Podcast o tom, jak datoví inženýři pomocí algoritmů ovládají stroje
Podcast o tom, jak datoví inženýři pomocí algoritmů ovládají stroje
Tento podcast vznikl z fascinace tím, jak na základě algoritmů ovládáme fyzický svět. Jeho autor Jirka Vicherek si do studia pozval Honzu Šimberu, který v Nano Energies vede tým analytiků a datových inženýrů, aby se ho zeptal na to, jak predikujeme množství elektřiny v síti, nebo kdy zapnout stroje, které na základě našeho příkazu začnou třeba vyrábět ocel. Poslechněte si celou epizodu podcastu pro datové profesionály Data Talk, nebo si přečtěte přepis jeho částí. Dozvíte se, proč flexibilitu potřebujeme, jaký rozhodovací model v Nano využíváme a proč některé algoritmy nikdy nenahradí člověka.

Čím může datová věda pomoci energetice?
Lidstvo potřebuje přejít na bezemisní energetiku, což s sebou nese velkou potřebu chytrého řízení. My se v Nano Energies snažíme posunout energetiku do 21. století pomocí takzvané flexibility, což je schopnost vyrovnávat výkyvy trhu, které nastávají v souvislosti s odklonem od pálení fosilních zdrojů jako je uhlí, plyn a ropa, a přechodem k obnovitelným zdrojům, jejichž řízení je mnohem náročnější.
Jak to děláte?
Propojujeme průmyslové zdroje, které mají na straně výroby určitou energetickou flexibilitu, s trhem, který ji potřebuje. Na straně spotřeby to je například určitý proces, který potřebuje spotřebovávat elektřinu pouze osm hodin denně. Jsme schopni stanovit, kterých konkrétních osm hodin to bude, abychom zvýšili zisk nebo snížili náklady na elektřinu.
A komu tu flexibilitu prodáváte? Kde je potřeba?
Z jedné strany je to trh sám. To znamená, že prodáváme elektřinu na denním trhu. Ve chvíli, kdy je na trhu nedostatek elektřiny, můžeme zapnout něco navíc oproti tomu, co jsme měli dodat, abychom to srovnali. V případě, že vidíme přebytek, tak můžeme vypnout něco, co jsme původně plánovali mít v provozu.
Důležitými zákazníky jsou pro nás také národní operátoři sítě. V Česku je to ČEPS, Česká energetická přenosová soustava, která má toto vyrovnávání sítě jako jeden ze svých hlavních úkolů, aby udržela stabilitu. Protože v každém okamžiku musí být v energetické síti rovnováha výroby a spotřeby, ČEPS si pro tento účel nasmlouvá kapacitu takzvaných podpůrných služeb. To znamená, že některé zdroje jsou vypnuté a připravené se zapnout, když je potřeba. Za tuto kapacitu nám ČEPS zaplatí a v případě, že ji potřebuje, pošle nám signál, že chce určitý výkon. My mu tuto regulační energii dodáme a dostaneme za ni zaplaceno.
Dále můžeme poskytovat službu flexibility někomu, kdo má výrobu nebo spotřebu, kterou nedokáže řídit a pomocí flexibility mu srovnávat výkyvy. Typickým příkladem jsou velké fotovoltaické parky. Jejich výroba se dá do značné míry dají predikovat, ale protože počasí je tak komplexní systém, nejde to odhadnout úplně přesně.
Jaká data a technologie za flexibilitou stojí?
Technologicky to vlastně znamená, že potřebujeme řešit chytré rozhodování. Tedy vyhodnocovat provoz a možnosti nasmlouvaných zařízení. Dále sledovat stav trhu a snažit se najít takový model provozu, který bude optimální a zákazníkům i nám nejvíce vydělá.
Velká část naší přidané hodnoty je v tom, že máme vybudovanou komunikační infrastrukturu. Jedná se o řídící systém, který instalujeme u zákazníků a který je schopný po internetu přijímat příkazy. A zároveň umíme přijímat signály od operátora trhu ohledně potřebné kapacity.
K tomu navíc dodáváme rozhodovací složku. Predikujeme to, zda bude v daný moment na trhu nedostatek nebo přebytek elektřiny. Potom například stanovíme, zda zařízení u zákazníka na dvě hodiny vypneme. Samozřejmě nesmíme překročit operační meze. Pokud se jedná třeba o mrazák, musíme pochopitelně dbát na to, aby se nerozmrazil.
A když to spojíme dohromady, optimalizujeme to, abychom dosáhli co největšího zisku.

