikka\"<\/figure>\n<\/div>\n\n\n\n
    \n
    \"Grafiikka\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
    \n
    \n
    \"Grafiikka\"<\/figure>\n<\/div>\n\n\n\n
    \n
    \"Grafiikka\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n

    Kuvio 3. Esimerkkiluokitteluja validointiaineistosta. Koulutettu teko\u00e4ly on l\u00e4hes 100 % varma kaikista yll\u00e4 n\u00e4kyvien tallenteiden luokasta (??????????\u22481).<\/em><\/p>\n\n\n\n

    Koko aineistossa on vain yksi tallenne, jonka teko\u00e4ly luokitteli v\u00e4\u00e4rin (katso kuvio 4). Kyseess\u00e4 on opetusaineiston n\u00e4yte, jonka teko\u00e4ly luokitteli oikosuluksi luottamustasolla 0,63. Tallenteen oikeaksi luokaksi on kuitenkin aineistossa merkitty maasulku. Alhainen luottamustaso (0,63) kertoo, ett\u00e4 teko\u00e4ly on ollut ep\u00e4varman oikeasta luokittelusta ja t\u00e4ss\u00e4 tapauksessa luokittelu onkin mennyt v\u00e4\u00e4rin.<\/p>\n\n\n\n

    \"Grafiikka\"<\/figure>\n\n\n\n

    Kuvio 4. Virheellisesti luokiteltu tallenne.<\/em><\/p>\n\n\n\n

    Pohdinta ja johtop\u00e4\u00e4t\u00f6kset<\/h2>\n\n\n\n

    KOESTUS-hankkeessa suoritettu Proof of Concept analyysi osoittaa, ett\u00e4 syv\u00e4oppimisen menetelm\u00e4t soveltuvat erinomaisesti h\u00e4iri\u00f6tallenteiden luokitteluun. Esimerkiss\u00e4 k\u00e4ytetty aineisto oli rajallinen ja lopullista mallia varten tarvittaisiin jokaista luokiteltua tyyppi\u00e4 kohti mielell\u00e4\u00e4n satoja n\u00e4ytteit\u00e4. Mallia voitaisiin jatkossa kehitt\u00e4\u00e4 siten, ett\u00e4 se tunnistaisi muitakin h\u00e4iri\u00f6tyyppej\u00e4 kuin maasulut ja oikosulut. T\u00e4t\u00e4 varten tarvittaisiin vain lis\u00e4\u00e4 luokiteltuja h\u00e4iri\u00f6tallenteita opetusaineistoksi.<\/p>\n\n\n\n

    Kehitetty koneoppimismalli on implementoitu osaksi KOESTUS-hankkeessa kehitetty\u00e4 TKI-ymp\u00e4rist\u00f6\u00e4. KOESTUS-hankkeessa rakennetun TKI-ymp\u00e4rist\u00f6n tuottamia h\u00e4iri\u00f6tallenteita voidaan analysoida opetetulla koneoppimismallilla kyseisess\u00e4 TKI-ymp\u00e4rist\u00f6ss\u00e4. Menetelm\u00e4 ei toimi viel\u00e4 t\u00e4ysin automaattisesti, vaan h\u00e4iri\u00f6tallenne joudutaan sy\u00f6tt\u00e4m\u00e4\u00e4n manuaalisesti erillisell\u00e4 tietokoneella olevalle koneoppimismallille.<\/p>\n\n\n\n

    KOESTUS \u2013 S\u00e4hk\u00f6verkon suojausten ja koestuksen TKI-ymp\u00e4rist\u00f6<\/h2>\n\n\n\n

