Decorative border

October 6, 2019

Hoe past Spectral machine learning en kunstmatige intelligentie toe?

Hoe past Spectral machine learning en kunstmatige intelligentie toe?

In juni van dit jaar besteedde de Energy Policy Research Group van de University of Cambridge aandacht aan Spectral in hun werkdocument over digitalisering in de energiesector. Spectral werd geselecteerd als een van de 40 innovatieve start-ups wereldwijd. De paper behandelde kunstmatige intelligentie, machine learning, deep learning en blockchain-toepassingen in de energiesector met als doel energieregulatoren te helpen bij het kalibreren van hun ondersteuning voor nieuwe bedrijfsmodellen.

Spectral kwam voor in het gedeelte van het werkdocument dat zich richtte op bedrijven met digitale oplossingen die gebruikmaken van blockchain. De paper was voornamelijk gericht op het energiebeheersysteem en het energie-uitwisselingsplatform van Spectral voor geautomatiseerde onderhandeling en afwikkeling van energie- en flexibiliteitshandel – STELLAR. Dit artikel probeert die dekking uit te breiden om de andere thema’s van het werkdocument aan te raken, met name Spectral’s implementatie van kunstmatige intelligentie (AI) en machine learning.

BRIGHTER

Spectral’s BRIGHTER is uitgerust om vastgoedeigenaren te helpen meer overzicht te krijgen over hun volledige portefeuille en om hun gebouwen om te vormen tot slimme, duurzame activa die “fit for future” zijn. Gebouwbeheersystemen (BMS) zijn een cruciaal onderdeel om de energievraag te beheren, maar worden vaak beperkt door handmatige interventies of statische op regels gebaseerde regelsystemen. Kunstmatige intelligentie kan de efficiëntie en effectiviteit van gebouwbeheersystemen aanzienlijk verbeteren.

BRIGHTER bestaat uit een aantal modules die kunnen functioneren als afzonderlijke entiteiten of kunnen worden gecombineerd tot één geïntegreerde oplossing om gebouwen te transformeren. In de kern maakt de geautomatiseerde gebouwbeheermodule van de BRIGHTER real-time, voorspellende optimalisatie van gebouwen mogelijk om de energie-efficiëntie en het comfortniveau aanzienlijk te verbeteren.

Verbruiksprognose en besparingspotentieel

De prognose van elektriciteitsverbruik speelt een cruciale rol, aangezien het de basis vormt voor besluitvorming bij de planning en exploitatie van bedrijfsmiddelen. Om betrouwbare voorspellingen op middellange en lange termijn te verkrijgen, wordt binnen BRIGHTER een vergelijkbare dagbenadering voor belastingprognoses geïmplementeerd, waarbij rekening wordt gehouden met een aantal verschillende factoren. Zoals uitgelegd door Iglesias en Kastner, “worden gebouwen – of het energiegedrag van gebouwen – meestal weergegeven als op tijd gebaseerde profielen of patronen om te clusteren”. Door de herkende patronen in de gegeven tijdreeksen te combineren met relevante exogene gegevens (zoals het weer), gaat BRIGHTER dus een stap verder in deze methode en is het in staat om de elektriciteitsbelasting nauwkeurig te voorspellen door elke dag toe te wijzen aan het cluster van de meest vergelijkbare historische dagen. Deze techniek wordt ook wel load profile clustering genoemd.

Bovendien worden prognoses van gas- en elektriciteitsverbruik gebruikt als regressoren voor een meerlaagse perceptie. Dit berekent de potentiële besparingen van elk gebouw voor de rest van het jaar, waarbij de werkelijke waarden worden vergeleken met de gegenereerde prognose.

Vastgoedportefeuilles

Naast het uitvoeren van specifieke prognoses voor individuele gebouwen, geven data-analyses binnen BRIGHTER vastgoedeigenaren meer inzicht in hun volledige activaportefeuille. Het voorspelde elektriciteitsverbruik per uur als totaal voor een reeks gebouwen wordt gebruikt als basis voor het onderzoeken van potentiële inkomsten uit deelname aan de day-ahead elektriciteitsmarkt. Op de day-ahead markt wordt elektriciteit één dag voor de daadwerkelijke levering verhandeld, dus de biedingen van kopers en verkopers moeten minimaal 24 uur van tevoren bekend zijn. Met behulp van de voorspellingen van de uurbelasting met behulp van de prognose van het totale verbruik, kunnen vastgoedeigenaren hun besparingen optimaliseren door elektriciteit op de groothandelsmarkt te kopen in plaats van via vaste contracten.

