Algoritmer og dataanalyse

Når strømnettet må tenke selv: Algoritmer i energisektoren

Et tre faller over en kraftledning en mørk novemberkveld. Vernet kobler ut strømmen, og flere hundre husstander mister forsyningen. På driftssentralen kommer alarmene tett. Operatørene må finne ut hvor feilen har oppstått, hvilke deler av nettet som fortsatt er intakte, og om strømmen kan føres frem en annen vei.

I et slikt tenkt scenario kan en algoritme være til stor hjelp. Den kan sammenholde signaler fra ulike nettstasjoner, undersøke alternative koblinger og beregne om friske deler av nettet kan forsynes uten at kabler eller transformatorer overbelastes. Beregninger som ellers ville krevd flere manuelle vurderinger, kan gjennomføres på kort tid.

Det vanskelige begynner når datamaskinens forslag skal omsettes til handling. Hva om en feilindikator viser galt resultat? Hva om modellen ikke kjenner en midlertidig endring i nettet? Og hvem har ansvaret dersom en automatisk kobling forverrer situasjonen?

Slike spørsmål står sentralt i arbeidet med algoritmer i strømnettet. Kunstig intelligens og automatisering kan gi kraftbransjen nye muligheter, men elektrisk infrastruktur stiller uvanlig strenge krav til pålitelighet. En beregning som fungerer godt i et laboratorium, er ikke nødvendigvis klar til å styre en virkelig kraftledning.

Fra måleverdi til beslutning

Algoritmer har vært brukt i energisektoren lenge før kunstig intelligens ble et vanlig samtaleemne. Dataprogrammer beregner kraftflyt, planlegger produksjon, analyserer feil og bidrar til å holde systemet innenfor nødvendige driftsgrenser.

En algoritme er i utgangspunktet en beskrivelse av hvordan et problem skal løses gjennom bestemte beregningstrinn. Den trenger verken å lære av erfaring eller etterligne menneskelig resonnering.

Ta en transformator som forsyner et boligområde. Ved hjelp av historiske målinger og informasjon om forventet forbruk kan et program beregne hvor høy belastningen sannsynligvis vil bli de neste timene. En enkel modell kan bruke faste mønstre for ukedager og temperatur. Mer avanserte metoder kan analysere store mengder tidligere målinger og lære hvilke forhold som best forklarer variasjonene.

Begge tilnærmingene bygger på algoritmer, men bare den siste trenger å involvere maskinlæring.

Det er nyttig å skille mellom tre metoder som ofte omtales under samme overskrift:

  • Regelbasert automatisering: Systemet følger forhåndsdefinerte betingelser. Dersom en bestemt grense overskrides, utløses en varsling eller en tillatt handling.
  • Matematisk optimalisering: Programmet undersøker mulige løsninger og velger et alternativ som oppfyller tekniske krav og gir et best mulig resultat etter en definert målsetting.
  • Maskinlæring: En modell trenes på data for å gjenkjenne sammenhenger, anslå fremtidige verdier eller klassifisere hendelser den ikke tidligere har sett.

I virkelige kontrollsystemer kan metodene brukes sammen. En maskinlæringsmodell kan beregne sannsynligheten for høy belastning, mens en optimaliseringsalgoritme foreslår tiltak. Regelbaserte sikkerhetsfunksjoner kan deretter avgjøre hvilke tiltak som i det hele tatt er tillatt.

Denne arbeidsdelingen er viktig. Et system som er dyktig til å forutsi hva som kan skje, er ikke automatisk egnet til å bestemme hva som bør gjøres.

Kan et strømnett oppdage feil før de skjer?

Forebygging av driftsforstyrrelser er et av de mest interessante bruksområdene for maskinlæring i energisektoren. Tradisjonelt har nettselskapene brukt inspeksjoner, vedlikeholdsplaner, tekniske målinger og driftserfaring for å vurdere risikoen for feil.

Maskinlæring åpner for å undersøke om måledata inneholder tidlige tegn som mennesker vanskelig kan oppdage.

