FE-02: InterOpt – Integrasjon mellom maskinlæring og optimalisering

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 Energi21ved 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.

Bildet er generert av Copilot og modifisert av Jiehong

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-, vassdrags- og markedsforhold. Det er en fordel dersom arbeidet kan videreføres i en prosjekt- og masteroppgave.

Oppgaven består i år:

• 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, se https://www.sintef.no/en/projects/2024/interopt/

Forutsetninger

Det er en fordel at sommerforskeren 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 ET-01, FE-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 08. november kl 23.59. 

Se alle sommerjobber i SINTEF Energi