ServicenavigationHauptnavigationTrailKarteikarten


Forschungsstelle
BFE
Projektnummer
SI/502073
Projekttitel
IMAGE – Maintenance intelligente des composants du réseau de transport d’électricité
Projekttitel Englisch
IMAGE – Intelligent Maintenance of Transmission Grid Assets

Texte zu diesem Projekt

 DeutschFranzösischItalienischEnglisch
Kurzbeschreibung
-
Anzeigen
-
Anzeigen
Publikationen / Ergebnisse
-
-
-
Anzeigen
Schlussbericht
Anzeigen
Anzeigen
-
Anzeigen

Erfasste Texte


KategorieText
Kurzbeschreibung
(Englisch)

This project develops a data-driven decision support system for the pre-dictive maintenance of the electrical assets by integrating the information at component level and evaluating the impact on risk and resilience at network level. This project goes beyond the state-of-the-art because of (a) predictive maintenance algorithms for multiple grid assets, and (b) the holistic picture of the electric grid and its components. A close collabora-tion with Swissgrid facilitates access to relevant data and physical and statistical models in use. In addition, testing of the developed algorithms in Swissgrid’s environment ensures their applicability and relevance. The proposed tools has expected impacts on (a) science (predictive mainte-nance algorithms), (b) TSO (decreasing the maintenance expenses and the operational costs), (c) equipment manufacturer (business model) and (d) society (increase reliability of power supply).

Kurzbeschreibung
(Französisch)

Ce projet développe un système d'aide à la décision pour la maintenance prédictive pour le réseau de transport électrique. Le système intègre des informations sur l’état des composants du réseau et évalue l'impact sur les risque encourus et sa résilience. Ce projet va au-delà de l'état de l'art en raison (a) des algorithmes de maintenance prédictive pour de multiples actifs du réseau, et (b) de l'image globale du réseau électrique et de ses composants. Une collaboration étroite avec Swissgrid facilite l'accès aux données et aux modèles physiques et statistiques utilisés. En outre, le test des algorithmes développés dans l'environnement de Swissgrid ga-rantissent leur applicabilité et leur pertinence. L'outil proposé devrait avoir des répercussions sur (a) la science (algorithmes de maintenance prédic-tive), (b) les GRT (diminution des dépenses de maintenance et des coûts d'exploitation), (c) les fabricants d'équipements (modèle commercial) et (d) la société (augmentation de la fiabilité de l'approvisionnement électrique).

Publikationen / Ergebnisse
(Englisch)
  1. Gjorgiev, B., Das, L., Merkel, S., Rohrer, M., Auger, E., & Sansavini, G. (2023). Simulation-driven deep learning for locating faulty insulators in a power line. Reliability Engineering & System Safety, 231, 108989.
  2. Das, L., Gjorgiev, B., & Sansavini, G. (2023). Uncertainty-aware deep learning for digital twindriven monitoring: Application to fault detection in power lines. arXiv preprint arXiv:2303.10954.
  3. Das, L., Saadat, M. H., Gjorgiev, B., Auger, E., & Sansavini, G. (2022). Object detection-based inspection of power line insulators: Incipient fault detection in the low data-regime. arXiv preprint arXiv:2212.11017.
  4. Das, L., Gjorgiev, B., & Sansavini, G. (2023). Anomaly detection for automated inspection of power line insulators. under preparation.
  5. Saadat, M. H., Gjorgiev, B., Das, L., Sansavini, G. (2022). Neural tangent kernel analysis of PINN for advection-diffusion equation. arXiv preprint arXiv:2211.11716.
  6. Ambra Maria Van Liedekerke (2022). Coordinated maintenance planning and congestion management for the swiss power grid: Scheduling algorithms and topological action optimization. Master thesis, ETH Zurich.
Schlussbericht
(Deutsch)

Dieses Projekt zielt darauf ab, i) innovative Methoden für die datengestützte Fehlererkennung und -diagnose von Stromnetzanlagen zu erforschen und ii) die Entwicklung von Algorithmen für die Wartungsplanung zu unterstützen. In diesem Projekt wurden drei Hauptanlagen betrachtet, nämlich Stromleitungen, Isolatoren und Leistungstransformatoren. Das Projekt nutzte eine Vielzahl von Daten (Strommessungen, Luftbilder und Gaskonzentrationsmessungen), die vom Industriepartner gesammelt wurden, sowie verschiedene Modelle zur Musterextraktion. Modernste physikalisch basierte Modellierung, evolutionäre Algorithmen, Deep-Learning-Architekturen, probabilistische Methoden und Transfer-Learning wurden eingesetzt, um die Merkmale realer Daten wie Unvollständigkeit, Unsicherheit, Variabilität und begrenzte Datensatzgrößen zu berücksichtigen. Letzteres stellt eines der Haupthindernisse bei der Anwendung von Machine/Deep Learning für die Diagnose von Anlagen im Stromnetz dar. Die Projektergebnisse haben gezeigt, dass bestehende maschinelle Lernmodelle bei der Durchführung von Analysen auf Komponentenebene sehr genau sein können, vorausgesetzt, es sind ausreichende und qualitativ hochwertige Daten verfügbar. Die wichtigsten Ergebnisse dieses Projekts sind fünf Forschungspapiere und drei Tools, die unserem Projektpartner Swissgrid AG zur Verfügung gestellt wurden.

Schlussbericht
(Englisch)

This project aims to i) explore advanced methods for data-driven fault detection and diagnostics of power grid assets and ii) support the development of maintenance scheduling algorithms. Three main assets were considered in this project, namely power lines, tower insulators, and power transformers. The project used a host of data (current measurements, aerial images, and gas concentration measurements) acquired by the industrial partner along with diverse pattern extraction models. State-of-the-art physics-based modeling, evolutionary algorithms, deep learning architectures, probabilistic methods, and transfer learning were adopted to account for the characteristics of real-world data such as incompleteness, uncertainty, variability, and limited dataset sizes. The latter proves to be one of the main obstacles in applying machine and deep learning to power grid asset diagnostics. The project results revealed that existing machine learning models can be highly accurate in performing component-level analyses given that sufficient and high-quality data is available. The main outputs of this project are five research papers and three tools delivered to our project partner Swissgrid AG.

Zugehörige Dokumente
Schlussbericht
(Französisch)

Ce projet vise à i) explorer des méthodes avancées pour la détection des défauts et le diagnostic des composants du réseau électrique à partir de données et ii) soutenir le développement d’algorithmes de planification de la maintenance. Trois composants principaux ont été pris en compte dans ce projet, notamment les lignes électriques, les isolateurs de pylônes et les transformateurs de puissance. Le projet a utilisé une multitude de données (mesures de courant, images aériennes et mesures de concentration de gaz) acquises par le partenaire industriel, ainsi que divers modèles d’extraction de modèles. La modélisation basée sur la physique, les algorithmes évolutionnaires, les architectures d’apprentissage profond (deep learning), les méthodes probabilistes et lapprentissage par transfert (transfer learning) ont été adoptés pour tenir compte des caractéristiques des données du monde réel, telles que l’incomplétude, l’incertitude, la variabilité et la taille limitée des ensembles de données. Ce dernier point constitue l’un des principaux obstacles à l’application de l’apprentissage automatique et de l’apprentissage profond au diagnostic des composants du réseau électrique. Les résultats du projet ont révélé que les modèles d’apprentissage automatique existants peuvent être très précis dans l’exécution d’analyses au niveau des composants, à condition que des données suffisantes et de haute qualité soient disponibles. Les principaux résultats de ce projet sont cinq articles de recherche et trois outils livrés à notre partenaire de projet Swissgrid AG.