Uczenie maszynowe w energetyce: od prognozowania do optymalizacji

Uczenie maszynowe coraz częściej pojawia się w energetyce, ale jego wartość nie wynika z samego zastosowania zaawansowanego algorytmu. Najważniejsze pytanie brzmi: jaką decyzję model ma pomóc podjąć lepiej?

Może chodzić o prognozę zużycia energii na kolejny dzień, przewidywanie produkcji instalacji fotowoltaicznej, wykrywanie nietypowej pracy urządzeń, ocenę przyszłego zapotrzebowania na moc albo wybór bardziej ekonomicznego harmonogramu pracy pomp, sprężarek czy innych odbiorników.

W praktyce uczenie maszynowe jest więc jednym z elementów szerszego procesu:

dane → model → prognoza lub ocena sytuacji → decyzja → mierzalny efekt biznesowy

Dopiero ostatni z tych elementów przesądza o wartości projektu.

Czym właściwie jest uczenie maszynowe w energetyce?

Uczenie maszynowe, czyli machine learning, ML, obejmuje metody pozwalające modelowi rozpoznawać zależności występujące w danych, zamiast opisywać wszystkie reguły działania systemu ręcznie.

W energetyce jest to szczególnie interesujące, ponieważ duża część procesów pozostawia po sobie bardzo szczegółowy ślad danych. Liczniki energii, systemy BMS i SCADA, sterowniki PLC, czujniki urządzeń, dane pogodowe, ceny giełdowe czy plany produkcji tworzą szeregi czasowe, które można analizować jednocześnie.

Nie oznacza to jednak, że każdy problem energetyczny wymaga sztucznej inteligencji. Czasami prosty model statystyczny, reguła biznesowa lub dobrze przygotowana analiza danych daje wystarczająco dobry rezultat. ML staje się szczególnie wartościowy wtedy, gdy liczba czynników jest duża, relacje pomiędzy nimi są nieliniowe lub trudno opisać je za pomocą kilku prostych reguł.

Dobrym przykładem jest zużycie energii przez zakład przemysłowy. Pobór może zależeć jednocześnie od godziny, dnia tygodnia, temperatury, wielkości produkcji, liczby pracujących linii, stanów konkretnych urządzeń i harmonogramu zmian. Model może uczyć się tych zależności bez konieczności ręcznego definiowania każdej możliwej kombinacji.

1. Prognozowanie zużycia energii i innych mediów

Najbardziej oczywistym zastosowaniem uczenia maszynowego jest prognozowanie zużycia energii elektrycznej. W zależności od potrzeb przedsiębiorstwa prognoza może dotyczyć kolejnych 15 minut, następnego dnia, tygodnia, miesiąca albo całego przyszłego roku.

Horyzont prognozy wynika bezpośrednio z decyzji, którą chcemy wspierać. Prognoza na następne 24 godziny może być przydatna przy zarządzaniu pracą urządzeń lub ekspozycją na ceny godzinowe. Prognoza miesięczna może wspierać budżetowanie, natomiast prognoza roczna pozwala lepiej oszacować wolumen potrzebny przy zakupie energii.

Model nie musi opierać się wyłącznie na historycznym poborze. Może wykorzystywać również:

• temperaturę i inne parametry pogodowe,
• kalendarz, dni tygodnia i święta,
• plan produkcji,
• wolumen wytwarzanych produktów,
• liczbę zmian lub pracowników,
• stany urządzeń,
• okresy remontów i przestojów,
• informacje o zmianach technologicznych.

Podobną logikę można stosować nie tylko do energii elektrycznej. Modele mogą prognozować także zużycie gazu, ciepła, wody, sprężonego powietrza lub innych mediów wykorzystywanych w procesie.

Najważniejszym rezultatem nie jest jednak sama prognoza. Jeżeli pozwala ona dokładniej zaplanować przyszły wolumen zakupowy, wcześniej wykryć ryzyko przekroczenia określonego poziomu poboru albo lepiej przygotować budżet energetyczny, dopiero wtedy model zaczyna mieć wymierną wartość.

2. Prognozowanie produkcji energii z OZE

Drugą dużą grupą zastosowań jest przewidywanie produkcji ze źródeł zależnych od pogody, przede wszystkim fotowoltaiki i energetyki wiatrowej.

W przypadku instalacji PV model może łączyć historyczną produkcję z prognozą zachmurzenia, nasłonecznienia, temperaturą, porą roku, charakterystyką instalacji czy obserwowaną degradacją modułów. Dla farm wiatrowych kluczowe stają się między innymi prognozy prędkości i kierunku wiatru.

