ES-P-03: Integrasjon mellom maskinlæring og optimalisering for planlegging av fornybar energi

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 vannkraftressurser mest mulig effektivt. Den raske utviklingen vi ser innen maskinlæring (ML) nå, gjør integrasjon mellom ML-tilnærminger og optimaliseringsmodeller til et svært spennende forskningsfelt. Denne oppgaven vil undersøke hvordan man kan kombinere formelle og heuristisk styrte optimaliseringsmodeller med datadrevet ML for å forbedre planleggingsprosesser for fornybar energi.

Bakgrunn

Tradisjonelle optimaliseringsmetoder gir gode resultater for planlegging av vannkraft og annen fornybar energi, men løser ofte variasjoner av samme problem gjentatte ganger uten å dra nytte av erfaringen fra tidligere løsninger. På motsatt side utnytter ML-metoder erfaring fra historiske data og tidligere beslutninger for å gi raske løsninger. Hvordan man kan kombinere det beste fra begge disse metodene er et veldig spennende forskningstema.  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, og vi ønsker å se om dette er mulig også for planleggingsmodeller som er utviklet av SINTEF Energi.

Oppgaven består i:

Sommeroppgaven vil være å undersøke om det finnes egnede maskinlæringsmetoder for å planlegge driften av vannkraftverk med mye lavere beregningstid enn tradisjonelle optimeringsmetoder. 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-, vassdragas- og markedsforhold. Det er en fordel dersom arbeidet kan videreføres i en prosjekt- og masteroppgave.

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

Forutsetninger

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

• Maskinlæring, optimalisering, og energisystemmodellering eller vannkraftplanlegging
• Programmering (fortrinnsvis Python)

Slik søker du:

Søknad, CV og karakterutskrifter lastes opp der du søker.

Hos SINTEF Energi kan du søke på opptil tre sommerjobber. Om du søker på flere sommerjobber sender du en samlet søknad. Jobbnummer for de ønskede jobbene legges som overskrift i søknadsteksten i prioritert rekkefølge (f.eks GT-01, TE-04 ...). Vi gjør oppmerksom på at søkere kan vurderes for andre sommerjobber enn de har søkt på.

Stillingene fylles fortløpende. Vi anbefaler deg derfor å søke tidlig.

Søk her

Søknadsfrist er 02. november kl 23.59. 

Se alle sommerjobber i SINTEF Energi