Eviny Termo

Om Eviny Termo

Eviny Termo driver flere fjernvarmeanlegg bestående av 500+ kundesentraler, 10+ små og store varmekraftverk (også kjent som varmesentraler) og flere rørledningsnett på tilsammen over 200 km rør. Anlegget er godt instrumentert med over 80 000 målinger og sensorer med 1hz oppløsning.

Kunden ønsker å bruke data for å optimalisere driften av anleggene sine. Mange av avgjørelsene som må tas daglig for kraftverksoperatører er betinget av mange dimensjoner som forventet kundeforbruk, vær, kraftverkets nåværende status, tid på døgnet/året og priser på alternative energikilder som bioolje og elektrisitet. Tilsammen danner dette et krevende bilde hvor feile valg koster mange penger.

Videre ønsker kunden å avregne korrekt basert på kundens forbruk. For å gjøre dette brukes energimålere i hver kundesentral. For å forenkle arbeidet hos ettermarked må man ta høyde for at kunden kan være uten nettforbindelse i perioder (fiberkabler klippes, sensorer feiler, rutere går ned etc.). I disse tilfellene skal manglende verdier automatisk beregnes.

Kunden driver også med “fordelingsmåling” hvor de selger en løsning hvor de avregner individuelle boenheter basert på målere i hver boenhet + hovedmålere i hvert borettslag. Denne tjenesten tilbys over hele landet og uavhengig om kunden bruker fjernvarme fra Eviny Termo. Per i dag er det ca 40 000 boenheter som avregnes på denne måten.

I alle disse oppgavene har Sonat levert løsninger.

Hva har blitt levert?

Prosjektet begynte i 2018 med å adressere del 1 (optimal drift av anlegg) med å bygge en innsamlingsløsning basert på Azure Databricks og dataplattform (ML-Ops rigg) for å videre bruke disse løsningene i et maskinlæringsprosjekt som skulle gi en prognose for kundeforbruk og forventet produsert effektbehov 48 timer frem i tid. Dette skulle gi kraftverksoperatører en indikasjon på om det var nødvendig å bruke naturgass eller elektrisitet i tillegg til avfallsvarme for å dekke kundebehovet. Denne avgjørelsen må tas flere timer før det faktiske behovet oppstår i fjernvarmenettet og krever derfor betydelig innsikt fra kraftverksoperatør.

Etter at vi hadde laget dataplattformen bygget vi prognosemodeller basert på Tensorflow og Keras. Modellen opplevdes som meget treffsikker og gitt en god værprognose var den innenfor 4% av faktiske forbruket.

Det er anslått at denne prognosemodellen ledet til en reduksjon av brukt fossilt brennstoff tilsvarende ca 250 000kg CO2.

I samme periode hadde Eviny Termo et prosjekt gående med å bytte ut sin leverandør for avregning av kundene. Prosjektet støtte på betydelige utfordringer knyttet til sikkerhet og kostnader. Siden Sonat allerede hadde samlet inn forbruksdata for alle kundesentralene så ble det besluttet at som en “midlertidig løsning” skulle Sonat lage en løsning for å beregne forbruk for kundene og sende dette videre til Eviny Termos faktureringsleverandør.

I denne forbindelse ble det laget et UX som ble implementert i en front end applikasjon for ettermarked hvor de kunne se forbruket, og definere nye kundesentraler/legge til metadata selv etterhvert som fjernvarmenettet vokste. Det ble også laget en del rapporter i applikasjonen som gir bruker indikasjoner på om kundesentral har sluttet å sende data/sender feile data etc.

Prosjektet var en suksess og per i dag har den “midlertidige løsningen” blitt videreutviklet en rekke ganger og er nå en fast del av Eviny Termos digitale portefølje.

