Машинното обучение печели повече пари за оператори от възобновяеми източници, флот и микрорешетки
Машинното обучение печели повече пари за оператори от възобновяеми източници, флот и микрорешетки

Видео: Машинното обучение печели повече пари за оператори от възобновяеми източници, флот и микрорешетки

Видео: ZEITGEIST: MOVING FORWARD | OFFICIAL RELEASE | 2011 2022, Декември
Anonim

Пазарите на електроенергия стават все по-усъвършенствани. Спомагателните пазари се появяват в множество юрисдикции, континенталната търговия с електроенергия е норма на много места, а наследените активи се стремят да оптимизират своите подходи за глупави мрежи, за да работят по-добре със съвременните интелигентни мрежи. В тази еволюираща и сложна комбинация идва потенциалът на подходите за машинно обучение за увеличаване на фискалните ползи от генерирането и търсенето на активи, като три фирми предприемат различни действия. ENGIE, AMS и GridBeyond имат различен подход към възможността, но всички се опират на машинно обучение, за да постигнат целите си.

Графика с интелигентна мрежа
Графика с интелигентна мрежа

Снимката е предоставена от Националната лаборатория за енергийни технологии на САЩ

ENGIE е френска мултинационална енергийна компания, която има исторически корени от компанията в Суецкия канал в средата на 19 век. Но той има много модерна позиция към иновациите, с непрекъсната програма от открити конкурси за ключови постижения, които компанията смята за необходими в основните си бизнес области. Притежава много енергийни активи и постоянно търси начини да максимизира печалбата си чрез по-големи приходи или намалени разходи. Една инициатива, която тя финансира, е да използва най-съвременните техники за машинно обучение, за да осигури конкурентно предимство за своите търговци, като прогнозира бъдещото развитие на пазарните цени на германския пазар на вътрешнодневна енергия. Постигането на предимство изисква интегриране на данни за времето, пазара, регулациите, задръстванията в мрежата, експлоатацията на производствените съоръжения и данните за цените на горивата, непрекъснато променящ се и предизвикателен набор за интернализиране.

„Вместо да изграждаме един модел за анализ на пазара, ние изграждаме хиляди такива модели едновременно и динамично възлагаме на всеки от тях специфично влияние в прогнозата, в зависимост от способността му да извлича знания от текущите наблюдаеми пазарни условия.“

Както мислят, Бързо и бавно посочват, проучванията показват, че неинституционалните търговци взимат ужасни решения. Все повече и повече усъвършенствани компютърни технологии и модели се изискват, за да бъдат по-точни, през повечето време и да бъдат по-малко слепи за ключови събития, които могат да бъдат скрити в данните. Тази смес е добра цел за способността да се разпознава както сигнала от големи обеми шум, така и тренировъчността спрямо исторически резултати и немигащото око на невронните мрежи. И за разлика от Skynet, това е от полза за нас, тъй като ефективните и печеливши пазари на електроенергия са ключови за ускоряване на растежа на възобновяемите енергийни източници.

Advanced Microgrid Systems (AMS) от Калифорния прави тази крачка напред. Създадена през 2013 г., тя има няколко решения, с основен фокус върху управлението на съхранението на батериите за най-ефективно участие както в програмите за управление на търсенето, така и в арбитражното захранване. Той разполага с 360 MWh съхранение на батерии под управление, по-голямата част от всички доставчици на системи за управление на батерии според претенциите му и това е пазар за растеж. Но той също така управлява активи за генериране, както и активи за съхранение, интегрирайки и двете на пазара. Компанията твърди 90% увеличение на приходите от съхранение на батерии и до 10% увеличение на приходите за генериращи активи. Основен акцент е върху виртуализираните електроцентрали - нововъзникваща тенденция в множество юрисдикции по света.

AMS използва машинно обучение в своето пространство за прогнозиране на пазара, виждайки модели в огромните количества данни там. За вземане на решения се използват други аналитични и алгоритмични техники, но прозренията идват от поддържаните от него невронни мрежи. Основната им цел е да ускорят прехода към възобновяема електрическа мрежа, а нейната част са разпределени активи за производство и съхранение на възобновяеми източници.

В Австралия те създават пазарни оферти на всеки пет минути в Националния енергиен пазар. В Калифорния те се занимават със сложността на пазарите на едро за съхранение на ISO в щатите. Тъй като все повече и повече възобновяеми активи се появяват при внедряването на търговски и микромрежи и технологията за съхранение влива разпределителната мрежа, предложението за стойност на AMS ще се увеличи.

Връщайки се обратно през Атлантическия океан, откриваме GridBeyond, организация, базирана в Обединеното кралство. Неговият фокус е върху интелигентното управление и съхранение от страна на търсенето. Той работи с компании в Обединеното кралство, за да идентифицира активи с високо потребление, като хладилна техника, които могат да се управляват дистанционно, за да осигурят намаляване на търсенето, когато ценовите сигнали са правилни. Той ги свързва с мрежата си от агрегирано намаляване на търсенето и активи за съхранение, за да осигури единна интеграция към комуналните услуги в Обединеното кралство.

„CentrePoint е облачната платформа, която стои в основата на нашата технология. Това е истинският мозък на операцията. CentrePoint събира данни от редица източници, включително активи на сайта, и използва алгоритми за машинно обучение за автоматично поставяне на гъвкавост в програмата, която може да генерира най-добра възвращаемост."

Петата стъпка в неговия петстепенен процес включва клиентите, които харчат по-малко за енергия, но също така получават директни плащания от участието си в управлението на търсенето. Екипът има опит в около 50 индустриални подсектора, включително търговско управление на електроенергия.

Нещо, което ми се струва интересно, е, че скорошният главен справочник от експерти по машинно обучение от Северна Америка и Европа „Справяне с изменението на климата с машинно обучение“не разглежда тази опция за директно оптимизиране на приходите. В статията се говори за проектиране на нови пазари и оптимизиране на въглеродните пазари, но не се говори за активи за съхранение и генериране на възобновяеми източници, максимизиращи печалбите със съществуващите пазари. Това изглежда е пропуск от страна на екипа.

Инициативи за машинно обучение се появяват на множество пазари, където има по-малко ирационални сили, отколкото се наблюдават на фондовия пазар. Стоковите и енергийните пазари имат ясни двигатели на цената, а нововъзникващите спомагателни пазари като управлението на търсенето предлагат нови и често сложни начини за постигане на печелившо предимство. Огромните количества данни, които трябва да бъдат оценени на пазари за ден напред и краткосрочни, за да се правят ефективни оферти, е извън повечето хора и в много случаи е много трудно да се работи с тях чрез традиционните изчислителни модели. Очаквайте много повече в това пространство.

Популярни по теми