Pióro: Postęp technologiczny i gospodarczy otwierają nowe drzwi energetyce

10 listopada 2021, 07:25 Energetyka
Fot. behavioralsignals.com.
Fot. behavioralsignals.com.

Postęp techniczny i gospodarczy wiąże się z gromadzeniem coraz większej ilości danych. Nic dziwnego więc, że pojawiają się możliwości ich wykorzystania, które otwierają nowe drzwi w przeróżnych sektorach gospodarki, w tym energetyce. Machine learning (ML) jest tutaj świetnym przykładem – pisze Andrzej Pióro ze Studenckiego Koła Naukowego Energetyki SGH.

Machine learning opiera się na uczeniu komputerów tak, aby wraz z upływem czasu i dzięki dostępowi do większej ilości danych stawały się coraz precyzyjniejsze w wykonywaniu zadań. W tym celu stosuje się algorytmy, które sprawiają, że komputer w sposób samodzielny dostosowuje parametry modelu (samouczącego się programu). Jest to podejście odmienne niż w „tradycyjnym” kodowaniu, podczas którego programista musi dokładnie przemyśleć i napisać, w jaki sposób komputer będzie postępował.

Energetyka łączy się z branża finansową

Dostęp do danych w energetyce nie stanowi raczej problemu. Nieustannie od wielu lat zbierane są dane m.in. o użytkowaniu sieci, produkcji energii, zapotrzebowaniu na energię lub pogodzie. Ponadto, energetyka łączy się z branża finansową (np. TGE lub rynki surowców), która także dostarcza wysokiej jakości dane od dziesięcioleci. Dostęp do rozległych i jakościowych danych jest czynnikiem odróżniającym energetykę od bardzo wielu innych branż, co czyni ją atrakcyjnym miejscem do wykorzystania ML.

Produkcja i dystrybucja energii naturalnie wiąże się z dużą niepewnością. Przykładowo, nie wiadomo, jak duże będzie jutro zapotrzebowanie na energię elektryczną o 11:15. Tak samo nie wiadomo, ile kosztować będzie 1 MWh na Towarowej Giełdzie Energii. Podobnie, ciężko przewidzieć ilość energii wyprodukowanej przez farmy wiatrowe lub słoneczne w danym okresie. W każdym z opisanych przypadków można używać ML w celu generowania predykcji dotyczących przyszłej wartości. Jako przykład niech posłuży zapotrzebowanie na energię elektryczną. Przy użyciu danych historycznych tworzy się model ML, który na podstawie dostępnych danych, takich jak dzień tygodnia, godzina, temperatura, zapotrzebowanie z ostatnich godzin i wiele innych, poda predykcję. Dla przewidywania cen energii można użyć informacji o remontach w elektrowniach, awariach, kursach walut lub cenach surowców. W celu przewidywania produkcji energii z OZE można wyobrazić sobie model, który używać będzie danych o temperaturze, nasłonecznieniu lub dniu w roku. Co więcej, model sam może wybrać zmienne, które w największym stopniu wpływają na rezultat. Wartości uzyskane w ten sposób uwzględniają dziesiątki niuansów, które mogą umknąć ekspertowi w natłoku pracy lub są problematyczne do ocenienia.

Machine Learning jest wykorzystywany na przykład do analizy ceny ropy naftowej

ML jest obecny od wielu lat na rynkach finansowych. Wykorzystywany jest na przykład do analizy ceny ropy naftowej. Model opracowany w tym celu może korzystać z tzw. analizy sentymentu w celu oceniania, czy newsy publikowane w Internecie na temat ropy naftowej wskazują na spadek jej ceny, czy wzrost. Taka informacja jest przydatna szczególnie dla traderów, którzy dzięki niej powiększają swoje szanse na odnotowanie zysków.

Innym przykładem użycia ML w energetyce jest promocja odpowiedzialnego zużycia oraz pomoc w wyborze lepszej taryfy. Dzięki technologiom takim jak inteligentne liczniki, dostawca energii może kierować różne oferty do osób z różnym profilem konsumpcji. Jak to możliwe? Dane z jednego licznika są bardzo „zaszumione” i ciężkie do interpretacji, jednak gdy dane tysięcy konsumentów zostaną zebrane, okazuje się, że przy użyciu ML można wyróżnić wzorce konsumpcji. Takie archetypy mogą wyglądać następująco: stałe zużycie w ciągu dnia, dwa piki – rano i popołudniu lub jeden pik w nocy. Po wyróżnieniu takich grup, przedsiębiorstwo może wysłać maila do klientów, którzy wpisują się w ostatni archetyp, z propozycją przejścia na taryfę „nocną”. Mając dostęp do odpowiednich danych, firma może dotrzeć do innych grup klientów, na przykład tych posiadających samochód elektryczny i im również zaproponować korzystniejszą ofertę, tak by właściciel samochodu mógł taniej naładować swój pojazd, jednocześnie nie obciążając zbytnio sieci.

Monitorowanie i diagnostyka to kolejne obszary zastosowania ML. W energetyce awarie i niezauważone odpowiednio wcześnie usterki wiążą się z ogromnymi kosztami. Z tego względu możliwość ich ograniczania jest bardzo cenna. Ponadto dostęp do jednostki produkującej energię może być mocno utrudniony, jak w przypadku farm wiatrowych offshore. Model ML analizuje dane dostarczane z sensorów umieszczonych w turbinie. Przykładowe dane wykorzystywane w modelu mogą dotyczyć generowanego dźwięku, wibracji, naprężenia, temperatury, stanu oleju i innych. Na ich podstawie model określa, czy istnieje prawdopodobieństwo uszkodzenia. W ten sposób wykrywa się usterki wcześniej, co prowadzi do większej wydajności turbin i krótszych przerw w użytkowaniu. Oczywiście, by skorzystać z takiego rozwiązania potrzebne są dane historyczne, na podstawie których model nauczy się dostrzegać nieprawidłowości. Innym przykładem jest analiza wizualna sieci energetycznych, przykładowo na podstawie obrazów (niekoniecznie w świetle widzialnym) przesłanych przez drona. Dzięki takiemu rozwiązaniu możliwe jest bezpieczniejsze i szybsze wykrycie zużycia elementów sieci, prowadzące do wzrostu stabilności dostaw i obniżenia kosztów.

Modele Machine Learning nie są nieomylne

Mimo wszystkich wymienionych wyżej przykładów i korzyści z nich płynących, należy pamiętać że modele ML nie są nieomylne. Na ich jakość ma wpływ jakość danych, umiejętności i wiedza twórców oraz czas poświęcony na wybór odpowiedniej metody i dopracowanie modelu. Wydaje się, że powszechność używania ML w energetyce będzie rosła. Dane, których produkcja bezustannie przyspiesza, stwarzają coraz to nowe możliwości, a technologia również stale postępuje.

SKNE. Partner BiznesAlert.pl

SKNE. Partner BiznesAlert.pl

Źródło: SKN Energetyki SGH

Masternak: Rynek uprawnień do emisji CO2 dołącza do finansowego mainstreamu