Hvordan Hafslund Kraft forbedret tilsigsprognosering med en Azure-plattform for maskinlæring

Hafslund Kraft, en ledende norsk vannkraftprodusent, driver kraftstasjoner i vassdrag med nedbørfelt som til sammen dekker omtrent 16 % av Norges landareal. Hafslund Kraft har observert at de siste 30 årene har en våtere og mildere trend i vassdragene sammenlignet med de foregående 30 årene, med en markant økning de siste 10 årene.

Fysisk baserte hydrologiske modeller har vært brukt for tilsigsprognosering til Norges vannkraftanlegg siden 1970-tallet. Hafslund Kraft hadde tidligere utviklet en hybridmodell i samarbeid med et annet programvareselskap, der maskinlæring ble kombinert med de fysisk baserte modeller. Selskapets store mengder data, sammen med økt regnekraft, gjorde at de ønsket å teste maskinlæringsalgoritmer for tilsigsprognosering. Til å begynne med ble kun én hybridmodell for ett nedbørfelt implementert. Gjennom eksperimentering og benchmarking oppdaget Hafslund Kraft at denne hybridmodellen ga mer presise prognoser enn de rent fysisk baserte modellene alene.

For å utskalere denne metodikken inngikk Hafslund Kraft et samarbeid med Crayon og satte sammen et sterkt team bestående av interne ressurser og konsulenter fra Crayon. Målet var å bygge en plattform i Azure for implementering av maskinlæringsmodeller for flere nedbørfelt. Plattformen som ble utviklet gjorde det mulig for hydrologene i Hafslund å enkelt justere modellene, automatisk re-trene dem og overvåke resultatene. Dette ga mer presise tilsigsprognoser, som igjen kan forbedre planlegging av vannkraftproduksjonen.

Utviklingen av plattformen ble ledet av Crayons Data Scientister, Natalie Caruana og Vala Maria Valsdottir. Hafslund Kraft spilte en avgjørende rolle i prosessen med forberedelsene av dataunderlaget og bidro med nøkkelkompetanse gjennom prosjektleder Anne Gunn Kraabøl og domeneekspert Martin Heltberg, samt flere andre fagressurser innen hydrologi fra Hafslund Kraft.

"Samarbeidet mellom Hafslund Kraft og Crayon handlet om mer enn teknologi. Hafslund Krafts domenekompetanse og Crayons ekspertise innen maskinlæring dannet et sterkt team som jobbet effektivt sammen for å løse utfordringer og sikre en vellykket overlevering," sier Vala Maria Valsdottir. "Dette var en historie om mennesker som går sammen om å løse komplekse problemer, og det er det menneskelige aspektet som gjorde samarbeidet spesielt."

"Ved å jobbe tett med Hafslund Kraft og opprettholde god kommunikasjon, klarte vi å kombinere dyp KI- og domenekunnskap for å skape en skalerbar plattform," legger Natalie Caruana til.

En robust maskinlæringsplattform for tilsigsprognosering

Hafslund Kraft innså behovet for å bygge en plattform for å idriftsette hybride modeller for tilsigsprognosering. De hybride modellene ble utviklet for, om mulig, mer presist kunne gjenspeile den mildere og våtere værtrenden Hafslund Kraft har observert i sine vassdrag. For eksempel har økt nedbør om sommeren skapt et større kjørepress på vannkraftanleggene.

"De fysisk baserte modellene som er i bruk, ble utviklet på 1970-tallet. Modellen har gjennomgått flere iterasjoner for å bli bransjestandarden den er i dag," sier Martin Heltberg, hydrolog i Hafslund Kraft. "Disse modellene er kalibrert med all historisk data Hafslund Kraft har samlet siden 1980-tallet. Men på grunn av et varmere og våtere klima, er ikke værhistorikken lenger like representative for det vi opplever ute i feltet, derfor måtte vi forbedre modellene. Det var her maskinlæring kom inn i bildet, og hvor vi trengte Crayons ekspertise for å bygge en robust maskinlærings-plattform for tilsigsprognosering."

"Vi må prognosere tilsig til alle magasiner og vannkraftverk som Hafslund Kraft drifter," legger Heltberg til. "Dette er en avgjørende faktor, siden det hjelper Hafslund Kraft med å optimalisere produksjonsplanleggingen. En bom på tilsigsprognosene kan resultere i at det ikke er nok vann til å effektuere den planlagte produksjonen i kraftverkene– eller i verste fall at vann renner over demningene."

En læringsprosess

Hafslund Kraft inngikk et samarbeid med Crayon for å utvikle en plattform i Azure som muliggjorde utrulling av flere hybride modeller for å prognosere tilsiget til flere magasin- og elvekraftverk. Den første utrullingen omfattet tre kraftverk, med mulighet for å utvide løsningen til Hafslund Krafts 80 vannkraftverk.

