
Eviny Termo
Fornybarselskapet Eviny er et av Norges største energi- og teknologikonsern. De jobber med fremtidens løsninger for produksjon og distribusjon av grønn og klimavennlig energi, og for at det skal bli mulig å ta den rene, fornybare kraften i bruk overalt.
Hva er kundens utfordring som skal løses?
Eviny Termo er et fjernvarmeselskap som brenner avfall og biodiesel som gir energi i form av varme. Varmen kan brukes til å sende varmt vann til kontorer og husstander i Bergensområdet eller til å drive en dampturbin for å generere elektrisitet.
I denne prosessen er det en rekke vanskelige avgjørelser. Hvor mye avfall og hvor mye biodiesel skal man bruke, skal man i stedet spe på med el-kjeler når det ikke er nok avfall? Når skal man starte dampturbinen, når må den stå for at varmen skal brukes i byen?
Her har Sonat laget flere ekspertsystemer som hjelper kraftverkoperatører med å fatte riktig beslutning, bl.a. “Turbinrådgiveren” som gir operatøren råd om når dampturbinen bør startes og stoppes, “Spisslastvelgeren” som beregner optimal mix av driftstoff til kjelene og andre.
Etter at kunden har forbrukt varmen må det samles inn målerdata slik at kundens forbruk kan avregnes korrekt og faktura sendes ut. Her har Sonat laget flere systemer for innsamling og datavask av målerdata.
Hvilken tilnærming ble valgt?
Stordata innsamling av data ble opprettet hvor all tilgjengelig data blir samlet inn og lagret i datasjø. Per nå samles det inn ca 90 000 målepunkter med 1hz oppløsning.
Ekspertsystemene baserer seg på bruk av innsamlede data ved hjelp av maskinlæring. En rekke maskinlæringsmodeller er laget for å predikere forbruk på kort og lang sikt. Disse modellene anvendes så for å beregne optimal bruk av anlegget.
De innsamlede dataene kan også brukes til å beregne forbruk av varme og er dermed også brukt i faktureringsløpet.
Hvorfor ble denne tilnærmingen valgt?
Anlegget til Eviny Termo er svært godt instrumentert og vi har tilgang på store mengder data om anleggets oppførsel.
Hvilke verktøy blir brukt?
Vi har anvendt diverse maskinlæringsmodeller opp gjennom årene, men for tiden er det XGBoost som benyttes. Programmeringsspråket er Python og løsningen hostes i Azure.
Hvem er involvert i prosessen?
En av prosjektets viktigste suksessfaktorer har vært at produksjonsjef i Eviny Termo har vært svært ivrig og involvert i prosjektet. At vi hele tiden har hatt tilgang på domeneekspertise har vært nøkkelen til at vi har kunnet få raske avklaringer og forklaringer om anleggets oppførsel.
Hva ble resultatet?
Ekspertsystemene er godt mottatt og har gjort livet til operatørene enklere.
Fakturering er mye enklere og mer robust enn tidligere, vi fanger opp og forkaster feilmålinger helautomatisk og beregner manglende data uten at teknikere er involvert.
Hva er effekten av resultatet?
Turbinen kjøres mye oftere enn tidligere og generer mer inntekter enn før. Fuelmiksen er bedre og mer miljøvennlig.
Fakturering er mer robust og enklere enn før.