Oppgaven fikk beste karakter, og nå ønsker NTNU-forsker at oppgaven går til fagfellevurdering. Jan-Bendik Kristiansen og Marius Hølen Bakken har jobbet sammen om oppgaven.

– I et summer internship i Nordkraft i fjor jobbet jeg blant annet med verdsettelse av kraftverk, og fikk øynene opp for hvor varierende verdien av kraftverkene er, basert på kraftprisen. Ulike kraftprisrapporter utgjorde svært store forskjeller i verdsettelsen. Det var det som startet prosessen med å lage denne type problemstilling, sier Jan-Bendik, som kommer fra Narvik.

[Marius Hølen Bakken] Sammen med medstudenten Marius kom de frem til hva de skulle forske på. De ønsket å se nærmere på hvordan maskinlæring kan brukes til kostnadseffektivisering i kraftkrevende industri, ved å øke nøyaktigheten på kraftprisprognoser. Studentene ønsket deretter å koble sammen prediksjonsteknikkene med optimeringsalgoritmer for å simulere produksjon av hydrogen. Målet var å la prediktive modeller bestemme når det vil være mest kostnadseffektivt å produsere hydrogen, gitt en rekke restriksjoner. Metodene ble også sammenlignet med konvensjonelle statistiske metoder. Tittelen ble derfor “Green Hydrogen Production Optimization with Artificial Intelligence in Northern Norway.”

– Da jeg bestemte meg for å skrive masteroppgaven med en nordlending, ble det fort avklart at vi også skulle skrive om Nord-Norge. Det å se på muligheten for hvordan man kan legge til rette for kraftkrevende industri, ved å først sammenligne tradisjonelle statistiske metoder med maskinlæring for mer nøyaktige kraftprisprognoser, før man deretter prøver å koble dette sammen med optimeringsalgoritmer var en spennende oppgave. 

Nord-Norge, et attraktivt område for kraftkrevende industri

Nord-Norge har vokst seg til et attraktivt område for selskaper som ønsker å satse på grønn industri, men som følge av høyere og mer volatile kraftpriser i NO4-regionen, har det vokst usikkerhet i forutsigbarhet og lønnsomhet i satsingen. Oppgaven tar i utgangspunktet for seg hvordan man kan prøve å imøtekomme noe av uforutsigbarheten, ved å kombinere maskinlæringsteknikker (AI) med optimering for beslutningsstøtte og teknisk-økonomisk planlegging.

Nordkraft-ansatte fulgte spent med på presentasjonen, og Jan-Bendik fikk mange gode spørsmål.

Input fra Nordkraft

Jan-Bendik presenterte i høst hovedfunnene i oppgaven for ansatte i Nordkraft. 

– Statistiske metoder har vært mye brukt på kraftprisprognoser tidligere, og er ofte noe mer intuitiv å tolke enn maskinlæringsmetoder. Maskinlæring har dog et stort potensial når det gjelder treffsikkerhet, spesielt siden man kan fordre ikke-lineære sammenhenger i kraftmarkedet. Utfordringen med maskinlæring, og spesielt dyplæring, er at resultatet ikke blir bedre enn dataene du putter inn, og metodene er i liten grad transparent. Garbage in – garbage out, forklarer han. Her kommer produksjonsplanlegger Tore Schjelderup inn i bildet. 


ProduksjonsplanleggerTore Schjelderup i Nordkraft synes det har vært interessant å bidra med data og kompetanse til studentene. Jan-Bendik til høyre.

– Oppgaven er i utgangspunktet ikke skrevet for Nordkraft, men vi har fått mye uvurderlig hjelp og "sparre-timer" med Tore. Dette dreier seg i helhet om tilgang på data. Det har vært informasjon om variabler vi har brukt som strømpriser, vær, vind, fyllingsgrad o.l, samt innsikt i bransjen og trading av strøm. Vi har hatt regelmessig kontakt med Tore gjennom hele prosessen, inkludert at jeg var på et besøk hos han i mars. Uten innspill fra eksperten hadde det vært vanskelig å faktisk revidere noe av det domenespesifikke i kodingen av algoritmene. Dette gjelder for øvrig maskinlæring generelt. Det kan være vanskelig å vite om du lager gode modeller uten domenespesifikk kunnskap, sier Jan-Bendik.

Lite utprøvd metode

Kombinasjonen av to nevrale nettverk i et enkoder-dekoder-system bidro til svært presise resultater. Arild Brandrud Næss, førsteamanuensis og forsker på kunstig intelligens ved NTNU Handelshøyskolen har lest oppgaven. 

– Oppgaven er av såpass nyskapende karakter at jeg vurderer det dit hen at Jan-Bendik og Marius bør ta deler av oppgaven gjennom fagfellevurdering for forskningspublisering, sier han. Og begrunner med at metodene som er brukt ikke er typisk for hva tidligere forskning har gjort på tidsrekkemodeller, spesielt ikke mot kraftmarkedet. 

– Her har de brukt en Seq2Seq-LSTM teknikk (altså koblet sammen to rekurrente nevrale nettverk) for å predikere fremtidige kraftpriser. Dette har, så vidt jeg vet, ikke vært gjort i tidligere litteratur innenfor dette forskningsfeltet. Metodene ga også utmerkede resultater, noe som jo øker sjansene for å faktisk få det publisert, avslutter han. 

Resultat

Ved å kombinere maskinlæringsteknikker med optimering av et produksjonscenario, ble det oppnådd besparelser på 9,44 %, tilsvarende i overkant av 3,3 millioner kroner. Dette ble sammenlignet med å ikke bruke modellassistert produksjonsplanlegging over en produksjonsperiode på åtte uker. Metoden viste også en besparelse på 2,7 millioner kroner sammenlignet med bruk av tradisjonelle statistiske metoder. Produksjonscenarioet tok utgangspunkt i en produksjon av hydrogen tilsvarende 100 MWh. 

– Det jeg er absolutt mest fornøyd med er hvordan vi kombinerte disse teknikkene med optimering av hydrogenproduksjon. Jeg synes optimerings- og produksjonsdelen av oppgaven viser godt hvordan våre modeller kan anvendes i praksis. Dette spesielt for å skape mer forutsigbarhet innen kraftkrevende industri opp mot det grønne skiftet. Selv om dette bare er én av mange muligheter med metodene og modellene. Vi retter en stor takk til Nordkraft for verdifull input om hvordan de arbeider med strømprisprediksjoner og krafttrading, samt diskusjon rundt variabler som har vært hensiktsmessig å bruke i utvikling av systemene, sier Marius.

– For oss er det viktig å sette av tid til å dele kunnskap med studenter når vi har anledning. Det gir oss også tilgang på mye fersk kompetanse, sier Tore. 

– Det har vært veldig kult å fordype seg i dette, da det er relevant for hjemplassen min, og faglig veldig interessant. Det er mye som skjer i Nord-Norge nå, og betydningen av grønn industri kan være helt essensiell for landsdelen. Med denne oppgaven har vi kanskje bidratt litt, avslutter Jan-Bendik.

Satser på studenter

Nordkraft har tradisjon for å bidra til studentoppgaver, enten som oppdragsgiver eller som i dette tilfellet, med kompetanse og data. I tillegg til det har selskapet siden 2019 hvert år hatt fire-fem studenter ansatt i internships i 20 % stilling ett studieår. Neste år starter sommerprosjektet Camp Nordkraft opp, samt en ny traineeordning med fast ansettelse. Les mer på nordkraft.no/student