Het verbruiksmodel voorspelt tijdreeksgegevens op basis van een additief model waarbij niet-lineaire trends worden aangepast met verschillende seizoensinvloeden en aangepaste regressors. De implementatie van BRIGHTER houdt rekening met een groot aantal parameters om de nauwkeurigheid van het model te maximaliseren, inclusief (maar niet beperkt tot) historische day-ahead prijzen, weergegevens, vergelijkbare dagprofielen, feestdagen en trends.

Digital Twin

Een ander AI-element binnen BRIGHTER is de digital twin. Dit is een digitale replica van elk element in een gebouw dat bestaat uit blokken die fysieke activa, mensen, plaatsen, systemen en apparaten vertegenwoordigen. Deze methode stelt ons in staat om elk type gebouw weer te geven dat is ingebed met rijke informatie over de activa en de relaties daartussen.

Met behulp van een neuraal netwerkframework past de digital twin een complexe fysieke representatie van het gebouw en de onderliggende systemen aan op diverse (realtime) gegevensinvoer, zoals elektriciteits-/gas-/warmteverbruik, parameters van het gebouwbeheersysteem (GBS), weersomstandigheden en omgevingssensorgegevens (bijv. temperatuur, vochtigheid, CO2, VOC’s, bezetting) en “leert” het de kenmerken van het gebouw. Op deze manier worden de thermische, elektrische en comfortkenmerken van het gebouw vastgelegd in het model, met continue verbetering naarmate nieuwe gegevens binnenkomen. Het digitale model kan worden gebruikt om de uitkomsten van een reeks regelstrategieën te simuleren, wat op zijn beurt de selectie van de meest optimale regelstrategie om de energie-efficiëntie te maximaliseren en tegelijkertijd een hoog comfortniveau te garanderen.

De digital twin dient als een real-time registratiesysteem dat dynamische inzichten biedt over hoe het gebouw presteert en de besluitvormingscomplexiteit drastisch vermindert. Bovendien maakt deze nauwkeurige kopie het mogelijk om acties te simuleren die anders kostbaar, riskant of tijdrovend zouden zijn om te testen, zonder de stabiliteit van het daadwerkelijke ecosysteem in gevaar te brengen. AI is de basis voor het testen van regelstrategieën in de toekomst door alle omgevingsomstandigheden en domino-effecten van acties volledig te simuleren, waardoor de optimale regelstrategie kan worden bedacht en getest (zonder enige impact op het daadwerkelijke gebouw tijdens de testfase) voordat ze in het gebouw worden ingezet.

Financiële simulaties met machine learning

BRIGHTER gebruikt statistische machine learning om het investeringsrendement te simuleren voor het installeren van energieopslag of gedistribueerde energiebronnen (bijv. zonnepanelen). Voor de batterij-installatie wordt de business case voor peak shaving in relatie tot de elektriciteitsaansluiting van de klant gesimuleerd. Ook kan deelname aan de frequentiebegrenzingsreserve (FCR) worden gesimuleerd. Er wordt een wiskundig model gebouwd (stap 1 van elk statistisch machine-leerproces) en vervolgens worden de historische gegevens gebruikt om reële omstandigheden te simuleren (stap 2 waarbij de AI “leert” om de optimale pasvorm te vinden – in dit geval de geoptimaliseerd rendement op investering en optimale configuratie van apparatuur, bijv. batterij en omvormer).

STELLAR

De energietransitie zorgt voor grote veranderingen in het opwekkings- en consumptiepatroon van energie. Een toename van decentrale energieopwekking uit hernieuwbare bronnen met een intrinsiek variabel karakter leidt tot een minder voorspelbare elektriciteitsvoorziening. Tegelijkertijd is er een toename van het verbruik als gevolg van de elektrificatie van transport, verwarming enz. en de introductie van nieuwe technologieën. Steeds meer consumenten worden zelf producent, ook wel prosumer genoemd. Het elektriciteitsnet moet dus in staat zijn om tweerichtingsverkeer goed te managen.

STELLAR is een geavanceerd energiebeheerplatform dat een snelle en gemakkelijke implementatie van hoogwaardige smart-grids mogelijk maakt. Het zorgt voor een optimale controle van zowel kleinschalige als grootschalige systemen, waarbij belangrijke diensten worden verleend aan alle belanghebbenden, van klanten achter de meter tot netbeheerders en nutsbedrijven. De integratie van slimme algoritmen en kunstmatige intelligentie binnen het platform verbetert de nauwkeurigheid aanzienlijk.