Det neste store prosjektet som ble laget er en ekspertrådgiver som rådgir operatør om bruk av en dampturbin. Turbinen skal brukes når det er lite forbruk av anlegget, men den bruker lang tid å starte opp. Siden varmebehovet til kundene kan endre seg under oppstartsperioden så er det en vanskelig avgjørelse om skal velge å starte eller ikke. En analyse av faktisk bruk (også utført av Sonat) viste at det var mye å tjene på en mer optimal bruk av turbinen. Vi lagde en maskinlæringsmodell som gir en kontinuerlig anbefaling om turbinen bør startes eller ikke. Vi begynte med nevrale nett også her, men i senere iterasjoner av prosjektet har vi gått over til XGBoost som rammeverk. Systemet har også, etterhvert, fått automatisk retrening og produksjonssetting av modeller basert på nye data. Sonat har et driftsansvar for disse modellene. Rådgiveren er godt likt blant operatørene som bruker den som en guide for om turbinen skal startes.

Det tredje store området av applikasjoner hos Eviny Termo ble startet utviklet i 2021. Basert på suksessen til system for innsamling av kundedata ble det besluttet å lage en lignende, men større løsning for fordelingsmåling. Kundemasse for fordelingsmåling er mye større og det er langt flere problemstillinger i forhold til manglende data enn i fjernvarmenettet.

Det ble laget en automatisk innsamling, validering og interpoleringsløsning som vasker innkommende data og fyller inn hull. Samtidig er det laget en front end løsning med god UX som gir brukere hos fordelingsmåling mulighet til å se, rette og legge til verdier på målere.

I samme periode ble det også laget en løsning som tilbød superbrukere på Termo bedre innsikt i de innsamlede dataene basert på PowerBI. Denne løsningen benytter seg av infrastrukturen vi har laget i tidligere prosjekter og samler i tillegg inn andre. I denne løsningen ble det også laget en Infrastrucure-as-a-code løsning med Pulumi.

Vi har hatt et betydelig fokus på testledelse, automatiserte tester og ende-til-ende tester av våre programmer. Hver av applikasjonene har en rekke tester som kjøres automatisk ved innsjekk av ny kode og ingenting kan publiseres uten at alle testene går igjennom.

Hvilke teknologier ble brukt?

Datainnsamling og behandling blir gjort i Azure Databricks. Klyngemaskinen behandler hver dag innkommende data og bygger opp Deltatables som benyttes videre i datascience. Relevante data for fakturering blir trukket ut og lagret i SQL databaser.

I alle prosjektene er det python som er brukt som hovedspråk, med javascript som støtte i front end. Vi har vært innom C# i noen backend rutiner, men per i dag er det bare python og javascript som står igjen.

Innenfor python er det Flask (front end), pandas (data science/databehandling), OR-tools (Mixed integer programming) som er brukt. I javascript så støtter vi oss på DataTables for å vise data og endre data.

Hva ble resultatet/effekten av resultatet?

Prosjektene har ledet til at Eviny Termo ser på seg selv som “det teknologisk ledende" fjernvarmeselskapet i verden og selskapet har vunnet priser for sine teknologiske nyvinninger og satsinger.

Dataplattformen leverer data til flere tredjeparter og benyttes kontinuerlig i dataanalyse av anlegget.

Konkret har prosjektene hos ettermarked ledet til en enklere og mer oversiktlig hverdag hos ettermarked med mindre feilfaktureringer. Manglende data blir oppdaget fortere og det er mindre behov for manuelt arbeid for å beregne manglende verdier.

I varmeproduksjonen har det ledet til større bruk av dampturbin (mindre spillvarme/overskuddsvarme gir høyere inntekter) , og mindre bruk av naturgass/olje/elektrisitet for å spe på avfallsvarme (olje/el er vesentlig dyrere enn avfallsvarme og øker kostnadene). I tillegg kan det dokumenteres reduksjon i CO2 utslipp tilsvarende 250.000 tonn.

Fordelingsmåling har fått et verktøy de ikke kan leve uten og det har erstattet de eksisterende løsningene de hadde for disse oppgavene.