    Jyv\u00e4skyl\u00e4n ammattikorkeakoulun KOESTUS \u2013 S\u00e4hk\u00f6verkon suojausten ja koestuksen TKI-ymp\u00e4rist\u00f6 -hankkeessa perustetaan laiteymp\u00e4rist\u00f6, joka sis\u00e4lt\u00e4\u00e4 nykyaikaisia suojareleit\u00e4, verkkomallin sek\u00e4 koestuslaitteen. Suojalaiteymp\u00e4rist\u00f6ss\u00e4 voidaan jatkossa tehd\u00e4 mm. s\u00e4hk\u00f6verkon suojausten suunnitteluun, toteutukseen ja suojalaitteiden koestamiseen liittyv\u00e4\u00e4 TKI- ja koulutusty\u00f6t\u00e4 turvallisesti laboratorioymp\u00e4rist\u00f6ss\u00e4. TKI-ymp\u00e4rist\u00f6\u00e4 voidaan hy\u00f6dynt\u00e4\u00e4 my\u00f6s nykyaikaisiin suojalaitej\u00e4rjestelmiin liittyvien kyberuhkien kartoittamisessa ja aiheeseen liittyv\u00e4n osaamisen kasvattamisessa. Lis\u00e4ksi hankeen yhten\u00e4 tavoitteena on selvitt\u00e4\u00e4 data-analytiikan mahdollisuuksia h\u00e4iri\u00f6tyyppien automaattisen tunnistamiseen h\u00e4iri\u00f6tallenteista. Hankkeessa kokeillaan mm. syv\u00e4oppivan neuroverkon opettamista tunnistamaan automaattisesti h\u00e4iri\u00f6tallenteesta vian tyyppi. Lis\u00e4ksi selvitet\u00e4\u00e4n kuinka t\u00e4llainen tunnistaminen olisi mahdollista implementoida osaksi oikeaa laiteymp\u00e4rist\u00f6\u00e4 ja toimia reaaliajassa tai l\u00e4hes reaaliajassa vian ilmaantuessa.<\/p>\n\n\n\n

    KOESTUS-hankkeen toteutuksessa ovat vahvasti mukana ALVA S\u00e4hk\u00f6verkko Oy, Elektron E Oy, Enerva Oy, Fingrid Oyj, Rejlers Finland Oy ja \u00c4\u00e4nekosken Energia Oy.<\/p>\n\n\n\n

    KOESTUS \u2013 S\u00e4hk\u00f6verkon suojausten ja koestuksen TKI-ymp\u00e4rist\u00f6 -hanketta rahoittavat Euroopan aluekehitysrahasto (EAKR), hankkeen toteuttaja sek\u00e4 hankekumppanit. Hankkeen toteutusaika on 1.6.2021 \u2013 31.8.2023.<\/p>\n\n\n\n

    Kirjoittajat:<\/p>\n\n\n\n

    Tomi Nieminen, lehtori, Jyv\u00e4skyl\u00e4n ammattikorkeakoulu
    Olli V\u00e4\u00e4n\u00e4nen, yliopettaja, Jyv\u00e4skyl\u00e4n ammattikorkeakoulu<\/p>\n","protected":false},"excerpt":{"rendered":"