Spectral zette STELLAR in voor een grootschalige implementatie bij de toonaangevende Nederlandse leverancier van groene energie, Greenchoice, in het Hartel II windpark. Dit 24 MW windpark, gelegen aan het Hartelkanaal in Rotterdam, werd geïntegreerd met een 10 MW batterijsysteem en neemt deel aan de Frequency Containment Reserve (FCR) markt. Het gecombineerde systeem leverde ook portfolio-optimalisatiediensten voor Greenchoice. De eerste prioriteit van de STELLAR-implementatie was om ervoor te zorgen dat de gecombineerde werking van de windturbines en het batterijsysteem nooit de limieten van de 24 MVA-netaansluiting overschreed. Het systeem maakte lokaal piekvermogenbeheer mogelijk via windbeperking en actieve controle van het laad- en ontlaadgedrag van de batterij om de deelname aan de FCR-markt te optimaliseren en tegelijkertijd de winst te vergroten.

Vermogenssimulatie voor besparingsberekening

In gevallen waarin er sprake was van inperking (curtailment), moest STELLAR het potentiële vermogen van de windturbines simuleren om de resulterende besparingen nauwkeurig te berekenen. Na uitgebreide tests werd de vermogenscurve die in de eerste fase werd gebruikt, vervangen door een Long Short-Term Memory Recurrent Neural Network (LSTM – RNN) dat uitstekend presteerde, met een meetnauwkeurigheid van meer dan 97,1% voor alle turbines. De unieke eigenschap van het LSTM-netwerk om vroegere toestanden te ‘herinneren’, maakt dit model tot een succes: het verwerkt niet alleen afzonderlijke gegevenspunten, maar ook hele gegevensreeksen.

Prognose Imbalansprijs

STELLAR bevat een prijsprognose voor onbalans. Aangezien windbeperking plaatsvindt op momenten dat terugleverprijzen niet gunstig zijn (bijv. negatieve prijzen), hangt het minimaliseren van de verliezen bij de opwekking van windenergie af van hoe nauwkeurig STELLAR de prijsdaling kan voorspellen. Deze prijzen kunnen behoorlijk grillig zijn, omdat ze worden aangedreven door meerdere zeer volatiele tijdreeksen en hun correlaties, waardoor eenvoudige modellen er niet in slagen nauwkeurige voorspellingen te genereren. Na met verschillende technieken te hebben geëxperimenteerd, ontwikkelde Spectral een terugkerend neuraal netwerk met een op maat gemaakt aandachtsmechanisme (meestal gebruikt voor natuurlijke taalverwerking), om de rijtijdreeksen en hun correlaties in kaart te brengen, en gebruikte deze informatie om de uiteindelijke onbalansprijsprognose te genereren. Het afstemmen van het netwerk op het gegeven tijdreeksprobleem leverde uitstekende resultaten op, waardoor de inkomsten uit de gecombineerde batterij- en windactiva verder werden gemaximaliseerd door prijsoptimalisatie voor passieve balancering/onbalans.

Conclusie

Met kunstmatige intelligentie kunnen specifieke taken snel en effectief worden uitgevoerd, waarbij wordt vertrouwd op patroonherkenning en inferentie. Binnen de subset van AI die bekend staat als machine learning, wordt een breed scala aan statistische modellen en algoritmen gebruikt om dit resultaat te bereiken. Momenteel heeft AI invloed op een brede dwarsdoorsnede van industrieën over de hele wereld. Op de juiste manier toegepast, heeft AI een enorm potentieel om de wereldwijde energietransitie te versnellen.

Spectral realiseert al het potentieel van AI in verschillende toepassingen, ingezet als onderdeel van verschillende actieve implementaties. Onze productroadmap omvat de voortdurende integratie van op AI gebaseerde oplossingen en we verwachten dat AI een cruciaal onderdeel zal vormen van onze evoluerende softwareplatforms.

Bibliography

1. Iglesias F, Kastner W. Analysis of Similarity Measures in Times Series Clustering for the Discovery of Building Energy Patterns. Energies [Internet]. 2013;6(2):579-597. Available from: https://www.mdpi.com/1996-1073/6/2/579

2. Kain N. Understanding of Multilayer perceptron (MLP) [Internet]. Medium. 2018. Available from: https://medium.com/@AI_with_Kain/understanding-of-multilayer-perceptron-mlp-8f179c4a135f

3. Taylor S, Letham B. Forecasting at scale. PeerJ Preprints 5:e3190v2. 2017. Available from: https://peerj.com/preprints/3190/

 

Contact Form

Related News

Questions? Contact us!

Contact us