Z punktu widzenia przedsiębiorstwa posiadającego własną generację najciekawsze jest jednak połączenie dwóch prognoz:

ile energii prawdopodobnie będziemy zużywać oraz ile sami jej wyprodukujemy?

Pozwala to prognozować przyszły bilans energetyczny obiektu. Firma może wcześniej ocenić, w których godzinach prawdopodobnie pojawi się nadwyżka produkcji, a kiedy konieczne będzie pobranie większej ilości energii z sieci.

Jeżeli do systemu dołączony jest magazyn energii albo elastyczne urządzenia, prognoza staje się następnie wejściem do problemu optymalizacyjnego.

3. Prognozowanie cen i analiza rynku energii

Uczenie maszynowe może być wykorzystywane również do analizy samego rynku energii. Modele mogą poszukiwać zależności pomiędzy cenami a zapotrzebowaniem, produkcją OZE, dostępnością jednostek konwencjonalnych, cenami gazu, uprawnieniami EUA, wymianą transgraniczną czy prognozami pogody.

W zależności od zastosowania można próbować prognozować między innymi ceny na rynku dnia następnego albo prawdopodobieństwo wystąpienia szczególnie drogich lub tanich okresów.

Trzeba jednak zachować tutaj odpowiednią perspektywę. Model nie jest „algorytmem przewidującym przyszłość”. Rynek reaguje również na nowe informacje, których w momencie przygotowywania prognozy nie można znać: awarie, zmiany pogody, wydarzenia geopolityczne czy niespodziewane ograniczenia infrastruktury.

Dlatego w praktyce często bardziej użyteczne od jednej liczby może być określenie scenariuszy, przedziału prawdopodobnych wartości albo ryzyka wystąpienia określonej sytuacji.

Analiza cen może również zostać połączona z prognozą zużycia przedsiębiorstwa. Wtedy pytanie nie brzmi już tylko „ile będzie kosztowała energia?”, lecz:

„ile energii będziemy potrzebować w poszczególnych okresach i ile może ona wtedy kosztować?”

To znacznie bardziej użyteczna informacja z punktu widzenia zarządzania kosztami.

Więcej o mechanizmach kształtujących ceny opisujemy w artykule Co wpływa na ceny energii elektrycznej dla firm?.

4. Wykrywanie anomalii i nietypowego zużycia energii

Model nie zawsze musi przewidywać przyszłość. Bardzo wartościowym zastosowaniem może być również odpowiedź na pytanie:

czy to, co dzieje się teraz, jest normalne?

Załóżmy, że budynek biurowy zwykle zużywa w nocy około 40 kW, ale pewnego dnia pobór wzrasta do 70 kW. Sam próg alarmowy może wykryć zmianę, ale nie odpowie na pytanie, czy rzeczywiście jest ona nietypowa.

Model może uwzględnić dzień tygodnia, pogodę, sezon, wcześniejsze zachowanie obiektu i inne dostępne informacje. Dzięki temu zamiast sztywnego limitu otrzymujemy dynamiczny punkt odniesienia, określający oczekiwane zużycie w konkretnych warunkach.

Podobną metodę można zastosować do:

• wykrywania urządzeń pracujących poza harmonogramem,
• identyfikowania stopniowego wzrostu energochłonności,
• wychwytywania nietypowych szczytów poboru,
• porównywania podobnych obiektów,
• wykrywania zmian charakterystyki procesu.

W wielu projektach właśnie takie zastosowanie może być bardziej wartościowe niż budowanie bardzo precyzyjnej prognozy na wiele dni do przodu. Im wcześniej organizacja wykrywa nietypowe zachowanie, tym szybciej może sprawdzić jego przyczynę.

5. Predykcyjne utrzymanie ruchu i ocena stanu urządzeń

Dane energetyczne mogą dostarczać informacji nie tylko o kosztach, lecz także o stanie urządzeń.

Pompa, wentylator, sprężarka czy układ chłodniczy pracujący w pogarszających się warunkach może stopniowo zmieniać charakterystykę poboru energii. Jeżeli dysponujemy również danymi dotyczącymi przepływu, ciśnienia, temperatury, częstotliwości falownika czy innych parametrów technologicznych, można analizować relację pomiędzy zużyciem energii a wykonywaną pracą.

