Unipower och Eneryield erbjuder maskininlärningsbaserad prediktering av fel

Unipower offers machine learning based prediction of faults analytics in collaboration with the startup Eneryield from Chalmers University of Technology

Genom ett samarbete med universitetets spin out Eneryield, som utvecklar maskininlärningsbaserade metoder för intelligent analys av elkvalitet, erbjuder Unipower en ny typ av funktionalitet för att ge insikter kring fel som uppstår i elnätet. Forskarna Ebrahim Balouji och Karl Bäckström från Chalmers tekniska högskola är grundare av Eneryield och ligger bakom lösningen.

I samarbete med Eneryield tillhandahåller Unipower en maskininlärningsbaserad övervakningsmodul som kan förutsäga fel i elnät. Den nya funktionen utnyttjar historiska mönster och trender för PQ-störningar för att uppskatta tiden till nästa allvarliga fel. Den tidiga varning som genereras ger nätoperatören den tid som behövs för att vidta nödvändiga åtgärder för att undvika felet. Det är ett viktigt steg mot en proaktiv strategi för att undvika fel och skapar förutsättningar för bättre nätstabilitet och försörjningstrygghet.

Eneryields teknik bygger på den senaste forskningen inom maskininlärning och djupa neurala nätverk, vilket skapar nya möjligheter till analys. Den stora mängd data som Unipower har tillgång till möjliggör datadrivna och självlärande metoder som kommer att sätta en ny nivå för vilken information som kan samlas in från elnätet.

Unipower erbjuder lösningen som en ny funktionalitet som kan integreras i PQ Secure.