Til hovedinnhold
Norsk English

ES-11 InterOpt – Integrasjon mellom maskinlæring og optimalisering

Dyp integrasjon mellom maskinlæringsmetoder og optimalisering av fornybar energi

Kontaktperson

Motivasjon og relevans

Vannkraft står for det meste av elektrisitetsproduksjonen i Norge, og er selve ryggraden i det norske kraftsystemet. I løpet av de siste tiårene har det blitt utviklet en rekke optimaliseringsverktøy for å bruke vannressurser effektivt. Med den rivende utviklingen innen maskinlærings (ML)-teknologier er dyp integrasjon mellom ML-tilnærminger og optimaliseringsmodeller en lovende teknisk trend. Denne oppgaven vil bidra på sentrale forsknings- og innovasjonstema for vannkraft i Energi21 (Nasjonal strategi for forskning og utvikling av ny energiteknologi) ved å kombinere formelle og heuristisk styrte optimaliseringsmodeller med datadrevet ML for å forbedre den daglige beslutningsprosessen i fornybarsektoren.

Bakgrunn

Tradisjonelle optimaliseringsmetoder løser gjentatte ganger lignende problemer uten å dra nytte av erfaringen fra tidligere løsninger. På motsatt side får ML effektivt utnyttet erfaring fra historiske data og tidligere beslutninger. At det samme problemet med av-/på-beslutninger for komponenter løses hver dag med kun mindre endringer i inngangsdata er det perfekte grunnlaget for ML. Numeriske studier har vist at ML kan oppnå akselerasjon fra 2× til 260× i mange storskala problemer for kraftsystem uten noen observert reduksjon i løsningskvalitet.

Oppgave

Arbeidet er knyttet til å undersøke egnede maskinlæringstilnærminger for å planlegge driften av vannkraftverk til en mye lavere beregningstid. Det konkrete optimaliseringsproblemet som denne oppgaven skal se på er definert av SINTEF Energi i samarbeid med sentrale aktører i kraftbransjen. Den tar sikte på å optimalisere driften av generatorer i vannkraftverk over en begrenset planleggingshorisont under varierende drifts- og markedsforhold.

Oppgaven består i å:

  • Gjøre seg kjent med prototypen til modellen (hovedsakelig utviklet i Python)
  • Hjelp til å teste både åpne og kundespesifikke datasett for implementering av maskinlæringsteknikker 
  • Vurdere ulike maskinlæringsteknikker for prediksjonsoppgaver

Oppgaven knyttes til det forskningsrådsfinansierte Kompetansebyggende Prosjekt for Næringslivet (KPN) "InterOpt – Deep integration between machine learning approaches and renewable energy optimization" ved SINTEF Energi.

Forutsetninger

Det er en fordel at sommerjobberen har kjennskap til (eller evne til å sette seg inn i):

  • Vannkraftplanlegging eller energisystemmodellering, optimalisering og maskinlæring
  • Programmering (fortrinnsvis Python)

Hovedveileder: Jiehong Kong

Medveiledere: Christian Øyn Naversen og Hans Ivar Skjelbred