Grafikk-kort prosessorer (GPUer) har hatt en eksplosiv vekst i både bruksområder og ytelse det siste tiåret. Teknologiområder for dataspill, kryptovaluta og kunstig intelligens får alle sin regnekraft fra denne typen prosessorer. GoHydro-prosjektet vil legge til rette for bruk av denne regnekraften inn mot optimering av naturressurser, denne gang i formen av vannkraft. Vannkraft er selve ryggraden i det norske kraftsystemet, og samtidig en døråpner for integrasjon av ny fornybar kraft som sol og vind.
Energisystemet går gjennom en ny fase på grunn av klimaendringer, ny uforutsigbar produksjon og politisk usikkerhet. Antallet scenario som trengs for å fange opp den potensielle framtidsutviklingen er større enn noen gang tidligere. Dette krever at den neste generasjonen verktøy for vannkraftoptimering kan håndtere enorme mengder data. GPU-arkitekturen er perfekt for dette, og målet i GoHydro er å gi støtte til robuste beslutninger tatt med bedre innsikt i mulige framtidsforløp enn verktøyene som brukes i dag.
Det pågår store investeringer i produksjons- og pumpekapasitet i det norske vannkraftsystemet. Rammeverket som GoHydro bygges på designes med mål om å kunne ta hensyn til både langsiktige, strategiske energilager og kortsiktige lokale energilager på en optimal måte for kraftsystemet. Dette er nye egenskaper som krever alt som GPUer kan tilby av regnekraft.
In GoHydro we aim for a novel algorithm that can be used both for short and long-term planning horizons, and where the level of detail and the aspects that shall be considered can be chosen by the user. In this way the user only needs to be familiar with one model, and by adjusting the input data and the planning horizon, the user can tailor each run to her or his own needs. To facilitate such an algorithm and at the same time achieve high computational performance, GoHydro will utilize the immense computing power of modern graphics processing units (GPUs). We plan on building on a GPU-based proof-of-concept algorithm that the project consortium has prototyped within the last 2.5 years for modelling the water values over a long planning period. To achieve this, the following secondary objectives must be reached.
- Adding more details to the proof-of-concept to enable more rich models that are needed for short-term planning horizons and enable long-term planning with more details.
- Improve efficiency both by algorithmic and GPU programming techniques
- Include uncertainty in the model
- Provide feasible solutions. The current proof-of-concept provides a solution that is close to the optimal feasible solution but is in itself infeasible.
- Take discrete decisions into account. A hydropower generator has certain constraints that need to be fulfilled for it to be able to run. Hence a feasible short-term schedule needs to include the decisions which units to run, and which to not
- Provide theoretical foundation for the algorithm. Discuss the properties, conditions, and limitations of the resulting method.
- Dissemination