Tilbake til søkeresultatene

ENERGIX-Stort program energi

New Machine Learning Algorithms for the Calculation of Water Values

Alternativ tittel: Nye maskinlæringsalgoritmer for beregning av vannverdier

Tildelt: kr 4,2 mill.

Prosjektnummer:

321582

Søknadstype:

Prosjektperiode:

2021 - 2023

Midlene er mottatt fra:

Geografi:

I alle kraftmarkeder er den beste - eller optimale - bruken av tilgjengelige produksjonsressurser viktig for å oppnå de beste resultatene for bodde markedsaktørene og for samfunnet som helhet. I markeder med store mengder vannkraft, som i det nordiske markedet, er en slik optimalisering spesielt utfordrende, ettersom vann kan lagres fra en periode til den neste. Vann som brukes i dag kan ikke brukes i morgen; derimot å unngå å produsere i dag muliggjør produksjon i morgen. For å finne ut hva som er optimal bruk av produksjonsressurser i dag, må vi dermed ta hensyn til den sannsynlig beste bruken av produksjonsressurser de neste dagene, månedene og årene. I løpet av mange tiår har industrien utviklet begrepet "vannverdier" som grunnlag for å gjennomføre denne optimaliseringen. Et vannverdi er definert som den sannsynlige fordelen (f.eks. markedsinntekter, lavere kostnader) ved å holde vannet i lagring i et magazine, og lagre det for å generere strøm på et tidspunkt i fremtiden. Enkelt sagt, hvis vannverdien er høyere enn fordelen ved å bruke vannet, er det optimalt å lagre det, og hvis det ikke er, bør vannet brukes nå. Alle aktører - produsenter, nettoperatører, regulatorer, bruker og beregner vannverdier for å ta bud-, drifts- og investeringsbeslutninger. Økningen i fornybare produksjonskapasitet og den resulterende markedskompleksiteten betyr imidlertid at eksisterende metoder slite med både nøyaktighet og tid det tar å beregne. Det er et udekket behov i kraftindustrien for forbedrede og raskere metoder for å beregne vannverdier. Prosjektet vårt skal undersøke og utvikle innovative maskinlæringsmodeller (ML) for å utføre disse beregningene. Vår tilnærming vil bygge på nyere utvikling innen reinforcement og adversarial læring, til å utvikle et system som "lærer" hvordan man kan verdsette (operere) vannkraft optimalt, og som bruker beregningsfordelene ved maskinlæring for å gjøre det med økte detaljnivåer, hastighet og nøyaktighet .

In power markets featuring hydro generation such as the Nordic market, the optimal use of the available hydro power resource is essential to a well-functioning power system, in order to achieve desired environmental goals and to maximise the socio-economic benefit of the power system. Over many decades the industry has developed the concept of “water values” as the basis for conducting this optimisation. A reservoir’s water value is defined as the marginal expected benefit (e.g. market income, lower costs) of keeping the water in storage and saving it to generate electricity or provide power system services at some point in the future. Put simply, if the water value is higher than the benefit of using the water now it is optimal to keep it in storage, and if it is not the water should be used now. All actors - producers, grid operators, regulators, use and calculate water values to make bidding, operational and investment decisions. The methods used today to calculate these suffer from known computational limitations that reduce their accuracy and increase time-to-solve. The increase in renewable generation and market complexity (e.g. via new reserve markets) additionally challenge existing methods. There is an unmet need in the power industry for better methods to calculate water values that better capture realistic market, geographical and time detail, a full range of uncertainties and their impact, and can calculate these quickly. Our proposed project will research and develop innovative machine learning (ML) models to calculate water values for use in both operative applications and market simulation models. Our approach will build on recent developments in reinforcement and adversarial learning, to develop a system that “learns” how to optimally value (operate) storage hydro, and that uses the computational advantages of machine learning to do so at an increased level of detail and accuracy.

Aktivitet:

ENERGIX-Stort program energi