I løpet av de siste tiårene har en rekke optimaliseringsmodeller blitt utviklet for å best mulig utnytte de begrensede ressursene i kraftsystemet. Med den raske utviklingen av maskinlæringsmetoder (ML) har integrering av ML med disse optimaliseringsmodellene dukket opp som en lovende trend. I motsetning til tradisjonelle optimaliseringsmetoder, som gjentatte ganger løser lignende problemer uten å lære av tidligere løsninger, utnytter ML historiske data og tidligere beslutninger for å forbedre optimaliseringsytelsen betydelig.
Dette prosjektet har som mål å utvikle kunnskap som muliggjør dyp integrasjon mellom ML-tilnærminger og det kortsiktige vannkraftproblemet for av-/på-beslutninger i et deregulert kraftsystem. Av-/på-problemet er grunnlaget for produksjonsplanlegging. Målet er å optimalisere driften av generatorer, primært vannkraftturbiner, over en begrenset planleggingshorisont under ulike drifts- og markedsforhold. Nye fornybare energikilder som sol- og vindkraft vil også bli vurdert når det er nødvendig.
Den ML-baserte optimaliseringsmodellen utviklet i dette prosjektet kan forbedre beregningseffektiviteten betydelig ved å generere daglige produksjonsplaner for norske vannkraftprodusenter, og gjøre dem mer effektive og tilpasningsdyktige til markedsforhold. Vellykket implementering av ML i optimaliseringsproblemet vil møte aktuelle utfordringer industripartnere står overfor, som å redusere tidsoppløsningen fra én time til 15 minutter, utvide modellens bruksområde fra et operativt verktøy til et investeringsanalyseverktøy over lengre tidshorisonter (uker til år), som effektivt tar hensyn til usikkerhet i tilsig og priser, og gir budstrategier for å delta i flere markeder.
Dette prosjektet synliggjør synergien mellom akademia og industri, både nasjonalt og internasjonalt. Omfattende casestudier utført under ulike markedsstrukturer vil føre til mer robuste løsninger og større spredning av kunnskap og erfaring.
During the past half-century, numerous optimization models have been developed to optimize the utilization of the limited resources in the power system. With the booming development in machine learning (ML) technologies, deep integration between ML approaches and optimization models has become the most promising technical trend. The conventional optimization methods repeatedly solve similar problems without accumulating any experience. In contrast, ML efficiently gains experience from historical data and previous decisions. Numerical studies have shown that ML can significantly boost optimization performance.
The renewable energy optimization addressed in this project is the unit commitment (UC) problem, constituting the foundation for production scheduling. It aims to optimize the operation of generators over a finite planning horizon under operational and market conditions. The generators are mostly hydro-turbine generators. New renewable energy, such as solar or wind power, will also be considered when necessary.
The ambitious project aims to realize an ML-based optimization model that enhances the computational efficiency of generating daily production schedules for Norwegian hydropower producers, accurately represents their physical watercourse, and supports their bidding strategies in energy and capacity markets. The successful implementation of this project will address current challenges faced by industrial partners, such as reducing the time resolution from one hour to 15 minutes, extending the model’s application from an operational tool to an investment analysis tool over a longer time horizon (weeks to months or even years), and effectively incorporating uncertainties in inflow and prices.
This project represents a domestic and international complementarity of both academia and industry. Comprehensive case studies conducted under different market structures will lead to more robust solutions and broader dissemination of knowledge and experience.