Takže vlastně na základě algoritmů ovládáte fyzický svět. Predikujete, kdy zapnout stroje, které na základě vašeho příkazu začnou třeba vyrábět ocel.
Ano, je to tak. Mně se navíc líbí i ten finanční dopad, kdy se za každým naším rozhodnutím točí peníze. Když například selže proces kotací na denním trhu, tak může firma rázem prodělat několik milionů za den. Nebo naopak, když nasadíme nějaký nový model, tak jsme schopni firmě milióny ušetřit. Lepší predikcí umíme například nabídnout vyšší výkupní cenu elektřiny z fotovoltaik. V tom má naše práce reálný finanční dopad.
Proč je flexibilita tak zásadní součástí budoucí energetiky?
V podstatě všechno, co lidstvo dělá, vyžaduje buď spotřebovávat nebo vyrábět energii. Celý ten systém je neuvěřitelně komplexní a nikdy ho nebudeme schopni úplně přesně předvídat. Proto potřebujeme určitou flexibilní kapacitu, abychom v reálném čase dovedli srovnávat potřeby.
Zatímco v minulosti se pro vyrovnávání využívaly především fosilní zdroje, které jsou velké a relativně jednoduše řiditelné, dnes potřebujeme dodat do sítě flexibilitu, protože tyto velké zdroje budeme odstavovat a začneme se více spoléhat na menší obnovitelné zdroje.
A naše know-how je v tom, jak tyto malé zdroje propojit a uspořádat do něčeho, čemu říkáme agregační blok. A právě tuto flexibilitu operátor trhu potřebuje pro vyrovnávání sítě.
My v zásadě pomáháme tomu, abychom byli schopni technicky uřídit to, že se výroba potká se spotřebou a v síti nedojde k blackoutu.
Jak si mám představit data, se kterými pracujete?
Z datařského pohledu je zajímavé, jak širokou škálu problémů řešíme – od predikcí až k optimalizaci, a to na různých časových úrovních. Jedná se jak o dlouhodobou optimalizaci u zákazníků v průběhu celého roku, tak i o instantní rozhodování v reálném čase.
U každého zdroje využíváme data na různých úrovních. Pokud máme nějaký typ zdroje, například kogenerační jednotky, tak k nim přistupujeme velmi podobně. Ale zároveň tam jsou určitá specifika, která musíme zohledňovat. Můj oblíbený příklad je třeba vytápění městského bazénu v Mladé Boleslavi, kde musíme zohledňovat nejenom teplo, ale i část elektřiny, která je potřeba pro provoz samotného bazénu. Můžeme tedy zpeněžit jen část kapacity.
Problém nastává, když některá data vůbec nemáme, protože měření z některých zařízení dostáváme třeba až měsíc zpětně. Například v září získáme data za srpen. V průběhu září se tak musíme domýšlet, co se se zařízením děje. Když nemáme přesné on-line měření, nastupuje poměrně komplikované modelování.
Často se skutečně to, co počítáme, přímo překládá do příkazů pro stroje. Když dostaneme v rámci podpůrných služeb aktivační signál z ČEPSu, musíme se během pěti minut dostat na požadovaný výkon. Naprogramovali jsme proto API, která musí do minuty odpovědět a zařízení na základě optimalizace spustit. Naším úkolem je poskládat flexibilní pásmo z portfolia desítek strojů, které řídíme, z nichž ale každý má trochu jiné provozní omezení.

Jsou pro vaši práci důležitější algoritmy a modely nebo lidský prvek?
Je třeba si ale uvědomit, že celý energetický systém je neskutečně komplexní. Navíc je v energetice velkým vstupem počasí, které ovlivňuje produkci větrných nebo fotovoltaických elektráren. Je to tedy systém, který na mikroúrovni nejde úplně přesně modelovat. Proto při naší práci kombinujeme strojovou predikci s lidským úsudkem.
Dalším příkladem, kdy se ukázalo, jak je pro nás lidský faktor nenahraditelný, je válka na Ukrajině. Když začala, mohli jsme velkou část našich modelů vyhodit – tyto mimořádné vlivy dokáže lidský vstup mnohem lépe vyhodnotit. Hlavně v situaci, kdy se i ostatní aktéři trhu nechovají úplně racionálně. Algoritmy mají svou strategii, kterou je potřeba ale stále monitorovat a ověřovat, že je stále relevantní a postihuje všechny důležité datové vstupy. Jinak by nám mohly během velmi krátké doby způsobit velkou ztrátu.
Proto se snažíme pečlivě vyhodnocovat, která část systému potřebuje lidskou korekci. Máme tedy systém, který je automatický, ale má zároveň interface pro člověka, aby bylo možné ho dobře monitorovat a v případě anomálie udělat korekci.