Zastosowanie ML w optymalizacji wykorzystania energii elektrycznej

Klientem jest brytyjska firma dostarczająca rozwiązania optymalizujące zużycie i wytwarzanie energii. Dzięki najlepszym na rynku systemom EMS, opłacalnym systemom solarnym i BESS oraz możliwości projektowania i realizacji niestandardowych projektów odnawialnych, Klient dąży do zerowej emisji CO2, gdzie każda firma i społeczność może generować i wykorzystywać własną energię odnawialną. 

Klient posiada system, który w inteligentny sposób decyduje, o sposobie wykorzystania energii elektrycznej w danym obiekcie. W rezultacie, jeśli klient końcowy posiada instalację fotowoltaiczną, czy instalację akumulatorów, może kupować energię z sieci, przełączać się na odnawialne źródła energii, magazynować lub sprzedawać wytworzoną energię. 

Klient potrzebował wsparcia w stworzeniu modeli predykcyjnych (ML), które w kolejnym kroku umożliwiłyby optymalizację zużycia energii w celu zminimalizowania kosztów lub emisji CO2, w zależności od wybranego celu, dzięki podejmowaniu optymalnych decyzji co do energii produkowanej oraz pobieranej z sieci energetycznej: czy zużyć, kupić, sprzedać lub zmagazynować. 

Na nasze podejście składały się trzy główne etapy: 

1. Analiza danych historycznych  

Na tym etapie wykorzystaliśmy dane pochodzących z instalacji klientów końcowych do zaprojektowania algorytmów prognozujących. 

2. Zaproponowanie rozwiązania do budowy modeli predykcyjnych  

Podczas projektu rozważaliśmy modele klasyczne, ale także modele ML, w prostych i skomplikowanych wariantach. Analizowaliśmy zależności zużycia i generacji energii od czasu.  

Rozwiązanie składa się z następujących komponentów: 

• Moduł prognozy zużycia energii elektrycznej 

• Moduł prognozy produkcji energii elektrycznej 
• Moduł optymalizacyjny podejmujący decyzję o wykorzystaniu energii z określonych źródeł (sieć energetyczna / fotowoltaika), jej zużyciu, zmagazynowaniu, kupnie lub sprzedaży w zależności od zapotrzebowania i cen prądu 

Do każdej z tych prognoz opracowaliśmy odpowiednie metody matematyczne, dopasowane do określonej sytuacji, zależnie między innymi od wielkości danych. W rezultacie wybraliśmy modele o optymalnym kompromisie między złożonością a dokładnością. Moduł optymalizacyjny jest dopasowany do przypadków użycia systemu przez klientów  

3. Zbudowanie oprogramowania i przetestowanie modeli predykcyjnych

Zaprojektowaliśmy i zbudowaliśmy rozwiązanie potrafiące zbudować modele predykcyjne dopasowane nawet do każdego klienta instytucjonalnego osobno. Na podstawie prognoz dostarczanych przez modele optymalizator proponuje optymalną strategię postępowania.  Rozwiązanie zostało starannie zwalidowane. 

We completed the project on time and on budget, and the accuracy of the solution’s performance was in line with the client’s expectations. Thanks to close communication with the client, we quickly understood their business priorities, which facilitated project management. It positively impacted the speed of delivery and achievement of the client’s goals.