Disputas: Swaechchha Dahal

Swaechchha Dahal skal forsvare avhandlingen sin for graden philosophiae doctor (ph.d.) ved Universitetet i Sørøst-Norge.

Hun har fulgt doktorgradsprogrammet i teknologi ved fakultet for teknologi, naturvitenskap og maritime fag.

Alle interesserte er velkomne til å følge prøveforelsningen og disputasen.

• Les avhandlingen her (lenke oppdateres).

Sammendrag 

Fornybar energi er i ferd med å transformere kraftproduksjonen, men den er væravhengig, noe som gjør det mer utfordrende å drifte kraftsystemer pålitelig. Swaechchha Dahals doktorgradsforskning har utviklet et nytt rammeverk kalt WINDS (Weather-Integrated Neural-Symbolic Dispatch System), som gjør det mulig for systemoperatører å ta smartere, værbaserte beslutninger i sanntid. Dette reduserer kostnadene ved kraftdisponering med opptil 12,5 % og eliminerer brudd på sikkerhetsbegrensninger selv under ugunstige værforhold.

Moderne kraftsystemer står overfor økende utfordringer som følge av variabiliteten i fornybare energikilder. Dahals forskning integrerer detaljerte værprognoser direkte i de matematiske beregningene som styrer hvordan elektrisitet fordeles i nettet. WINDS kombinerer nevrale nettverk, som lærer av vær- og nettdata for å forutsi fremtidige forhold, med symbolsk optimalisering som sikrer at de fysiske lovene i kraftsystemet overholdes. Denne hybride tilnærmingen reduserer disponeringskostnadene med 2,1–12,5 % sammenlignet med konvensjonelle metoder, samtidig som nettet holdes innenfor sikre driftsgrenser til enhver tid.

Forskningen startet i Nepal, hvor nedbørsmønstre ble vist å kunne forutsi produksjonen fra elvekraftverk (run-of-river) med 97,7 % nøyaktighet. Med utgangspunkt i dette ble det utviklet en avansert prognosemodell for det nordiske kraftsystemet, som leverer pålitelige 36-timers forhåndsprognoser ved å inkludere temperatur-, vind- og nedbørsdata. Videre arbeid viste at kombinasjonen av moderne optimaliseringsalgoritmer og drift med flere slack-busser (balanserer effekt og tar opp avvik) reduserer totale krafttap med 13,5 %, mens en romlig-temporal maskinlæringsmodell oppnådde en elleve ganger forbedring i beregningshastighet for lastflytberegninger.

For systemoperatører og beslutningstakere tilbyr WINDS en praktisk vei fremover: etter hvert som andelen fornybar energi øker, kan værintegrerte verktøy opprettholde forsyningssikkerheten uten behov for kostbare nettutbygginger. Forskningen ble gjennomført som et cotutelle-samarbeid mellom Universitetet i Sørøst-Norge og Kathmandu University, og bygger på feltarbeid innen transmisjon og vannkraft i Nepal.