De reden dat het zo is aangeslagen is omdat de tool twee belangrijke dingen doet. Hij detecteert storingen met behulp van een slim machine learning model (technische deep-dive), en hij zet benodigde informatie op één plek. Het slim detecteren van storingen is begonnen als afstudeerproject van Infiniot collega Patrick van Eijk. Dit was te lezen in een vorige blog: van-je-afstudeerproject-je-werk-maken.
In het kort: het slimme model kijkt naar duizenden signalen die dagelijks binnenkomen, en vindt daar in real-time de relevante meldingen in die op een storing duiden. Het filteren van al die binnenkomende signalen was daarvóór puur mensenwerk! De tool heeft daarmee overzicht en inzicht gecreëerd.
Een logische vervolgvraag bij Stedin was: kunnen we zoiets ook doen voor overbelasting?
Vraag naar energietransport
Met overbelasting bedoelen we dat er zo veel elektriciteit getransporteerd moet worden, dat de kabels en transformators van het stroomnetwerk het niet meer aankunnen. We hebben het bewust over energietransport en niet enkel verbruik. Te veel opwekking kan namelijk ook voor problemen zorgen. Bijvoorbeeld door zonnepanelen op een heel zonnige dag.
Natuurlijk zou je het liefst dikkere kabels in de grond stoppen en meer transformatoren plaatsen. Dit kost echter geld, tijd, en plek in de openbare ruimte (dat laatste is een belangrijker punt dan je waarschijnlijk denkt). Om beter te kunnen roeien met de riemen die je op dit moment hebt, moet je slimme oplossingen bedenken.
De data
De reden dat een stroomkabel de hoeveelheid stroom niet meer aankan, is zijn temperatuur. Als hij te warm wordt, gaat hij kapot. Temperatuur wordt echter niet universeel gemeten in het net. Het zou ook niet praktisch mogelijk zijn om de temperatuur van kabels over hun gehele lengte in de gaten te houden. Wat wel gemeten wordt, is de stroom zelf. Temperatuur hangt grofweg af van stroom en tijd.
Een kabel kan bijvoorbeeld heel lang een hoeveelheid stroom aan die maar net hoger is dan waar hij voor ontworpen is. Maar hij kan maar kort een veel hogere stroom dragen. Naast het in de gaten houden van de stroom, moeten we dus ook bijhouden hoe lang een bepaalde stroomwaarde geduurd heeft.
De uitbreiding
Voor de uitbreiding van Smart Alarming is een nieuw rekenmodel ontwikkeld. Dit model zelf bestaat uit drie componenten. De eerste houdt bij wat de stroom gemiddeld over een bepaalde tijd geweest is. Als dit gemiddelde te lang boven de ingestelde grens is, wordt hiervan melding gedaan in het vernieuwde dashboard van de applicatie. Hier wordt dus teruggekeken over wat de stroom gedaan heeft.
Even een kijkje naar dat dashboard, wat in de afbeelding hieronder wordt weergegeven. Eenvoud en overzicht is hierbij verkozen boven informatiedichtheid. Smart Alarming doet al het zware werk in de achtergrond. De eerste kolom laat gebeurtenissen zien: dit zijn een heleboel losse berichtjes. De tweede kolom is voor storingen die Smart Alarming heeft gedetecteerd. De derde kolom is nieuw: hier komt de gesignaleerde of voorspelde overbelasting. Overigens is deze indeling in het nieuwe ontwerp volledig configureerbaar!
Patronen voorspellen
De tweede component van de rekenkern zet de kracht van sinusgolven in om een stukje vooruit te kijken. De stroomwaarde ontwikkelt zich vaak, zeker in woonwijken, met een dagelijks patroon. Dit verschilt in het weekend een beetje, en veranderd natuurlijk met de seizoenen. Maar van week tot week wordt er niet veel van afgeweken. Als je meerdere sinusgolven optelt, kun je zo’n patroon heel goed imiteren.
Dit stelt ons in staat om te voorspellen wat de stroomwaarde waarschijnlijk gaat doen. Als uit de berekening blijkt dat er een kans bestaat dat de ingestelde grens overschreden gaat worden, dan verschijnt er daar een melding van.
Statistisch rekenen
Wat als er geen mooi patroon is? Windmolens en bijvoorbeeld tuinders die zelf opwekcapaciteit hebben laten geen duidelijke trend zien. Hier kunnen we kijken naar hoe de verdeling van de stroom eruitziet. Als het stroom niveau bijvoorbeeld nu laag is, is er vaak een grotere kans dat de stroom in de komende minuten omhooggaat, dan dat hij nog verder daalt.
Dit heet een conditionele verdeling. Het vertelt je wat waarschijnlijk is, als er aan een bepaalde conditie voldaan wordt. Als het gedrag echter van nature onvoorspelbaar is, dan kun je simpelweg niet in de toekomst kijken. Gezien alle drie de componenten tegelijkertijd werken, kunnen we er dan vanuit gaan dat we in ieder geval nog een melding krijgen als het gemiddelde te lang te hoog is (de eerste component).
Smarter Alarming
Boven op de bestaande functionaliteit van Smart Alarming gaat deze uitbreiding voor een nieuwe dimensie aan inzicht in het stroomnet zorgen op het NOC. De bedieningsdeskundigen zullen er met de tijd steeds geruster op worden dat er op het juiste moment een melding gegeven wordt. En als er dan actie ondernomen moet worden, kan er eerder en daadkrachtiger ingegrepen worden.
Als de bedieningsdeskundige in controle is, verkleint de kans op uitval. Zo kan er uiteindelijk meer gedaan worden met hetzelfde netwerk.