En isolasjonsfeil kan for eksempel utvikle seg over tid. Små forstyrrelser i spenningskvaliteten kan forekomme før en alvorligere hendelse. Dersom slike mønstre lar seg identifisere, kan de brukes til å varsle om økt risiko.

Det norske forskningsprosjektet EarlyWarn undersøkte nettopp dette. SINTEF Energi, SINTEF Digital og NTNU deltok i forskningsarbeidet, der historiske spenningskvalitetsdata ble brukt til å utvikle modeller for å forutsi feil og driftsforstyrrelser.

Resultatene viste at det var mulig å finne statistiske signaler før enkelte hendelser. Men prosjektet avdekket også et problem som sjelden får like mye oppmerksomhet som de lovende resultatene.

En imponerende treffsikkerhet kan skjule et vanskelig problem

Feil i kraftsystemet opptrer ikke alltid som enkeltstående hendelser. En første feil kan bli etterfulgt av flere registrerte forstyrrelser. Når en modell vurderes på alle hendelsene samlet, kan den derfor få gode resultater ved å gjenkjenne et allerede pågående hendelsesforløp.

For nettselskapet er det imidlertid særlig verdifullt å få et varsel før den første hendelsen.

I EarlyWarn viste testing på historiske data at mer enn to tredjedeler av alle hendelsene kunne forutsies med en rimelig feilrate når man så på hele materialet. Da forskerne skilte ut de første hendelsene i en serie, falt prediksjonsevnen til omtrent 5–10 prosent, avhengig av hendelsestype.

Det er en vesentlig forskjell.

En modell som gjenkjenner at noe allerede er galt, kan være nyttig i feilanalyse og driftsovervåking. En modell som skal forhindre den første driftsforstyrrelsen, må klare en langt vanskeligere oppgave.

SINTEF konkluderte med at prediksjonsevnen fra spenningskvalitetsdata alene foreløpig ikke var god nok til direkte operativ bruk. Forskerne pekte på muligheten for å forbedre resultatene ved å kombinere målingene med værdata, informasjon om nettets oppbygning, belastningsdata og sensorer på kritiske komponenter.

Resultatene er nærmere beskrevet i SINTEFs fagartikkel om maskinlæring og prediksjon av feil i kraftsystemet.

Eksemplet viser hvorfor det er nødvendig å se bak prosentene når algoritmer evalueres. Hvilke hendelser ble faktisk forutsagt? Hvor tidlig kom varselet? Hvor mange falske alarmer ville driftssentralen måtte håndtere?

En modell kan ha høy statistisk treffsikkerhet uten å gi tilstrekkelig verdi i den daglige driften.

Det selvhelende strømnettet møter virkeligheten

Begrepet selvhelende strømnett kan gi inntrykk av at kraftsystemet reparerer seg selv. Det er ikke det teknologien betyr.

En algoritme kan ikke reparere en ødelagt kabel eller fjerne et tre som har falt over en ledning. Målet er å begrense konsekvensene av feilen ved å lokalisere det berørte området, isolere det og gjenopprette forsyningen til kunder som kan få strøm gjennom andre forbindelser.

Dette forutsetter at nettets fysiske oppbygning gir mulighet for alternative forsyningsveier. Bryteranleggene må kunne styres, og de gjenværende forbindelsene må tåle den nye belastningen.

I et distribusjonsnett med flere mulige koblinger kan en automatisert løsning i prinsippet gjennomføre følgende vurderinger:

  1. Registrere signaler fra vern og feilindikatorer.
  2. Avgrense hvilken del av nettet som sannsynligvis er rammet.
  3. Finne brytere som kan isolere den feilrammede strekningen.
  4. Beregne om andre forbindelser kan overta forsyningen.
  5. Kontrollere tekniske og sikkerhetsmessige betingelser før en kobling utføres.

Hvert trinn innebærer en mulighet for feil. Dersom informasjonen om bryternes stilling ikke stemmer, kan den beregnede nettstrukturen være feil. Dersom kommunikasjonen er forsinket, kan situasjonen ha endret seg før algoritmen foreslår neste handling.

