Een StoringsPredictor op basis van machine learning

De ontwikkeling naar duurzaamheid brengt grote veranderingen met zich mee in de energiesector. Door de inzet van zonnepanelen wordt de opwekking deels decentraal, de beschikbaarheid van energie uit zon en wind fluctueert sterk en elektrische auto’s kunnen gaan dienen als een energiebuffer. En dat zijn dan nog maar een paar aspecten die een rol spelen.

Dit alles zorgt ervoor dat het elektriciteitsnet een stuk ingewikkelder wordt, terwijl tegelijk de voorspelbaarheid van stroomlevering afneemt.

Daarom is het van belang om meer sensoren in het netwerk te hebben en de metingen die daar uit komen te verwerken tot nuttige informatie voor de netbeheerder. De methoden en technieken die daarvoor nodig zijn, worden aangeduid met termen als analytics, data science en machine learning.

Storingen voorspellen

VORtech heeft diverse succesvolle projecten uitgevoerd voor netbeheerders in Nederland waarin we software hebben ontwikkeld die voor de digitalisering van het netbeheer nodig is. Samen met onze partner First Consulting hebben we eens nagedacht hoe we de grote hoeveelheid sensor data van netbeheerders zouden kunnen gebruiken om een systeem te ontwikkelen voor het voorspellen van storingen.

Storingen ontstaan mede door problemen zoals slijtage en overbelasting in componenten van het elektriciteitsnet. De kans is groot dat er in de sensor data patronen te vinden zijn die duiden op een aankomend probleem. Om deze patronen te herkennen, hebben we de zogeheten “StoringsPredictor” bedacht.

Combineren van ervaring en machine learning

De StoringsPredictor zou de kennis van experts moeten combineren met de kracht van machine learning algoritmen. Het zou een tweetrapsaanpak zijn:

1. Statistisch model. Allereerst worden patronen en symptomen die domeinexperts kennen uitgewerkt in statistische verbanden, zoals een ARMA-model. Dit model kan vervolgens operationeel worden ingezet en gekoppeld aan de huidige systemen die in de meldkamer worden gebruikt. Zodra dit gerealiseerd is, heeft de netbeheerder een werkend prototype in handen, dat direct waarde kan opleveren. Een voordeel van deze eerste versie is dat het goed verklaarbare uitkomsten geeft. Het is immers gebaseerd op de kennis van experts en werkt met een relatief eenvoudig verband.
2. Machine-learning model. Het tweede model zoekt naar patronen en symptomen in de data die duiden op een aankomend componentfalen die domeinexperts nog niet kennen of die simpelweg te complex zijn om direct te kunnen zien. Denk daarbij aan patronen waarbij veel verschillende factoren een rol spelen. Met voldoende historische data kunnen machine-learning technieken worden gebruikt, om een systeem te maken dat zichzelf automatisch aanleert welke (combinatie van) factoren voorspellend zijn voor een aankomende storing. Voorbeelden van deze technieken zijn Random Forest en Neurale Netwerken. Doordat het tweede model in principe dezelfde (en meer) storingen zou moeten voorspellen als het eerste model, kan de winst van het tweede model direct inzichtelijk worden gemaakt. Omgekeerd zouden de voorspellingen van dit systeem input kunnen zijn voor experts, die kunnen proberen om de gevonden verbanden te verklaren. Dat helpt dan weer om systemen in de toekomst beter te ontwerpen.

Open source software

Het prototype van de StoringsPredictor kan het beste ontwikkeld worden in de programmeertaal Python. Dit is momenteel de meest gebruikelijke programmeertaal voor machine-learning toepassingen en onderzoek. Hierbij kan er ook gebruik gemaakt worden van populaire en betrouwbare toolboxen zoals scikit-learn, pandas en StatsModels. Voor enkele geavanceerdere machine learning technieken gebruiken wij meestal de toolbox TensorFlow, ontwikkeld door Google.

Alle bovengenoemde tools zijn open-source en gratis te gebruiken. Alle versies van de StoringsPredictor zouden dan ook direct en kosteloos door domeinexperts kunnen worden gebruikt, zonder tussenkomst van licenties.  Bovendien kan de doorontwikkeling gebeuren door iedereen die daar een bijdrage aan zou willen leveren. Op die manier kunnen netwerkbeheerders een open innovatie starten zonder zich vast te leggen op langdurige licentieovereenkomsten.

We denken dat een dergelijk early-warning systeem, dat op basis van deze data storingen voorspelt, een uitkomst is voor de netbeheerder, die daarmee sneller kan reageren op gebeurtenissen in het net. Schade en kosten worden hiermee beperkt.

Naar een slim netwerk

In de toekomst moeten slimme algoritmes niet alleen de situatie analyseren, maar waar nodig ook vervolgstappen voorstellen. Naarmate de algoritmes hun waarde bewijzen en vertrouwen vergaren, kunnen zij meer vrijheid krijgen in bijvoorbeeld het aansturen van monteurs of, op den duur, zelfs het uitvoeren van schakelhandelingen.

Het belooft een revolutionaire data-gedreven toekomst te worden. Idealiter hoeft de bedrijfsvoerder enkel nog in te grijpen bij uitzonderlijke situaties met bijvoorbeeld buitengewone weersomstandigheden of als bepaalde relevante datastromen niet beschikbaar zijn. Het is wel van belang dat in zulke situaties het netwerk nog steeds beheerst kan worden door mensen. Daarom moet tijdig nagedacht worden welke rol machine learning krijgt in de architectuur van het netwerk.