Maskinlæring - Hva er fordelene for energisektoren?

Maskinlæring gjør det mulig for din bedrift å utnytte sine data og avanserte analyser til å gjøre hverdagen mer forutsigbar. Slik kan bedriften din bedre sine beslutningsprosesser, noe som igjen gjør dere i stand til å oppnå reelle og målbare forbedringer i forhold til tradisjonelle analysemetoder. Mange sektorer har allerede omfavnet maskinlæring, men energisektoren henger etter. Dette kan forandre seg raskt da energisektoren nå har muligheten til å dra nytte av siste nytt innen maskinlæring. Energibransjen har muligheten til å ta igjen andre bransjer og vel så det. I et nylig avsluttet prosjekt har swhere og Powel utnyttet maskinlæring med stor suksess. Sammen har vi vist hvordan maskinlæring kan gjøre uforutsigbar fornybar energiproduksjon både mer forutsigbar og mer lønnsom. 

Sagt enkelt, er maskinlæring en vitenskap som får datamaskiner til å opptre på en bestemt måte, uten å ha blitt eksplisitt programmert. Selv om det kanskje høres futuristisk ut, er maskinlæring allerede godt etablert i dagens samfunn. Antakeligvis kommer du i kontakt med maskinlæring flere ganger om dagen uten å være klar over det. Maskinlæring går ut på at kompleks informasjon blir innhentet og maskinen lærer av dette. Deretter utvikler den kunnskap til å kunne forutsi fremtidige hendelser, eller komme med nøyaktige beregninger.

Det er utvikling innen maskinlæring som ligger bak en rekke teknologiske nyvinninger. Fra noe så dagligdags som effektive søkemotorer på nett til langt mer komplekse produkter, som for eksempel selvkjørende biler. Følelsene og tankene rundt maskinlæring er mange. Det varierer fra skepsis til optimisme, og fra frykt til håp. En ting de fleste kan enes om, er at maskinlæring har kommet for å bli og kommer bare til å bli mer utbredt.

Powel, innovasjon og kompetanse i verdensklasse

En av Powels ambisjoner er alltid å ligge i forkant når det gjelder teknologiske nyvinninger slik at vi kan tilby det beste til våre kunder. Nylig inngikk vi en avtale med swhere, et selskap som spesialiserer seg på maskinlæring og analyse. Målet med samarbeidet var å se på hvordan vi kan implementere maskinlæring i våre løsninger for energisektoren.

- I Powel har vi alltid tenkt at vi kan ikke være gode på alt fra dag én. Det betyr at når vi ikke har ekspertisen på huset, må vi ut å finne den andre plasser. I dette tilfellet fant vi swhere, som virkelig er tungvektere når det kommer til maskinlæring, sier Tom Røtting, VP, Business Development i Powel.

Britiske swhere ble grunnlagt i 2014 og anvender prediktive dataanalyseteknikker av ypperste klasse for å få så mye informasjon ut av dataene som mulig. Gjennom dette arbeidet gjør de det mulig for sine klienter å gå fra en lederstil som ikke bare handler om kunnskap, men som i tillegg også handler om nysgjerrighet og å stille de rette spørsmålene.

Dr Ernst van Duijn er en internasjonalt anerkjent ekspert innen maskinlæring og grunnlegger av swhere. Han forklarer at som et resultat av den økende kompleksiteten innen energisektoren, har lederrollene forandret seg. I dag er det viktigere at en leder stiller de rette spørsmålene enn at han har alle de riktige svarene. Når det gjelder å gi tillitsvekkende svar på komplekse spørsmål, ser man virkelig nytteverdien med maskinlæring. Maskinlæring gjør det mulig å gi nøyaktige prognoser på komplekse forutsigelser slik at ledere har en enklere beslutningsprosess. Spørsmålet nå er dette; Hvordan kan denne evnen til å forutsi fremtiden med stor nøyaktighet samt muligheten for forandring av måten å lede på være til nytte for Powel sine kunder?

Muligheter for maskinlæring i energisektoren

- Det er mye usikkerhet blant folk i forhold til maskinlæring. Folk spør seg selv om maskiner og roboter kommer til å ta over, men jeg er overbevist om at fremtiden er en balansegang mellom menneske og maskin. Maskinen forutsier, men mennesket optimerer og gjør noe med forutsigelsene, sier Van Duijn.

- Når det gjelder energisektoren tror jeg at maskinlæring kommer til å ta noen av jobbene som i dag blir utført av mennesker, slik utviklingen har vært blant tjenestemenn i flere sektorer. I og med at noen arbeidsoppgaver etterhvert kommer til å bli utført av maskiner, er det en fin utfordring å finne den rette balansen mellom menneske og maskin, og å finne ut hvordan vi utnytter menneskelig ekspertise der det trengs.

- Energisektoren henger etter når det gjelder å omfavne disse nye mulighetene. Bransjer som telekommunikasjon og finans ligger årevis foran. Energibransjen har derimot en fordel med å være sent ute. De som først begynner å undersøke mulighetene rundt maskinlæring, vil ha tilgang til den aller nyeste teknologien, og det har skjedd enormt mye innen dette området de siste fem til ti årene. Kombinasjonen av større beregningskraft, billigere datalagring og større tilgang til data gjennom sensorer og smarte applikasjoner gjør at dette er det perfekte tidspunktet for energibransjen å ta i bruk maskinlæring, sier Van Duijn.

Dataanalyse gir grønnere energi

Europeiske energimarkeder beveger seg mot en fremtid som er ressursorientert, har stramme marginer, og hvor stor fortjeneste er vanskeligere å oppnå. Selv om både sol- og vindkraft øker i popularitet, er det utfordrende å produsere strøm fra disse kildene. Sola skinner ikke hele tiden og vind kan være uforutsigbar. Inntil man finner bedre muligheter for lagring av energi, vil denne balansegangen fortsette å være utfordrende for kraftprodusenter.

