Netbeheerder Stedin, verantwoordelijk voor het transport van elektriciteit en gas naar circa 2 miljoen huishoudens en industriële klanten, past kunstmatige intelligentie en machine learning toe om het noodzakelijke onderhoud van de infrastructuur nauwkeurig te voorspellen en in te plannen. De AI-modellen die binnen het eigen team zijn gemaakt, worden getraind met data vanaf 2013 om daarmee voorspellingen te kunnen doen tot 2042.
De basis van de modellen wordt gevormd door locatiedata. Geografische data speelt een belangrijke rol om te bepalen waar een onderdeel van de infrastructuur zich bevindt, om op die manier gekoppeld te kunnen worden aan andere data in een geografisch informatiesysteem van Esri. De inzichten worden bovendien letterlijk in kaart gebracht om de informatie gemakkelijk te kunnen delen met belanghebbenden.
Storing
Stedin gebruikt deze GeoAI-modellen om enerzijds een faalkans-inschatting te maken, ofwel te berekenen hoe groot de kans is dat er een storing plaats zal vinden in een onderdeel van de infrastructuur, van hoofdleiding tot aansluiting in de meterkast bij mensen thuis. Anderzijds wordt er een effect-inschatting gemaakt, om te kunnen bepalen wat de gevolgen kunnen zijn van een dergelijke storing. Hierbij wordt gekeken naar de omgeving van het desbetreffende punt, zoals de soort bebouwing, wegen, tunnels, status van de ondergrond, verzakkingen etc. Hierbij zijn kaarten met geografische data onontbeerlijk. Samen leidt dat tot een risicomodel: een voorspelling van wanneer er iets kan gebeuren en in welke vorm. Op basis daarvan wordt onderhoud en vervanging ingepland, zodat incidenten zoveel mogelijk worden voorkomen.
Ivo Visser, Geo data scientist bij Stedin: “De combinatie van geografische data, satellietdata, ondergronddata en uiteraard onze eigen gegevens, levert een berg aan informatie op als ze goed op elkaar worden afgestemd. Veel van die informatie hebben we in huis, de rest kopen we in, waarna we het allemaal in kaart kunnen brengen in ArcGIS, het geografisch informatiesysteem. Hierin kunnen we alle bronnen koppelen, en dat geeft ons heel veel analytische mogelijkheden. Bovendien kunnen we de resultaten van ons werk makkelijk delen, op een aantrekkelijke visuele manier, zodat andere belanghebbenden er ook gebruik van kunnen maken.”
Energietransitie
De infrastructuur van hoofdleidingen, buizen, binnen- en buitenaansluitingen, hoogbouwaansluitingen en stations is bedoeld om een energiebron te transporteren. Nu is dat nog veelal aardgas, maar de bestaande infrastructuur is prima geschikt voor andere bronnen, zoals groengas of waterstof. Voor die laatste zijn nog wel aanpassingen nodig die de een flinke investering vereisen, maar groengas, dat wordt opgewekt uit biologische bronnen, zoals mest, gft en agrarische reststromen, is een relatief eenvoudige vervanger van aardgas, en kan gebruikmaken van de bestaande infrastructuur.
Visser: “All-electric, zoals zonne-energie levert uitdagingen op voor het stroomnet, omdat bijvoorbeeld het wegwerken van alle zonne-energie uit een wijk op een zonnige dag al lastig is. Het zorgt voor knelpunten. Het gasnet blijft zijn waarde houden en zal nog lange tijd naast het stroomnet worden gehandhaafd. Het groengas wordt zelfs voor bepaalde regio’s onmisbaar. En opwekkers van groengas kunnen dan ook terugleveren, net zoals dat nu met stroom gebeurt. De twee netten zullen nog lang naast elkaar bestaan; daarom is onderhoud van beiden van groot belang.”
Veiligheid
Stedin maakt met de datamodellen een onderscheid in korte- en langetermijnplannen. Voor de korte termijn wordt de data gebruikt voor het inplannen van onderhoudsprojecten – welke zaken moeten als eerste worden aangepakt? Hierbij worden de ‘assets’ gekoppeld aan locatie. Aan de hand van satellietbeelden kunnen verzakkingen worden gemeten, waarna breuklijnen worden berekend. Hierbij wordt rekening gehouden met een kleine 50 verschillende categorieën, waaronder de aanwezigheid van trambanen en spoorlijnen, (nieuwe) wegen die voor wijzigingen in de zandsoorten hebben gezorgd en grondwaterstand met het oog op corrosie van buizen. Voor iedere component worden risicoberekening gemaakt voor het lopende jaar, op basis van data van de afgelopen jaren sinds 2013.
Voor de langere termijn worden de modellen ingezet om te achterhalen welke maatregelen een structurele grotere veiligheid opleveren. De data en resultaten van eerdere projecten wordt dus aan de modellen toegevoegd om middels machine learning de modellen verder te verbeteren. Zo traint Stedin de eigen modellen continu.
Visser: “Dit werkt, want ons doel om de veiligheid te vergroten lukt elk jaar. Er zit één nadeel hieraan: doordat de modellen zo succesvol zijn, en de projecten goed worden uitgevoerd, lijkt het lerend vermogen van de modellen wat af te nemen. Er zijn simpel gezegd te weinig fouten en incidenten om van te leren. Het machine learning staat zichzelf zo een beetje in de weg. We hebben nu vele jaren aan data ingevoerd, en de vraag is dan hoe erg je je eigen model aan het beïnvloeden bent. De veiligheid blijft groeien, dus we verbeteren nog steeds. Zolang dat gebeurt blijven de voorspellingen op basis van GeoAI hun nut bewijzen. Het doel blijft immers om het veiligheidsniveau voor al onze klanten continu te verhogen.”
Zie ook
