Hver dag løser norske vannkraftprodusenter omtrent det samme planleggingspuslespillet på nytt, uten å huske gårsdagens svar. Et internasjonalt forskningsprosjekt ledet av SINTEF ser nå på hvordan KI kan hjelpe systemet med å lære av erfaring.
Vannet i de norske magasinene er en av landets mest verdifulle ressurser, og å få mest mulig ut av det avhenger av en daglig beslutning: hvilke aggregater som skal kjøre, og når. Det er en vanskeligere oppgave enn man skulle tro, rett og slett fordi så mange hensyn spiller inn. Produsentene må veie verdien av å slippe vann nå mot å spare det til senere, ta hensyn til de fysiske begrensningene i hvert vassdrag og overholde miljøkrav som minstevannføring i enkelte elver. Alt dette må de gjøre samtidig som de posisjonerer seg i energi- og kapasitetsmarkedene. I flere tiår har SINTEFs SHOP-modell vært det foretrukne verktøyet for denne oppgaven, og den brukes av de fleste nordiske vannkraftprodusenter.
Haken er at verktøyene ikke lærer. Tradisjonelle optimeringsmetoder løser hver dags problem for seg, uten å samle erfaring, selv når det bare endrer seg litt fra dag til dag. InterOpt-prosjektet bygger på erkjennelsen av at nettopp denne gjentakelsen er noe maskinlæring er god på.
Nøyaktighet eller hastighet
Kjernen i den daglige planleggingen er enhetslastfordelingsproblemet, altså å bestemme av/på-status for hvert aggregat i timene framover. Å løse det nøyaktig krever heltallsprogrammering (MIP), der binære av/på-variabler sikrer realistiske og gjennomførbare planer. Det fungerer, men er tungt å regne på. Slipper man variablene fri, går det raskere, men resultatene kan bli urealistiske: produksjon under et aggregats minstegrense, eller planer som bryter med miljøkravene.
Dagens kompromiss er en fast tommelfingerregel som luker ut de verste utslagene uten egentlig å løse problemet. InterOpt foreslår i stedet å kjøre den raske, forenklede modellen først, og deretter bruke maskinlæring til å forutsi hva de nøyaktige beslutningene ville ha vært. Hastigheten fra den ene tilnærmingen, realismen fra den andre.
Gevinstene kan bli betydelige. Numeriske studier av store kraftsystemer har vist at maskinlæring kan gi en hastighetsøkning på mellom 2 og 260 ganger, uten at det er observert noen reduksjon i kvaliteten på løsningene.
Et konsortium på tvers av tre verdensdeler
Mye av løsningen ligger i å samle de rette fagfolkene, folk som kan prøve problemet ut fra alle kanter. InterOpts andre workshop i Trondheim i går samlet forskningsmiljøer som angriper maskinlæringsstøttet planlegging fra ulike vinkler. Utenom SINTEF og NTNU trekker prosjektet inn forskningsgrupper fra Spania (Universidad Politécnica de Madrid), Canada (Université du Québec à Chicoutimi) og Brasil (CEPEL), der de to sistnevnte har erfaring fra to av verdens største vannkraftsystemer. De norske vannkraftprodusentene ANEO, Hydro Energi og Å Energi har alle en plass rundt bordet i InterOpt – og holder arbeidet forankret i den daglige driftens realiteter – med ANEO representert på gårsdagens workshop.
InterOpt er et kompetansebyggende prosjekt for næringslivet (KSP), delvis finansiert av Norges forskningsråd, som løper fra 2024 til 2028. I en bransje der ett enkelt prosentpoeng kan utgjøre en stor forskjell, kan det være mye å hente på å la planleggingsverktøyene lære av erfaring.
