BCAM – Energia kudeatzeko etengabeko ikaskuntzan oinarritzen diren probabilitateen aurreikuspenak
BCAM
Sektorea: Energia
Negozio-kasua
Energia-eskariaren aurreikuspen zehatzak lortzea zaila da kontsumo-ereduetako etengabeko aldaketen ondorioz (concept drift). Aurreikuspen zehatzek energia-ekoizpenaren plangintza optimizatu dute, baita banaketa ere, eta, ondorioz, ekoizpena efizientea izan da eta hornikuntza eteteko arriskuak minimizatu egin dira. Proiektu horrek machine learning motako algoritmoak garatzen ditu eta aurreikuspen zehatzak lortzen ditu, behin-behineko aldaketetara modu eraginkorrean egokituz. Probabilitate-aurreikuspenek aurreikuspenen ziurgabetasuna kuantifikatzen dute, eta, hortaz, ezinbesteko baldintza dira erabaki optimoak hartzeko.
Helburuak
Energia aurreikusteko metodoak garatzea, probabilitate-aurreikuspenek lortzen dituzten berme teorikoekin, eta etengabeko ikaskuntzan oinarrituta. Probabilitate-aurreikuspenek eskariaren ziurgabetasuna kuantifikatzen dute eta etengabeko ikaskuntzak concept driftera egokitzeko aukera ematen du. Garatutako metodoek etengabe ikasten ari diren (continual learning) ehunka eredu erabiltzen dituzte eta aurreikuspenak betetzen dituzte denboran zehar, daturik berrienak erabiliz.
Erabilera-kasua
Aurreikuspen-metodo malguak datuen denborazko granularitatean, aurreikuspenaren denbora-mugan eta kanpoko aldagaietan. Gainera, garatutako metodoak minimax classificationen oinarritzen dira, eta horiek energiaren prezioaren igoerak eta jaitsierak aurreikusteko aukera ematen dute. Garatutako teknikek aurreikuspenak lortzen dituzte, datu errealik berrienekin eguneratutako ereduak erabiliz, eta errendimenduaren berme teorikoak dituzte.
Azpiegitura
On Premise
Erabilitako teknologiak
Ikaskuntza Automatikoa edo Sakona
Erabilitako datuak
Denborarekin aldatzen diren hainbat tamaina eta kontsumo-patroi dituzten eremuei dagozkien denbora-serieen dataset publiko ugari. Dataseten barruan daude energia-kontsumoaren ordutegia eta kontsumoan eragiten duten kanpo-aldagaiak, besteak beste, tenperatura.
Erabilitako baliabideak
Energia aurreikusteko ereduak garatzeko baliabideak konbinatu behar dira, hainbat eremutako datu historikoak, software-tresnak eta programazioa barne, besteak beste Matlab edo Python. Halaber, machine learningean eta energia aurreikusteko metodo berrietan espezializatutako matematikarien ezagutzak behar dira.
Zailtasunak eta ikaskuntza
Energiaren aurreikuspen ereduekin lotutako zailtasunen barruan daude kalitatearen datu historiko publikoak, energia-kontsumoan eragiten duten kanpoko aldagaien kopurua, eskariaren ziurgabetasuna eta concept drifta. Energiaren aurreikuspen-ereduen garapenaren ikaskuntzak energiaren domeinua ulertzea, datuak kudeatzeko gaitasunak eskuratzea, kanpoko faktore esanguratsuak kontuan hartzea eta ziurgabetasuna hautematen duten eta concept drfitera egokitzen diren ereduak garatzea dakar.
KPIak (negozioan duen inpaktua eta ereduaren metrikak)
Energia-eskariaren aurreikuspen zehatzek baliabideen kudeaketa optimizatzeko, efizientzia operatiboa hobetzeko eta etekin ekonomikoak maximizatzeko aukera ematen dute. Lortutako aurreikuspenen zehaztasuna ebaluatzeko metrika hauek erabiltzen dira: errorearen batez besteko ehuneko absolutua (MAPE) eta errorearen batez besteko erro karratua (RMSE). Horrez gain, probabilitate-aurreikuspenen kalitatea ebaluatzen dugu hainbat metrika erabiliz, hala nola pinball loss. Hainbat kuantiletan aurreikuspenen eta balio errealen artean dauden desadostasunak igortzen ditu metrika horrek.
Finantzaketa
IA4TES proiektua, Ekonomia eta Eraldaketa Digitaleko Ministerioa. Next Generation EB. “Artificial intelligence for energy management” proiektua, IBERDROLA Fundazioa Chargers+ y Twin-net proiektua, ELKARTEK programa, Eusko Jaurlaritza
Kolaboratzaileak
IBERDROLA (fundazioa, I+G+b saila, finantza-saila) TECNALIA Research and Innovation