    S\u00e4hk\u00f6verkon suojareleiden tuottamia h\u00e4iri\u00f6tallenteita on perinteisesti analysoitu manuaalisena ty\u00f6n\u00e4, eik\u00e4 se ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 tapahtunut v\u00e4litt\u00f6m\u00e4sti vikatapahtuman j\u00e4lkeen. H\u00e4iri\u00f6tallenteiden analysointi on perustunut tallenteen analysoijan ammattitaitoon. Paljon h\u00e4iri\u00f6tallenteita on my\u00f6s voinut j\u00e4\u00e4d\u00e4 kokonaan analysoimatta. H\u00e4iri\u00f6tallenne antaa kuitenkin arvokasta tietoa s\u00e4hk\u00f6verkon vikatilanteista ja niit\u00e4 voidaan hy\u00f6dynt\u00e4\u00e4 tunnistamaan vikatyyppi ja korjaamaan mahdolliset ongelmat s\u00e4hk\u00f6njakelussa nopeammin. S\u00e4hk\u00f6njakelun luotettavuutta voidaan parantaa […]<\/p>\n","protected":false},"author":450,"featured_media":842,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[124022,86449,932],"tags":[124068,124047,90693],"class_list":["post-830","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sahkoverkot","category-teollisuus","category-yleinen","tag-neuroverkot","tag-sahkoverkot","tag-syvaoppiminen"],"acf":false,"yoast_head":"\nS\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla - Tech to the Future<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/\" \/>\n<meta property=\"og:locale\" content=\"fi_FI\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla - Tech to the Future\" \/>\n<meta property=\"og:description\" content=\"S\u00e4hk\u00f6verkon suojareleiden tuottamia h\u00e4iri\u00f6tallenteita on perinteisesti analysoitu manuaalisena ty\u00f6n\u00e4, eik\u00e4 se ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 tapahtunut v\u00e4litt\u00f6m\u00e4sti vikatapahtuman j\u00e4lkeen. H\u00e4iri\u00f6tallenteiden analysointi on perustunut tallenteen analysoijan ammattitaitoon. Paljon h\u00e4iri\u00f6tallenteita on my\u00f6s voinut j\u00e4\u00e4d\u00e4 kokonaan analysoimatta. H\u00e4iri\u00f6tallenne antaa kuitenkin arvokasta tietoa s\u00e4hk\u00f6verkon vikatilanteista ja niit\u00e4 voidaan hy\u00f6dynt\u00e4\u00e4 tunnistamaan vikatyyppi ja korjaamaan mahdolliset ongelmat s\u00e4hk\u00f6njakelussa nopeammin. S\u00e4hk\u00f6njakelun luotettavuutta voidaan parantaa […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/\" \/>\n<meta property=\"og:site_name\" content=\"Tech to the Future\" \/>\n<meta property=\"article:published_time\" content=\"2023-08-14T06:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-09T13:35:03+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/08\/Neuroverkot.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"720\" \/>\n\t<meta property=\"og:image:height\" content=\"300\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Toimittaja\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Toimittaja\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"4 minuuttia\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/\"},\"author\":{\"name\":\"Toimittaja\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#\\\/schema\\\/person\\\/b478af14b390b3e603675f21efaab6e0\"},\"headline\":\"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla\",\"datePublished\":\"2023-08-14T06:00:00+00:00\",\"dateModified\":\"2024-02-09T13:35:03+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/\"},\"wordCount\":773,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/08\\\/Neuroverkot.jpg\",\"keywords\":[\"neuroverkot\",\"s\u00e4hk\u00f6verkot\",\"syv\u00e4oppiminen\"],\"articleSection\":[\"S\u00e4hk\u00f6verkot\",\"Teollisuus\"],\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/\",\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/\",\"name\":\"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla - Tech to the Future\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/08\\\/Neuroverkot.jpg\",\"datePublished\":\"2023-08-14T06:00:00+00:00\",\"dateModified\":\"2024-02-09T13:35:03+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#\\\/schema\\\/person\\\/b478af14b390b3e603675f21efaab6e0\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#breadcrumb\"},\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#primaryimage\",\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/08\\\/Neuroverkot.jpg\",\"contentUrl\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/wp-content\\\/uploads\\\/sites\\\/530\\\/2023\\\/08\\\/Neuroverkot.jpg\",\"width\":720,\"height\":300,\"caption\":\"Neuroverkot kuvituskuva\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/2023\\\/08\\\/14\\\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#website\",\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/\",\"name\":\"Tech to the Future\",\"description\":\"Blogissa kerromme monipuolisesti Jamkin teknologiayksik\u00f6n TKI-toiminnasta ja nostamme esille asiantuntijuuksiimme liittyvi\u00e4 aiheita, joita ovat mm. kyberturvallisuus, ICT, automaatio- ja robotiikka, biotalous, logistiikka, rakennustekniikka ja teollisuus.