Ledes pilotprosjekt i Sande

Et konkret norsk eksempel finnes i forskningssenteret CINELDI. Nettselskapet Lede arbeidet med en algoritme for automatisk feilhåndtering i et distribusjonsnett i Sande.

Området var egnet for testing fordi det hadde luftledninger med tilbakevendende feil og flere muligheter for omkobling. Målet var å utvikle en løsning som kunne tolke signaler fra feilindikatorer og styre nettstasjoner slik at feilrammede deler ble isolert, mens forsyningen kunne gjenopprettes andre steder.

Algoritmen ble utviklet og testet gjennom simuleringer. Likevel lyktes det ikke å sette den avanserte styringsløsningen i drift i pilotprosjektet.

Nettstasjonene og tilhørende utstyr ble installert, men den planlagte algoritmen ble ikke implementert i felt. Anleggene ble i stedet tatt i bruk med ordinære metoder for feillokalisering og isolering.

Dette kommer frem i CINELDIs sluttrapport om pilotprosjektene fra 2025.

Erfaringen sier mye om avstanden mellom en fungerende matematisk modell og et pålitelig driftssystem. Utstyret må støtte de nødvendige funksjonene, programvaren må kunne kommunisere med eksisterende systemer, og nettselskapet må ha kontroll over alle mulige koblingssituasjoner.

Et mislykket implementeringsforsøk er ikke nødvendigvis bortkastet forskning. Her bidro prosjektet til å avdekke begrensninger i teknologien og behovet for tettere samarbeid mellom nettselskap og leverandører.

For utviklingen av fremtidens selvhelende strømnett kan slike erfaringer være minst like verdifulle som demonstrasjoner der alt fungerer etter planen.

Hvor mye kan algoritmer egentlig vite om strømnettet?

En digital modell av kraftnettet kan beskrive transformatorer, ledninger, brytere, tilknytninger og elektriske egenskaper. Modellen brukes til å beregne hvordan strøm og spenning fordeler seg mellom komponentene.

Problemet er at ingen modell er fullstendig.

Noen steder mangler detaljerte målinger. Enkelte komponentdata er basert på beregninger eller gamle registreringer. Vedlikeholdsarbeid og midlertidige koblinger kan endre hvordan nettet er satt sammen.

Dette skaper utfordringer for tilstandsestimering, der algoritmer forsøker å beregne forholdene i deler av nettet uten direkte målinger.

En feil i grunnlaget kan forplante seg gjennom beregningen. Det samme kan skje dersom en sensor leverer misvisende verdier.

Et praktisk driftssystem må derfor vurdere hvor sikre beregningene er. Hvis datagrunnlaget er for dårlig, bør systemet kunne avstå fra automatiske handlinger og be om menneskelig vurdering.

Digitale tvillinger som testmiljø

En digital tvilling er en modell som representerer et fysisk system og kan oppdateres ved hjelp av informasjon fra den virkelige infrastrukturen. I kraftsektoren kan slike modeller brukes til å undersøke nettets tilstand, teste endringer og analysere mulige hendelser.

Før en ny styringsalgoritme får påvirke et virkelig distribusjonsnett, kan den prøves mot simulerte feil, varierende belastning og forskjellige koblingssituasjoner.

Det gjør det mulig å undersøke sjeldne, men kritiske hendelser uten å utsette kundene for unødvendig risiko.

En digital tvilling har likevel de samme grunnleggende begrensningene som andre modeller: Resultatene avhenger av hvor godt den representerer virkeligheten.

Dersom en viktig komponent ikke er modellert riktig, kan en simulering gi et overbevisende, men misvisende resultat. Derfor krever gode testmiljøer kontinuerlig kontroll mot faktiske målinger og driftserfaringer.

Kunstig intelligens i kraftproduksjon og energimarkeder

Algoritmer brukes også lenge før elektrisiteten når distribusjonsnettet.

I et vannkraftsystem må produsenten vurdere hvor mye vann som skal brukes nå, og hvor mye som bør lagres til senere. Beslutningen påvirkes blant annet av magasinfylling, forventet tilsig, kraftpriser, tekniske begrensninger og behovet for regulering av kraftsystemet.

