Ett litet vattenfall

Datadrivna metoder för att detektera avvikande mätvärden inom dammsäkerhet

Projektet ska med hjälp av kunskap om specifik mätteknik och kunskap om möjliga fel hos sensorsystem för dammsäkerhet göra en gapanalys mellan nuläget och bästa möjliga teknik för datadriven övervakning av dammar. Genomgången ska resultera i sammanfattande rapport som även innehåller praktiska råd.

Syftet med projektet är att bidra till en bättre och mer effektiv tillståndsbedömning av dammar. Det ska göras genom att använda datadrivna metoder för att upptäcka avvikande mätvärden som kan bero på felaktiga mätvärden eller felinstallerade sensorer, förändringar i dammkonstruktionen eller naturliga flödesvariationer i hydrogeologin.

Samtidigt som utmaningarna med att övervaka, mäta och tolka data från kritiska dammar ökar. Ökar även möjligheterna att samla in mycket data och automatiskt bearbeta data med olika algoritmer och modeller med pågående digitaliseringen och metoder såsom maskininlärning (Machine learning). Men en ökad mängd mätningar gör att det blir mindre överskåligt, även här kan maskininlärningsmetoderna hjälpa till att öka överskådligheten. Metoderna har varit framgångsrika i flera olika industrier och det är oklart hur mycket kraftbolagen kan förbättra tillståndsbedömning och dammövervakning med hjälp av dessa.

I projektet kommer vi att sammanställa nuläge av svenskt databaserad dammsäkerhetsövervakning och jämföra med kunskapsläge i vetenskapliga litteraturen och patent. Resultaten kommer att sammanställas i en publik rapport där även slutsater om hur användningen av befintliga mätdata kan bidra till en ökad dammsäkerhet.

Projektfakta

  • Datadrivna metoder för att detektera avvikande mätvärden inom dammsäkerhet
  • Budget: 547 200 SEK
  • Finansiär: Energiforsk Dammsäkerhetstekniskt utvecklingsprogram och Stiftelsen för institutet för vatten- och luftvårdsforskning.
  • Referendgrupp med deltagare från: Vattenfall, Vattenkraft, Uniper, Fortum och Stattkraft
  • Samarbetspartners: In Situ Instrument
  • Period: 2019 - 2019