Quant Insight er programvaren som er tett integrert og rettet mot både drift, analyse og kundehåndtering. Løsningen er bygget for å hente ut maksimal verdi fra AMS-målere og andre IoT-sensorer i nettet.
Moduler i Quant Insight
Spenningsutfordringer i lavspentnettet
I Leveringskvalitetsmodulen får man et oversiktsbilde av hvordan tilstanden i nettet er, slik at man finne anlegg med spenningskvalitetsproblematikk.
Et eksempel på en tidligere situasjon der Quant Insight vil hjelpe deg gjennom en spenningsutfordring, er i et lavspentnett hvor det ble identifisert betydelig underspenning i enkelte anlegg, samt at kunden lengst unna trafo hadde opplevd flimring. Ved hjelp av leveringskvalitetsmodulen i Quant Insight ble avviket enkelt visualisert, og det var tydelig at flere målepunkter var påvirket.
Området og målepunktene med spenningsavvik.
Flere av anleggene var 1-faseanlegg og i tillegg koblet til samme fase, noe som førte til et sammenfallende spenningsmønster. Med denne innsikten kunne nettselskapet iverksette tiltak; endre fasefordeling på 1-faseanleggene og trinne trafoen. Ved hjelp av Quant Insight hadde man konstant oversikt og kontroll på at trafotrinning var akseptabelt for nærliggende anlegg. Disse enkle inngrepene var langt billigere enn andre fysiske tiltak for å forsterke linjen.
Spenningsutviklingen før og etter tiltakene. Fra toppen: faseomkobling, 22. november, faseomkobling 24. november, trafotrinning 24. november.
Fra hendelser til innsikt
AMS-målere og smarte sensorer sender i dag ikke bare strøm- og spenningsdata, de genererer også hendelser og varsler. Disse inneholder verdifull informasjon om tilstanden i nettet. Når de settes i system, kan de gi tidlige indikasjoner på avvik.
I Quant Insight kan nettselskapet selv sette opp regelsett for å overvåke spesifikke kombinasjoner av- og gjentakende hendelser. For eksempel ved gjentatte underspenninger som kan indikere et fasebrudd. Dette åpner for proaktiv feilhåndtering og filtrering av de viktigste eventene som igjen gir raskere respons.
Eksempel på regelsett og hendelsesoversikt.
Ved å kombinere slike regelbaserte varslinger med den faglige kompetansen i nettselskapet, blir det enklere å identifisere mønstre, forstå sammenhenger og sette inn riktige tiltak. Uten at det krever manuell gjennomgang av store datamengder.
Proaktivitet sparer kostnader
Et annet eksempel viser hvordan gjentakende spenningsdipper hos en kunde i Sverige førte til at man oppdaget varmgang i en sikringslist. Selve spenningsavviket var i utgangspunktet ikke kritisk, men kunne over tid ført til skade på utstyr og driftsstans.
Gjentakende spenningstopper avslørte varmgang i sikringsliste.
Ved å identifisere problemet tidlig kunne komponenten skiftes før det oppsto alvorlige konsekvenser. Sikringslisten hadde tydelige merker etter varmgang og var synlig svidd. Dette er et godt eksempel på hvordan måledata og hendelser sammen gir innsikt som muliggjør proaktivt vedlikehold, og sparer deg for både tid og penger.
Neste steg: Mønstergjenkjenning og maskinlæring
Videreutviklingen av Quant Insight handler i stor grad om å gjøre systemet enda mer presist og selvstendig. Bruken av de store datamengdene som samles inn i dag vil være essensielt for driften av et stadig mer komplekst nett. Gjennom bruken av blant annet maskinlæring vil jobben med å prosessere disse dataene gi ytterlige verdi for å ta proaktive beslutninger og optimalisere driften.