\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fi\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/#\\\/schema\\\/person\\\/b478af14b390b3e603675f21efaab6e0\",\"name\":\"Toimittaja\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g\",\"caption\":\"Toimittaja\"},\"url\":\"https:\\\/\\\/blogit.jamk.fi\\\/techtothefuture\\\/author\\\/mintan\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla - Tech to the Future","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/","og_locale":"fi_FI","og_type":"article","og_title":"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla - Tech to the Future","og_description":"S\u00e4hk\u00f6verkon suojareleiden tuottamia h\u00e4iri\u00f6tallenteita on perinteisesti analysoitu manuaalisena ty\u00f6n\u00e4, eik\u00e4 se ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 tapahtunut v\u00e4litt\u00f6m\u00e4sti vikatapahtuman j\u00e4lkeen. H\u00e4iri\u00f6tallenteiden analysointi on perustunut tallenteen analysoijan ammattitaitoon. Paljon h\u00e4iri\u00f6tallenteita on my\u00f6s voinut j\u00e4\u00e4d\u00e4 kokonaan analysoimatta. H\u00e4iri\u00f6tallenne antaa kuitenkin arvokasta tietoa s\u00e4hk\u00f6verkon vikatilanteista ja niit\u00e4 voidaan hy\u00f6dynt\u00e4\u00e4 tunnistamaan vikatyyppi ja korjaamaan mahdolliset ongelmat s\u00e4hk\u00f6njakelussa nopeammin. S\u00e4hk\u00f6njakelun luotettavuutta voidaan parantaa […]","og_url":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/","og_site_name":"Tech to the Future","article_published_time":"2023-08-14T06:00:00+00:00","article_modified_time":"2024-02-09T13:35:03+00:00","og_image":[{"width":720,"height":300,"url":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/08\/Neuroverkot.jpg","type":"image\/jpeg"}],"author":"Toimittaja","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Toimittaja","Est. reading time":"4 minuuttia"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#article","isPartOf":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/"},"author":{"name":"Toimittaja","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#\/schema\/person\/b478af14b390b3e603675f21efaab6e0"},"headline":"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla","datePublished":"2023-08-14T06:00:00+00:00","dateModified":"2024-02-09T13:35:03+00:00","mainEntityOfPage":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/"},"wordCount":773,"commentCount":0,"image":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#primaryimage"},"thumbnailUrl":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/08\/Neuroverkot.jpg","keywords":["neuroverkot","s\u00e4hk\u00f6verkot","syv\u00e4oppiminen"],"articleSection":["S\u00e4hk\u00f6verkot","Teollisuus"],"inLanguage":"fi","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/","url":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/","name":"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla - Tech to the Future","isPartOf":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#primaryimage"},"image":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#primaryimage"},"thumbnailUrl":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/08\/Neuroverkot.jpg","datePublished":"2023-08-14T06:00:00+00:00","dateModified":"2024-02-09T13:35:03+00:00","author":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#\/schema\/person\/b478af14b390b3e603675f21efaab6e0"},"breadcrumb":{"@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#breadcrumb"},"inLanguage":"fi","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/"]}]},{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#primaryimage","url":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/08\/Neuroverkot.jpg","contentUrl":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2023\/08\/Neuroverkot.jpg","width":720,"height":300,"caption":"Neuroverkot kuvituskuva"},{"@type":"BreadcrumbList","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/2023\/08\/14\/sahkoverkon-vikatilanteita-voidaan-analysoida-syvaoppivalla-neuroverkolla\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blogit.jamk.fi\/techtothefuture\/"},{"@type":"ListItem","position":2,"name":"S\u00e4hk\u00f6verkon vikatilanteita voidaan analysoida syv\u00e4oppivalla neuroverkolla"}]},{"@type":"WebSite","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#website","url":"https:\/\/blogit.jamk.fi\/techtothefuture\/","name":"Tech to the Future","description":"Blogissa kerromme monipuolisesti Jamkin teknologiayksik\u00f6n TKI-toiminnasta ja nostamme esille asiantuntijuuksiimme liittyvi\u00e4 aiheita, joita ovat mm. kyberturvallisuus, ICT, automaatio- ja robotiikka, biotalous, logistiikka, rakennustekniikka ja teollisuus.","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blogit.jamk.fi\/techtothefuture\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fi"},{"@type":"Person","@id":"https:\/\/blogit.jamk.fi\/techtothefuture\/#\/schema\/person\/b478af14b390b3e603675f21efaab6e0","name":"Toimittaja","image":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/secure.gravatar.com\/avatar\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/5c0a572ac9ecdf261f6135a43bebe8a7d43a443dc4dc12ee466cd93c1355fa4e?s=96&d=mm&r=g","caption":"Toimittaja"},"url":"https:\/\/blogit.jamk.fi\/techtothefuture\/author\/mintan\/"}]}},"_links":{"self":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts\/830","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/users\/450"}],"replies":[{"embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/comments?post=830"}],"version-history":[{"count":18,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts\/830\/revisions"}],"predecessor-version":[{"id":1023,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/posts\/830\/revisions\/1023"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/media\/842"}],"wp:attachment":[{"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/media?parent=830"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/categories?post=830"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogit.jamk.fi\/techtothefuture\/wp-json\/wp\/v2\/tags?post=830"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}