I Tyskland, landet som blir hyllet internasjonalt for overgangen til fornybar energi, plages de med nett som er ute av stand til å takle uforutsigbar vind- og solenergi. Konsekvensene av at produksjonen er vanskelig å forutse er at det er vanskeligere å melde inn eksakt produksjon til de relevante instansene, noe som kan føre til høye regninger for produsenten. Dette er et av områdene innen energisektoren hvor Van Duijn er overbevist om at maskinlæring vil komme til nytte.

Powel, i samarbeid med swhere og en stor norsk kraftprodusent prøvde ut maskinlæring på prognoser av vindkraft. Ved å kombinere vår domenekunnskap med swheres ekspertise innen maskinlæring, brukte vi prediktiv analyse og teknikker innen maskinlæring for å se hvordan vi kunne optimere produksjonen enda mer og samtidig gjøre forbedringer for våre kunder.

- Nøkkelen her er datakvalitet. Har vi data som er gode nok til å bruke til maskinlæring? Hva som ofte skjer er at kunden ikke tror dataene er gode nok, men ofte er datagrunnlaget bedre enn de tror. Teknikkene i maskinlærning gjør det mulig å fylle inn manglende data med en høy grad av nøyaktighet. Dataen må være på et detaljert nivå, slik at det gjør det mulig for bedrifter å ta bedre avgjørelser som de får mest mulig ut av. Det må også være på et slikt nivå at de som er ansvarlige faktisk kan gjøre noe med informasjonen, sier Van Duijn.

Problemet med vindkraft

- Planlegging av vindkraft i Norge er vanskelig, fordi prognosene kraftprodusenter har som utgangspunkt blir kun oppdatert hver sjette time. Vindfarmer er typisk plassert på åpent hav eller i åpent landskap, det vil si steder hvor været kan snu på minuttet, spesielt når det kommer over Nordsjøen, forklarer Røtting.
Resultatet er at intradag- og “day ahead-handel sjelden har nøyaktige prognoser, noe som fører til tapte inntekter. Selv om mange selskap har jobbet med kraftproduksjon for vind i en god stund og får stadig mer nøyaktige prognoser, har de fortsatt en lang vei å gå.

- Den grunnleggende ideen bak prosjektet var et håp om å finne lokale mønstre slik at vi kunne skape et værprognosesenter i miniatyr, direkte tilknyttet vindparkene. Ved å ha lokale data for analyse vil sluttresultatet forhåpentligvis være mer nøyaktige prognoser, sier Røtting.

Nytteverdi og resultat

Så hvor er egentlig nytteverdien i forhold til forutsigbarhet og prognosering? Hva kan maskinlæring utrette som vi ikke klarer med menneskelig ekspertise og erfaring?

- Prosessen startet på detaljnivå ved å se på tilgjengelig data og spesifisere hvor vi skulle komme med prognoser. Basert på veldig spesifikke mål og tilgjengelig data kunne våre eksperter lage en liste over de mest passende metodikkene for nettopp dette prosjektet. De som jobber innen maskinlæring jobber hele tiden med å utvikle nye metodikker, og vi må alltid finne akkurat den metodikken som vil gi kvalitet og nøyaktighet for hvert enkelt prosjekt, sier Van Duijn.

Når man planlegger vindkraftproduksjon, er det tre sentrale spørsmål som må besvares. Når blåser det, hvor kraftig blåser det og i hvilken retning blåser vinden? Vi ønsket å finne ut om det var et mønster vinden fulgte, som vi ikke hadde oppfattet tidligere. For å prøve å finne disse forbindelsene brukte vi nye algoritmer.

I dette prosjektet fikk swhere tilgang til mye informasjon, både værdata, produksjonstall og prognoser. Før vi begynte å teste metodikken, hadde swhere tid til å studere dataene og stille spørsmål ved betydningen av informasjonen. Resultatet av selve testingen, som pågikk i seks uker, var svært oppløftende og viste stort potensiale for bruk av maskinlæring i lignende tilfeller.

- For oss i swhere var dette et vellykket prosjekt, ikke bare på grunn av resultatet, men også på grunn av metodikken vi brukte. Ved å bruke spesifikke teknikker innen predikativ analyse lyktes vi i å redusere usikkerheten innen vindkraftproduksjon med mer enn 45%. Dette resulterte videre i at kostnadene knyttet til ubalanse ble redusert med over halvparten.

Forandring i energisektoren er mulig

- I tillegg til spesifikke oppgaver, som produksjonsplanlegging, tror jeg at maskinlæring har stort potensiale til å hjelpe energisektoren med å fornye seg gjennom hele verdikjeden. Bransjen blir stadig mer kompleks og bare i løpet av få år har vi sett enorme mengder forandringer i forskrifter, kundeatferd, teknologi og innovasjon. Det er umulig for noen få mennesker å ha kunnskap om alt dette, mener Van Duijn.

I et konkurransepreget marked er det avgjørende for de som skal overleve at de har et konkurransefortrinn. I tradisjonell dataanalyse jobber du med dataene, men i maskinlæring jobber dataene for deg. Ofte har maskinlæring også fleksibiliteten til å forandre den originale modellen med kun få parametre.

- Min spådom er at fremtidens suksessrike ledere vil være de som stiller de rette spørsmålene. Det er her maskinlæring kan hjelpe med mange ulike parametre. En person kan bare ha oversikt over et visst antall parametre på en gang, men en datamaskin kan holde styr på uendelig mange flere, avslutter Van Duijn.