Prognozowanie zużycia energii z wykorzystaniem sztucznej inteligencji
06.07.2018 - Zarządzanie energią
Złożoność prognozowania zużycia energii wiąże się poszukiwaniem przez analityków innowacyjnych narzędzi informatycznych, które pomogą w analizie dużych ilości danych.
Analiza Big Data wyzwaniem firm energetycznych
Wiele dziedzin życia i biznesu wykorzystuje prognozowanie do swej podstawowej działalności: finanse, handel, analiza klimatu czy opieka zdrowotna bazują na analizie dużych zbiorów danych. Wraz ze wzrostem cyfryzacji przedsiębiorstw ilość dostępnych danych rośnie w bardzo szybkim tempie. Również firmy handlujące energią elektryczną zbierają ogromne ilości danych, które niosą ze sobą informacje mające bezpośrednie przełożenie na ich wyniki finansowe. W szczególności podmioty działające na rynku giełdowym energii mogą osiągnąć wymierne korzyści finansowe dzięki zastosowaniu technik szeroko rozumianej sztucznej inteligencji, w szczególności uczenia maszynowego. Jedną z możliwości zastosowania tych technik w sektorze energii elektrycznej może być nowatorskie podejście do prognozowania szeregów czasowych, np. zużycia lub generacji energii. Sieci neuronowe oraz inne techniki uczenia maszynowego stanowią praktyczne narzędzie analityków biznesu. Są one skutecznym sposobem na wykorzystanie potencjału informacji tkwiącej w dostępnych danych.
Jakość prognozowania zużycia energii wpływa na wynik finansowy
Dokładne prognozowanie szeregów czasowych ma szczególne znaczenie w kontekście obrotu energią elektryczną. Konieczność zapewnienia ciągłego, dokładnego bilansowania energii elektrycznej powoduje, że prognozowanie zarówno podaży jak popytu energii ma tutaj szczególne znacznie. Przedmiotem transakcji SPOT na rynku energii elektrycznej są produkty oparte na dostawach w godzinowych okresach czasu. Wszystko to sprawia, iż precyzyjna prognoza zużycia energii w najbliższej przyszłości jest warunkiem tego, aby spółki handlujące energią mogły dokonywać korzystniejszych bilansujących transakcji giełdowych. Wysokiej jakości prognozowanie oparte o współczesne techniki przetwarzania i analizy danych przekłada się tutaj bezpośrednio na zyski firm obracających energią.
Dlaczego prognozowanie energii jest tak trudne?
Prognozowanie zużycia energii wymaga uwzględnienia szeregu kryteriów: trendów zużycia energii w ramach grup klientów, danych meteorologicznych, jak również zachowań społecznych. Świetnie ilustruje to przykład piekarni, dla których największy poziom zużycia energii będzie przypadał w godzinach nocnych, więc prognoza powinna być przygotowana dla tego konkretnego profilu zużycia.
Rzeczywistość jest oczywiście o wiele bardziej skomplikowana, a na poziom zużycia energii przez klientów indywidualnych w danej porze dnia mogą mieć wpływ różnorodne wydarzenia, np. mistrzostwa świata w piłce nożnej czy inne wydarzenia masowe. Przerwa meczu to moment szybkiego podgrzania przekąsek i popcornu w kuchence mikrofalowej, a co za tym idzie gwałtowny wzrost zużycia energii przez miliony gospodarstw domowych. Jak zatem planować w tak złożonej rzeczywistości? Niezbędna okazuje się zaawansowana algorytmika. Odpowiednie algorytmy matematyczne są w stanie dostarczyć rozwiązanie, które uwzględni obserwowaną sezonowość oraz inne cechy rozważanych szeregów czasowych.
Algorytmy sztucznej inteligencji wkraczają do świata energetyki
Ostatnio obserwujemy renesans szeroko pojętej sztucznej inteligencji dosłownie we wszystkich obszarach dotyczących człowieka oraz prowadzenia biznesu. Społeczność analityków zajmująca się Data Science rozwija różne techniki, które niemal bezpośrednio można zastosować do rozwiązywania problemów analizy dużych zbiorów danych w przemyśle energetycznym. Również rozwiązania PSI dają możliwości wykorzystania uczenia maszynowego do prognozowania szeregów czasowych. Metodologie wykorzystywane w ogólnie pojętej sztucznej inteligencji, takie jak maszyna wektorów nośnych, algorytmy przypadkowego lasu czy sieci neuronowe dostarczają prognozy oparte na „uczących się” modelach, które są dostępne w lokalnym repozytorium. Zbieranie danych dotyczących zużycia energii, przetwarzanie danych z uwzględnieniem brakujących wartości i wyszukiwanie anomalii to kluczowe kroki poprzedzające stworzenie modelu bazującego na algorytmach uczenia maszynowego. Uzyskane w ten sposób prognozy końcowe, dzięki zaawansowanych algorytmom, obarczone są mniejszym ryzykiem błędów w planowaniu zużycia energii i zapotrzebowania, co bezpośrednio przekłada się na korzyści finansowe podmiotów działających na rynku energii elektrycznej.
Autor: dr Rafał Bachorz, Kierownik Centrum Kompetencji Systemów dla energetyki, PSI Polska
Zafascynowany współczesnymi technikami analizy danych i uczenia maszynowego, które na codzień wykorzystuje do rozwiązywania realnych problemów biznesowych. Dodatkowo – bioinformatyk starający się zastosować sieci neuronowe do predykcji struktur chemicznych leków.
Zobacz również:
