Uansett hvor avanserte optimeringsverktøy som finnes i dag, så må vannkraftprodusenter på forhånd manuelt bestemme hvilke innstillinger modellene skal benytte seg av. Selv om et bredt utvalg av metoder og heuristikker for løsning av planleggingsproblemet er tilgjengelige, så er det en begrensning i hvor mye data et menneske kan prosessere i oppsettet av modellene. Brukerne velger derfor ofte å bruke kjente innstillinger eller standardverdier, og disse parameterne settes til samme verdi for alle komponenter i vassdraget og alle tidssteg analyseperioden.
Innovasjonen i dette prosjektet er å erstatte det nåværende manuelle modelloppsettet med automatisk valg av innstillinger basert på driftssituasjon og markedsforutsetninger. Denne automatiseringen realiseres ved integrasjon av moderne maskinlæringsteknikker og gjennomgående forståelse av vannkraftsystem og optimeringsmodeller.
Prosjektet skaper en ny beslutningsprosess for vannkraftplanlegging. Optimeringsverktøy får utvidet sitt anvendelsesområde, fra dedikerte planleggingsverktøy til tilpasningsdyktige intelligente planleggingssystem. Metodikken som er utviklet i prosjektet kan anvendes i en bredere sammenheng utover vannkraftplanlegging, siden så godt som alle stor-skala beslutningsstøtteverktøy har de samme utfordringene med riktig valg av innstillinger i forkant.
Gjennom prosjektets periode har følgende blitt gjennomført:
- Alle industripartnere har pekt på reelle utfordringer innen vannkraftplanlegging og stilt med historiske driftsdata for produksjonssystem og marked.
- SINTEF har kommet fram til relevante kommandoinnstillinger som kan løse de utpekte utfordringene i tilsendte driftsdata. Datahistorikken inkluderer både tilsig, markedspris, magasintilstand og langsiktig vannverdi per magasin. I tillegg har de beste kommandoinnstillingene blitt beregnet for hvert tilfelle, hvor både objektivfunksjon, regnetid og fysisk korrekthet i løsningen vektes sammen.
- NTNU har gått gjennom datasettene og pre-prosessert dem for maskinlæring. Deler av historisk data har blitt aggregert for å redusere dimensjonaliteten på problemet. Forskjellige modeller for veiledet læring (supervised learning) som Random Forest Classifier, k-Nearest Neighbors, Multi-layer Perceptron, Support Vector Machines, Naive Bayes, AdaBoost Classifier, og Histogram based gradient boosting, er testet. Balansert evaluering av treffsikkerheten er blitt brukt for å finne beste maskinlæringsmodell for hvert datasett.
- SINTEF har kjørt driftsplanlegging med opprinnelige kommandoinnstillinger og sammenlignet med de foreslåtte innstillingene fra maskinlæringen. Maskinlæringen har vært i stand til å oppnå fra 25% til 100% av den potensielle gevinsten med optimale kommandoer i de ulike casene. For eksempel kan ufysisk disponering av magasin i stor grad unngås eller bli betydelig redusert.
- SINTEF har utviklet en interaktiv Jupyter notebook som alle industripartnerne bruke for effektiv testing av maskinlæringsmodeller og sammenligning av resultat på deres egne system. Denne notebook'en kan bære et solid fundament for videre utvikling av andre intelligente beslutningsprosesser.
Masteroppgave Piri Babayev:
An intelligent decision-making process for hydro scheduling.