Brukes for mye vann tidlig, kan verdifull produksjonskapasitet gå tapt senere. Brukes for lite, kan produsenten gå glipp av gode produksjonsmuligheter eller møte begrensninger i magasinene.

Matematiske optimaliseringsmodeller har vært sentrale i slik planlegging i mange år. Nå undersøkes også maskinlæring og forsterkende læring, ofte kalt reinforcement learning, som metoder for å utvikle bedre beslutningsstøtte.

Ved forsterkende læring prøver en modell ut handlingsalternativer i et treningsmiljø og får tilbakemelding basert på resultatene. Gjennom mange forsøk kan den lære en strategi for å velge handlinger i forskjellige situasjoner.

Treningen kan foregå i en simulert modell av energisystemet, men strategien må deretter kontrolleres mot tekniske krav og forhold den kanskje ikke har møtt under treningen.

SINTEF beskriver flere slike forskningsområder i sin gjennomgang av kunstig intelligens i energisystemer, blant annet produksjonsplanlegging, optimalisering og bruk av datadrevne metoder.

Algoritmenes rolle strekker seg videre til energimarkedene. Her kan de brukes til å lage prognoser, analysere prisutvikling og planlegge hvordan tilgjengelige ressurser skal tilbys i markedet.

Men optimalisering fra én aktørs perspektiv er ikke nødvendigvis det beste for hele kraftsystemet. Et tiltak som reduserer kostnadene for en produsent eller forbruker, kan samtidig skape nye utfordringer andre steder i nettet.

Dette er en av grunnene til at markedsløsninger og tekniske styringssystemer må utvikles i sammenheng.

Hva skjer når flere automatiske systemer reagerer samtidig?

Et spørsmål som blir viktigere etter hvert som strømnettet digitaliseres, er hvordan uavhengige algoritmer påvirker hverandre.

Se for deg et område med mange elbilladere. Hver lader har et styringssystem som forsøker å redusere kostnaden ved å starte lading når strømprisen er lav.

Hvis mange ladere får det samme prissignalet og reagerer likt, kan den samlede belastningen øke kraftig på kort tid. Hver enkelt algoritme har gjort det den er utviklet for, men resultatet kan bli problematisk for det lokale distribusjonsnettet.

En tilsvarende utfordring kan oppstå når batterier, industrilaster og automatiserte energistyringssystemer forsøker å reagere på de samme markedssignalene.

Systemene trenger derfor mekanismer som hindrer uheldig samordning. Det kan innebære begrensninger på effektuttak, gradvis regulering, koordinering mellom aktører eller signaler som tar hensyn til lokale nettforhold.

I noen situasjoner må nettselskapet også kunne overstyre planlagte tiltak for å ivareta sikker drift.

Det er særlig her skillet mellom optimalisering og styring blir tydelig. En algoritme kan finne en økonomisk gunstig løsning, men et annet system må kontrollere om løsningen er gjennomførbar i det fysiske strømnettet.

Mer kapasitet uten å bygge alt på nytt?

Norske nettselskaper står overfor omfattende investeringsbehov. Nye industriprosjekter, elektrifisering av transport og økt effektuttak kan kreve nettforsterkninger, samtidig som utbygging ofte tar lang tid.

Algoritmer kan bidra til å undersøke om eksisterende infrastruktur kan utnyttes bedre.

Et sentralt spørsmål er hvor mye belastning en kraftledning eller annen nettkomponent kan tåle under faktiske forhold. Faste grenser er nødvendige for sikker drift, men kan i enkelte situasjoner gi et konservativt bilde av tilgjengelig kapasitet.

Ved å bruke målinger, værinformasjon og beregningsmodeller kan det være mulig å fastsette mer dynamiske overføringsgrenser. Kombinert med automatiserte tiltak og risikobaserte driftsvurderinger kan dette åpne for bedre kapasitetsutnyttelse.