W takim przypadku uczenie maszynowe może wspierać predictive maintenance, czyli predykcyjne utrzymanie ruchu. Celem nie jest koniecznie wskazanie dokładnej daty przyszłej awarii. Często wystarczająco wartościowe jest wykrycie, że sposób pracy urządzenia zaczyna odbiegać od historycznego wzorca.

Może to wskazywać między innymi na pogarszającą się sprawność, zabrudzenie, zużycie elementów, nieprawidłową regulację albo zmianę warunków procesu.

Energia staje się wtedy nie tylko kosztem, ale również dodatkowym źródłem informacji diagnostycznej.

6. Optymalizacja pracy urządzeń

Prognozowanie odpowiada na pytanie „co prawdopodobnie się wydarzy?”. Optymalizacja idzie krok dalej i pyta:

„co powinniśmy zrobić, mając tę informację?”

Wyobraźmy sobie przedsiębiorstwo dysponujące kilkoma pompami, magazynem energii albo procesem, którego część można przesunąć w czasie. Jednocześnie znamy prognozę zapotrzebowania oraz przewidywane ceny energii.

System może wtedy porównywać różne warianty pracy i szukać takiego harmonogramu, który minimalizuje koszt przy zachowaniu wszystkich ograniczeń technologicznych.

Nie chodzi więc o proste polecenie „uruchom urządzenie, kiedy energia jest najtańsza”. Proces może wymagać:

• zapewnienia minimalnego poziomu produkcji,
• utrzymania poziomu zbiornika,
• ograniczenia liczby uruchomień urządzenia,
• zachowania maksymalnej mocy,
• utrzymania odpowiedniej temperatury lub ciśnienia,
• zapewnienia rezerwy bezpieczeństwa.

W takich zastosowaniach modele ML mogą być łączone z klasycznymi metodami optymalizacji matematycznej lub Model Predictive Control, MPC. Model prognozuje przyszły stan systemu, a warstwa optymalizacyjna wybiera najlepszą decyzję w zadanym horyzoncie.

To właśnie tutaj szczególnie dobrze widoczna jest różnica pomiędzy analizą danych a systemem wspomagającym rzeczywiste decyzje operacyjne.

Od danych do decyzji: gdzie projekty AI najczęściej się zaczynają?

Punktem startowym nie powinien być wybór modelu. Znacznie ważniejsze jest zrozumienie problemu biznesowego oraz sprawdzenie, jakie informacje są rzeczywiście dostępne.

Przedsiębiorstwa często posiadają już bardzo dużo danych. Znajdują się one jednak w różnych miejscach: w licznikach, systemach SCADA, BMS, bazach produkcyjnych, fakturach, arkuszach kalkulacyjnych i dokumentacji technicznej.

Pierwszym etapem projektu może być więc po prostu ich uporządkowanie i odpowiedź na kilka pytań:

1. Jaką decyzję chcemy poprawić?
2. Jak dokładnie wygląda obecny proces?
3. Jakimi danymi dysponujemy?
4. Czy dane obejmują wystarczająco długi i reprezentatywny okres?
5. Jak będziemy mierzyć poprawę?
6. Co zrobimy z wynikiem modelu?

Ostatnie pytanie jest szczególnie ważne. Prognoza, której nikt nie wykorzystuje, nie tworzy wartości niezależnie od tego, jak zaawansowany model ją generuje.

Dobry model nie zawsze oznacza najbardziej skomplikowany model

W projektach uczenia maszynowego łatwo skoncentrować się na wyborze algorytmu. Random Forest, XGBoost, sieci neuronowe, LSTM czy modele Transformer mogą wyglądać atrakcyjnie technicznie, ale samo zastosowanie bardziej skomplikowanej architektury nie gwarantuje lepszego rezultatu biznesowego.

Dlatego sensowny projekt powinien zaczynać się od baseline'u, czyli prostego modelu bazowego.

Dla prognozy energii może nim być na przykład:

• zużycie z analogicznej godziny poprzedniego tygodnia,
• średnia z kilku podobnych dni,
• prosty model uwzględniający temperaturę i kalendarz.

Dopiero później można sprawdzić, czy bardziej zaawansowany model rzeczywiście daje stabilną poprawę.

Równie ważna jest prawidłowa walidacja. Dane energetyczne posiadają naturalny porządek czasowy, dlatego model powinien być testowany na okresie późniejszym niż dane wykorzystane do jego uczenia. Trzeba również osobno sprawdzić jego zachowanie podczas nietypowych sytuacji: świąt, ekstremalnych temperatur, postojów produkcyjnych czy zmian technologicznych.

