Maskinlæring: Vil lære kraftverk å snakke

Mange norske vannkraftverk ble bygget for mellom 50 og 100 år siden. De har nådd en alder der behovet øker for hyppigere vedlikehold og utskifting av komponenter. Dette er kostbare operasjoner. Hvert år bruker Statkraft opp mot to milliarder kroner på å vedlikeholde og utbedre den tekniske standarden til de verdifulle vannkraftverkene.

– Med tidligere og mer detaljert informasjon om vannkraftverkenes tekniske tilstand kan vi operere med mindre marginer i vedlikeholdsplanleggingen og samtidig være trygge på at vi unngår feil, sier Camilla Feurst, spesialist i risikostyring i Statkrafts forretningsområde Produksjon.

Spåkule

Her kommer digitaliseringen og alle buzzordene inn.

– Alle våre vannkraftverk er automatiserte, men risikovurderingene er i dag fortsatt basert på fysiske inspeksjoner og manuelle beregninger. Det betyr at potensialet for digitalisering er stort, sier hun.

I 2017 startet Statkraft et pilotprosjekt for å undersøke om avanserte dataanalyser, algoritmer og maskinlæring kunne gi ny innsikt om kraftverkenes tilstand og være nyttige verktøy for vedlikeholdsgruppene.

– Vi ønsket oss en spåkule og ville undersøke om datadrevne modeller kunne gi oss svarene vi trengte. Målet er å utnytte hele levetiden til deler og komponenter, samtidig som vi unngår havarier og ikke-planlagt nedetid på kraftverkene. Med mer presise risikovurderinger kan vi også minimere den planlagte nedetiden i tilknytning til vedlikehold og utbedringer, sier Feurst.

Ut å høste data

Pilotprosjektet ble lagt til Kvilldal, Norges største vannkraftverk med 1240 MW installert effekt. Kraftverket ligger i Suldal kommune i Rogaland og er en del av Ulla-Førre-utbyggingen.

– Det er et fantastisk anlegg. Kraftstasjonen ligger en kilometer inne i fjellet og har løpehjul på sju tonn. 600 meters vannhøyde gir et enormt vanntrykk mot turbinene. Vannstanden i magasinet kan reguleres hele 125 meter opp og ned. Det er rett og slett imponerende, sier Feurst.

Hit var det den lille digitaliseringsgruppen dro for å teste sine hypoteser i praksis.

– Selv om anleggene styres fra sentralt hold og dermed driftes digitalt, hadde vi liten tilgang på historiske data som egner seg til analyser av komponentenes tilstand. Det var også få sensorer installert på utstyret, som i dag må inspiseres visuelt.

Vanligvis brukes algoritmer og maskinlæring for å se etter mønstre når noe går galt.

– Instrumenteringen som finnes i dag, er installert for å beskytte mot de store feilene som kan oppstå i kritiske komponenter. Det har ikke forekommet alvorlige tilfeller av svikt ved Kvilldal, så det var vanskelig å finne feil som kunne trene algoritmen. Man kan heller ikke provosere frem feil for at modellen skal lære. Vi snakker tross alt om svært kostbare komponenter med vekt på flere tonn. Det er litt som i flybransjen, alvorlige feil kan rett og slett ikke skje, sier Feurst.

Løsningen ble å sette opp sensorer og innhente data på mindre deler og ting som faktisk går i stykker, i tillegg til å lage et digitalt fingeravtrykk av anlegget når det fungerer som det skal.

– Slik kunne vi undersøke hva som skjedde når dataene endret seg. Var det avvik eller bare en normal variasjon? Hvis endringene faktisk indikerte en feil, kunne vi fortelle det til algoritmen og gi tilstandene navn – Feil 1, Feil 2, Feil 3 og så videre.

Tverrfaglig team

Christine Schei Liland i Statkrafts IT-organisasjon har vært prosjektleder for piloten og har etablert en «task force» som skal videreføre arbeidet. Hun mener den tverrfaglige og utforskende tilnærmingen er en vesentlig suksessfaktor.

– Ved å etablere tverrfaglige team har prosjektet lært fra flere fagdisipliner og områder i organisasjonen. Statkraft har lange tradisjoner for utvikling av avanserte algoritmer og datadrevne modeller i markedsorganisasjonen som driver med krafthandel. Vi har også ekspertise i å hente inn og analysere værdata og innenfor hydrologi.

I tillegg har teamet hentet inspirasjon og kompetanse fra vindkraften og selvfølgelig fra vedlikeholdsorganisasjonen innenfor vannkraftproduksjon.

– Vindkraft er basert på en yngre teknologi. Komponentene kommer gjerne med sensorer og datasett, og det har skapt en kultur for å ta i bruk datateknologi i planleggingen av vedlikeholdet.

Målet er at prosjekter som dette også skal styrke digitaliseringen på tvers i organisasjonen.

– Vi valgte en utforskende, smidig arbeidsmetodikk der testing og læring står i sentrum, og som tillater at prosjektet redefineres underveis, sier Schei Liland.

Sunn skepsis

Da Camilla Feurst og dataanalytikerne ankom Kvilldal, møtte de en vedlikeholdsgruppe med flere tiårs erfaring fra anlegget.

– Vedlikeholdslederen kan legge håndflaten på turbinen og med en gang føle om vibrasjonen ikke er som den skal. Men hva skjer når han slutter? For oss har det vært avgjørende å ha tett dialog med vedlikeholdsgruppen og suge til oss kunnskapen de sitter på. Mennesker med høy kompetanse har foretatt faglige vurderinger på kraftverkene i nærmere hundre år. Den opparbeidede erfaringen er svært verdifull. Også når vi skal lage gode datadrevne modeller, sier hun.

At mange var litt skeptiske til prosjektet, var ingen overraskelse for Feurst.

– Sunn skepsis er nyttig og gjør prosjektet bedre, men frykt for at algoritmer og sensorer på sikt skal erstatte mennesker, kan gjøre oss mindre omstillingsdyktige. Vi kommer fortsatt til å trenge folk, men kanskje i litt andre roller enn i dag, sier hun og understreker:

– Vi må aldri glemme at modellene beskriver en virkelighet – og den vil alltid bestå av natur og mekanikk.

Når kraftverkene snakker

Selv om piloten på Kvilldal og andre testprosjekter viser lovende resultater, er det et stykke frem til teknologien er moden for å innføres i stor skala.

– Jeg er likevel overbevist om at utviklingen vil gå raskt. Vi ser at det er penger å spare, og det er nødvendig for at vannkraften skal være konkurransedyktig også i fremtiden.

Om få år vil trolig kraftverkene kunne si fra selv når de «føler» at noe ikke er som det skal være. Sensorer, data og algoritmer kan påvise hvor problemet er, og fortelle når og hvordan det best kan løses.