Vilka är de viktigaste lärdomarna från projektet?

Projektet syftade till att ta fram nya verktyg för övervakning och styrning av elkraftsystem. I projektet har ett antal olika maskininlärningsbaserade metoder utvecklats. Vi ser att dessa metoder har potentialen att kraftigt förbättra stamnätsägares möjligheter att övervaka och styra elnäten i realtid. Exempelvis kan metoderna ge varningar om ett elkraftsystem är på väg att bli instabilt efter en större störning, eller ge indikationer på systemet inte längre har en driftpunkt som är säker. Samtidigt som vi ser många fördelar med maskininlärningsbaserade metoder, så finns det även utmaningar. Maskininlärningsmetoder baseras på att de tränas på stora mängder insamlad eller simulerade data, men det är svårt att verifiera att metoderna har tränats för att kunna hantera alla möjliga driftpunkter som ett elkraftsystem kan befinna sig i. Att således kunna verifiera att metoderna har bra noggrannhet när de hamnar inför tillstånd på elnätet som de ej har tränats på är således en stor utmaning.

Vad är nästa steg för att ta forskningsresultaten vidare?

För att ta forskningsresultaten vidare krävs vidare studier där metoderna och de utvecklade prototyperna implementeras och testas i faktisk styrning och övervakning av elkraftsystem. Systemen behöver ej användas direkt, utan kan testas parallellt med befintliga övervakningssystem för att utvärdera dess potential.

Vilka målgrupper bör ta del av projektets resultat?

Den primära målgruppen är stamnätsägare då de utvecklade metoderna främst riktar sig för styrning och övervakning av stamnät. Dock kan de utvecklade metoderna från projektet, med vissa anpassningar, även användas för övervakning av distributionsnät. Generellt kräver de utvecklade metoderna att ett väl utvecklat mät- och kommunikationssystem finns tillgängligt, men då även mätsystem inom distributionsnät ökar kontinuerligt är det möjligt att även liknande metoder skulle kunna användas på distributionsnätssidan.