Applied Transfer Learning in the Energy Domain

Viktigheten av automatisering i det nye elektriske systemet øker ettersom forurensende og regulerbare energikilder som kull- og gasskraft blir erstattet av fornybare og uregulerbare energikilder som sol- og vindkraft. Det er ikke mulig å kontrollere når uregulerbare energikilder produserer strøm. Det krever at strømsystemet kan selvregulere strømforbruket basert på den tilgjengelige produksjonen. Maskinlæringsystemer lærer av tidligere erfaringer og kan endre oppførsel over tid. Automatisering som benytter maskinlæring, er mer fleksibel og mer effektiv enn ikke-lærende systemer. Moderne maskinlæringsmetoder, som dype nevrale nettverk, er mer treffsikker og har bedre ytelse enn tradisjonelle metoder. Med den økte ytelsen kommer også et behov for å lære av større mengder data. Mengdene data som kreves av moderne metoder er mye større enn det som tradisjonelt finnes i energidomenet. Til å begynne med utføres et literaturstudie. Første anvendelse er vindkraftprognoser.

Machine learning is becoming increasingly important for operating the electrical power system, and machine learning algorithms are highly dependent on historical data. Modern machine learning algorithms based on deep neural networks have superior results compared to traditional machine learning methods. They do require a significant amount of training data to achieve these results. However, the amount of available historical data for specific electrical systems is however often limited, particularly for newly built systems. This project aims to investigate the use of transfer learning for machine learning problems within the energy sector. Transfer learning is an approach to machine learning that aims to utilize data and learned knowledge from different, but not identical problems for solving a target problem. In this project, different transfer learning methods will be developed, implemented, and tested on energy systems managed by Aneo AS. A successful project will lead to the development of new methods deployed in production systems used by TrønderEnergi to improve the efficiency of the energy system. While the results will increase the competitiveness of TrønderEnergi, they will also be published in scientific and trade journals to have a broader impact.