Forskningsprosjektet MaksGrid undersøker nettopp hvordan koordinert automatisk systemvern, dynamiske overføringsgrenser og risikobasert drift kan brukes sammen.

Prosjektet, som gjennomføres i perioden 2024–2027, har en ambisjon om å øke utnyttelsen av eksisterende nettkapasitet med 25 prosent gjennom kombinerte tiltak. Dette er et forskningsmål, ikke en dokumentert forbedring for hele det norske strømnettet.

Bak arbeidet ligger et komplisert optimaliseringsproblem. En større utnyttelse av kapasiteten kan gi økonomiske fordeler, men forutsetter at risikoen ved feil, bortfall av komponenter og uventede driftsforhold fortsatt er akseptabel.

Systemene må kunne beregne både den forventede gevinsten og konsekvensene dersom noe går galt. Å finne den riktige balansen krever mer enn en prognose for neste times strømforbruk.

Hvem kontrollerer algoritmen?

Et kontrollsystem for kritisk infrastruktur bør ikke vurderes bare ut fra hvor raskt eller presist det arbeider under normale forhold.

Det må også undersøkes hvordan systemet oppfører seg når informasjon mangler, når sensorer feiler, eller når det oppstår en hendelse som ikke ligner treningsdataene.

For maskinlæringsmodeller er dette spesielt krevende. En modell kan ha lært sammenhenger som fungerer godt i historiske datasett, men som endrer seg når nytt utstyr installeres eller forbruksmønsteret blir annerledes.

Dessuten er ikke alle anbefalinger enkle å forklare. En avansert modell kan identifisere en mulig risiko uten å gi driftspersonellet en tydelig fysisk begrunnelse.

Den som skal godkjenne et tiltak, trenger imidlertid å forstå hvilke forutsetninger beslutningen bygger på. Derfor blir dokumentasjon, sporbarhet og muligheten til å kontrollere resultatene viktige krav.

I 2024 publiserte Norges vassdrags- og energidirektorat forstudien På sporet av kunstig intelligens i kraftforsyningen. Rapporten undersøkte blant annet bruken av og forventningene til KI blant virksomheter i kraftforsyningens beredskapsorganisasjon.

Kartleggingen viste at virksomhetene etterspurte mer veiledning om kunstig intelligens. Det illustrerer at innføring av KI også krever organisatorisk kompetanse, klare ansvarsforhold og forståelse for sikkerhetsrisiko.

En sentral utfordring er å avgjøre hvilke oppgaver som kan automatiseres fullt ut, og hvilke som fortsatt bør kreve menneskelig godkjenning.

En algoritme som sorterer inspeksjonsbilder etter sannsynlig skade, kan ha en annen risikoprofil enn en algoritme som åpner og lukker brytere i et høyspentnett. Kravene til testing, kontroll og feilhåndtering må tilpasses konsekvensene av en feil beslutning.

Når falske alarmer blir et driftsproblem

En modell for feildeteksjon må ofte velge mellom å oppdage flest mulig faktiske feil og å begrense antallet falske varsler.

Dersom terskelen settes lavt, kan systemet varsle om mange hendelser som aldri utvikler seg til reelle problemer. Settes den høyt, risikerer man å overse feil man gjerne skulle ha oppdaget.

For driftssentralen er kostnaden ved et varsel ikke null. Noen må vurdere informasjonen, undersøke om det finnes andre indikasjoner og eventuelt sette i gang tiltak.

Hyppige falske alarmer kan føre til at viktig informasjon drukner i varslinger. I verste fall kan det gjøre operatørene mindre oppmerksomme på signaler som faktisk krever handling.

Modellene må derfor testes med mål som er relevante for driften. Andelen korrekte klassifiseringer alene gir ikke et tilstrekkelig bilde. Antallet oversette feil, hyppigheten av falske varsler og tiden mellom varsling og hendelse kan være vel så viktige.

Cybersikkerhet når programvaren får større ansvar

Når algoritmer kobles til systemer som styrer fysisk infrastruktur, får datasikkerhet en direkte betydning for forsyningssikkerheten.