Od modelu offline do systemu działającego w przedsiębiorstwie

Nie każdy projekt powinien od razu kończyć się automatycznym sterowaniem urządzeniami. Bezpieczniejszym podejściem jest stopniowe zwiększanie zakresu wykorzystania modelu.

Pierwszym etapem może być analiza historyczna pozwalająca sprawdzić, czy w danych istnieje wystarczająco silny sygnał. Następnie model może zostać uruchomiony w shadow mode, czyli generować prognozy lub rekomendacje równolegle do istniejącego procesu, ale bez bezpośredniego wpływu na jego działanie.

Dopiero gdy wyniki zostaną zweryfikowane w rzeczywistych warunkach, można przejść do integracji z procesem decyzyjnym. W części zastosowań nadal będzie to wyłącznie dashboard lub rekomendacja dla operatora. W innych możliwa jest późniejsza automatyzacja.

Takie podejście ogranicza ryzyko i pozwala zweryfikować wartość rozwiązania przed rozbudową infrastruktury.

Jak podchodzimy do Data Science i AI w Parsymonii?

W Parsymonii traktujemy uczenie maszynowe przede wszystkim jako narzędzie wspierające zarządzanie energią i procesami, a nie cel sam w sobie.

Punktem wyjścia jest konkretny problem: prognozowanie zużycia energii lub innych mediów, wykrywanie nieefektywności, analiza pracy urządzeń, modelowanie przyszłych stanów procesu albo wybór lepszego harmonogramu pracy.

W zależności od problemu rozwiązanie może łączyć dane licznikowe, BMS lub SCADA z informacjami pogodowymi, produkcyjnymi, technologicznymi i rynkowymi. Uczenie maszynowe może następnie współpracować z klasyczną analizą danych, optymalizacją matematyczną czy Model Predictive Control.

Nie każdy proces będzie dobrym kandydatem do wykorzystania ML. Dlatego sensownym pierwszym krokiem jest często ograniczony pilotaż pozwalający odpowiedzieć na dwa pytania: czy dostępne dane pozwalają rozwiązać problem oraz czy potencjalna poprawa ma wystarczającą wartość biznesową?

Więcej o takim podejściu opisujemy na stronie Data Science i AI w energetyce.

AI w energetyce nie kończy się na prognozowaniu

Uczenie maszynowe ma w energetyce znacznie szersze zastosowanie niż samo przewidywanie przyszłego zużycia. Może wspierać prognozowanie produkcji OZE, analizę cen, wykrywanie anomalii, diagnostykę urządzeń oraz optymalizację ich pracy.

Największa wartość pojawia się jednak wtedy, gdy poszczególne elementy zostają ze sobą połączone.

Prognoza zużycia może być zestawiona z prognozą własnej produkcji. Obie mogą zostać połączone z cenami energii. Następnie algorytm optymalizacyjny może wykorzystać wszystkie te informacje do wyboru scenariusza pracy, który respektuje ograniczenia technologiczne i jednocześnie minimalizuje koszt.

Wtedy model przestaje być eksperymentem Data Science.

Staje się częścią procesu podejmowania decyzji energetycznych.

---

Źródła i materiały do dalszej lektury

1. ENTSO-E: Artificial Intelligence Przegląd zastosowań AI w elektroenergetyce, obejmujący między innymi prognozowanie OZE, cen energii, optymalizację przepływów i predictive maintenance.

2. ENTSO-E Transparency Platform Europejskie dane dotyczące zapotrzebowania, generacji energii oraz pracy systemów elektroenergetycznych, które mogą stanowić źródło danych dla projektów analitycznych.

3. Polskie Sieci Elektroenergetyczne: dane systemowe Dane dotyczące funkcjonowania Krajowego Systemu Elektroenergetycznego.

4. Energy Instrat Otwarte dane i wizualizacje dotyczące polskiego systemu energetycznego.

5. Parsymonia: Data Science i AI w energetyce Przykładowe zastosowania analizy danych, uczenia maszynowego i optymalizacji w zarządzaniu energią i procesami.

---

Artykuł ma charakter edukacyjny. Dobór metod analitycznych, modeli uczenia maszynowego i sposobu integracji powinien wynikać z charakterystyki konkretnego procesu, jakości dostępnych danych oraz decyzji biznesowej, którą rozwiązanie ma wspierać.