For Hafslund Kraft var prosjektet en verdifull mulighet til å styrke selskapets forståelse av prognosemodeller, samt potensialet til maskinlæring for forbedring av tilsigsprognosering. "Prosjektet fulgte en iterativ utviklingsprosess: Etter hvert som mer data ble lagt til plattformen, kunne modellene trenes på nytt for å forbedre prognosenes nøyaktighet," forklarer Anne Gunn Kraabøl, Leder Ressursgrunnlag i Hafslund Kraft.

Fra Crayons perspektiv var den menneskelige og prosessorienterte tilnærmingen like viktig. Crayons metodikk legger vekt på at mennesker og prosesser er nøkkelen til å lykkes med implementering av kunstig intelligens og skape gode resultater med teknologien. Når man jobber med en kompleks og dynamisk utfordring som tilsigsprognoser, er kontinuerlig læring avgjørende.

Praktisk implementering

Hafslund Kraft har nå tolv maskinlæringsmodeller i produksjon der hver av dem er tilknyttet et nedbørfelt. Målestasjoner i nedbørfeltene samler inn en rekke data om status i vassdragene. Nåverdier av bl.a. temperatur, nedbør, uregulert vannføring og snømengde lagres i Hafslund Krafts sentrale database. Dette er viktig input i maskinlæringsalgoritmene for tilsigsprognosering.

"Med hjelp fra Crayon har vi bygget en maskinlæringsplattform i Azure, som integreres med våre øvrige systemer," sier Heltberg. "Vi mater den kontinuerlig med nye data, og den gir oss nye prognoser tilbake som lagres i databasen vår. Dette ender opp i modellen som brukes for å optimalisere produksjonsplanleggingen."

Økt tillit til maskinlæring for tilsigsprognosering

Etter at Hafslund Kraft implementerte den nye plattformen, viste resultatene raskt at investeringen ga verdi.

"Vi var forsiktige i starten," forklarer Kraabøl. "Vi visste ikke om utskaleringen av maskinlæringsmodellene ville gi gode tilsigsprognoser for de nye nedbørfeltene. Dette var også avhengig av kvaliteten på de eksisterende dataene våre, som tilsig, temperatur og nedbør. Det var svært givende å se hvordan teknologien kunne dra nytte av vår omfattende historikk av data for å forbedre tilsigsprognosene."

Heltberg utdyper utfordringen med å forutsi flomhendelser:

"De vanskeligste prognosene er for store flommer – å identifisere nøyaktig når flomtoppene vil inntreffe. Ved å kombinere maskinlæring med våre eksisterende fysisk baserte hydrologiske modeller, håper vi å kunne forutsi disse mer presist enn før. Basert på vår egen benchmarking så langt, ser vi at de hybride modellene er bedre på å forutsi flommer. Samtidig ser vi at de ikke presterer like godt om vinteren når vannføringen er lav."

For Hafslund Kraft representerte dette prosjektet et «hydrologisk» steg fremover. Selskapet klarte å kombinere sine omfattende mengder av hydrologiske- og meteorologiske data og fagkunnskap med Crayons bidrag: den tekniske infrastrukturen og arkitekturen i Azure, samt kodekompetansen for å bygge maskinlæringspipelines.

"Dette maskinlæringsprosjektet tok oss mye lenger enn vi har vært tidligere," sier Heltberg.

"Og for oss i Crayon har samarbeidet med Hafslund Kraft gitt oss verdifull innsikt i de unike utfordringene vannkraftselskaper står overfor," legger Valsdottir til. "Denne erfaringen har vært svært lærerik, og vi ser frem til å bruke denne kunnskapen til å styrke partnerskapet vårt i fremtidige prosjekter."

Løsningen ga Hafslund Kraft bedre innsikt i når de bør endre produksjonsplanene for kraftverkene. Samtidig har den økt påliteligheten til tilsigsprognosene, noe som er spesielt kritisk i flomsituasjoner – særlig før forventet kraftig nedbør i sommermånedene.

Neste steg

Den skalerbare plattformen Crayon utviklet i Azure gir en fordel for Hafslund Kraft. Den kan enkelt tas i bruk for andre områder i selskapet, som for eksempel produksjonsplanlegging av vindkraft.

Hvorfor Crayon

Hafslund Kraft så behovet for en teknologipartner som kunne bidra med å bygge og forvalte en maskinlæringsplattform i Azure. Crayon stilte med et samarbeidsorientert team som kombinerte teknologisk forståelse og ekspertise med Hafslund Krafts domenekunnskap og vitenskapelige innsikt.

Crayons team hadde bred erfaring med å bygge, bruke og administrere prosjekter på Azure-plattformen. Denne kompetansen ble overført til Hafslund Kraft, noe som satte selskapet i stand til å håndtere prosjektet selv i fremtiden. Muligheten for å videreføre denne kunnskapen til andre deler av Hafslund Krafts virksomhet, for eksempel innen vindkraft, var også noe som gjorde samarbeidet attraktivt.