En angriper som manipulerer måleverdier, kan forsøke å påvirke beregningene uten nødvendigvis å angripe selve styringsalgoritmen. Hvis systemet stoler på feil informasjon, kan anbefalingene bli misvisende selv om programvaren fungerer nøyaktig slik den er utviklet.

Også endringer i treningsdata kan påvirke maskinlæringsmodeller. Dersom datagrunnlaget er mangelfullt eller manipulert, kan modellen lære feil sammenhenger.

Risikovurderingen må derfor omfatte mer enn tilgangskontroll og beskyttelse mot innbrudd i datasystemene. Datakvalitet, leverandøravhengighet, oppdateringsrutiner og muligheten til å oppdage uventet atferd er like relevante deler av sikkerhetsarbeidet.

Et robust system trenger dessuten en plan for situasjoner der algoritmen ikke lenger kan brukes. Det kan bety å gå tilbake til enklere styringsregler, koble ut automatiske funksjoner eller la operatørene overta beslutningene.

Automatisering bør øke evnen til å håndtere driftsforstyrrelser, ikke skape en ny avhengighet som gjør nettet mer sårbart dersom programvaren svikter.

Hva avgjør om teknologien blir tatt i bruk?

Forskningen på kunstig intelligens i kraftsystemet har gitt lovende resultater på flere områder. Belastningsprognoser, analyse av inspeksjonsbilder, feildeteksjon og optimalisering er eksempler på oppgaver der digitale metoder kan gi bedre beslutningsgrunnlag.

Likevel er veien fra forskningsresultat til ordinær drift ofte lang.

For det første må løsningen løse et faktisk problem. En avansert modell er lite verdt dersom den ikke gir bedre resultater enn en enklere metode som allerede fungerer.

For det andre må verdien kunne dokumenteres. Dersom en modell skal redusere vedlikeholdskostnader, må besparelsene veies mot utgifter til sensorer, databehandling, programvare og kompetanse.

For det tredje må systemet fungere sammen med eksisterende driftskontrollsystemer. Kraftbransjen bruker utstyr med lang levetid, og nye løsninger må ofte tilpasses teknologi fra flere leverandører og ulike generasjoner.

Til slutt kommer spørsmålet om ansvar. Nettselskapene må kunne dokumentere at beslutningene er forsvarlige, også når beregningene delvis utføres av modeller som er vanskelige å etterprøve.

Dette gjør det sannsynlig at videre automatisering vil skje gradvis. Flere algoritmer vil først bli brukt til analyse og beslutningsstøtte, før de eventuelt får ansvar for å gjennomføre handlinger automatisk.

Strømnettet trenger gode vurderinger, ikke kunstig selvtillit

Et kraftsystem med mer automatisering vil kunne reagere raskere på enkelte feil, utnytte måledata bedre og undersøke langt flere driftsalternativer enn det mennesker har kapasitet til å beregne manuelt.

Det gir store muligheter, særlig i et land der elektrifiseringen øker presset på infrastrukturen.

Samtidig minner erfaringene fra norske forskningsprosjekter om at algoritmer ikke blir pålitelige bare fordi de behandler store datamengder. EarlyWarn viste hvor vanskelig det er å forutse den første hendelsen i en feilserie. Ledes pilotprosjekt viste hvor krevende det kan være å få en avansert løsning til å fungere i eksisterende nettinfrastruktur.

Slike resultater bør påvirke hvordan teknologien utvikles videre. Modeller må prøves mot sjeldne hendelser, usikre målinger og driftsforhold som avviker fra det normale. Algoritmene må dessuten kunne samarbeide med både tekniske sikkerhetssystemer og menneskene som har ansvaret for nettet.

Den mest verdifulle egenskapen ved et intelligent strømnett er kanskje ikke at det kan ta flere beslutninger på egen hånd. Det er at det kan skille mellom situasjoner der en automatisk handling er trygg, og situasjoner der usikkerheten er for stor.

Når strømnettet skal «tenke selv», må det også vite når det bør overlate avgjørelsen til noen andre.