Digitalisering er et mye omtalt tema i både kraft- og oljebransjen nå for tiden. Det er et omfattende emne, og en del av det er bruken av kunstig intelligens i form av maskinlæring. enerWE tok en prat med selskapet AiaScience som har spesialisert seg på å jobbe med løsninger for dette for å høre litt om hva oljebransjen og kraftbransjen bør bruke maskinlæring til, samt hvordan maskinlæring vil påvirke bransjen. De slår raskt fast at det ikke er et spørsmål om hvorvidt bransjen må ta maskinlæring i bruk eller om de kan la være. – Kraftselskapene bør ta maskinlæring i bruk så fort som mulig, sier Odd Johan Svendsli, CEO i AiaScience til enerWE. Han får umiddelbart støtte av sin teknologidirektør. – Enten må kraftselskapene ta tak i dette, eller så går pengene til kraftmeglerne som tar maskinlæring i bruk, sier Atle Vesterkjær, CTO i AiaScience. Maskinlæring er enkelt Maskinlæring har gitt imponerende løsninger innen for eksempel førerløse biler, ansiktsgjenkjenning, automatisk oversettelse av språk og søketeknologi. Når man får presentert matematikken som ligger til grunn, ser det fort veldig komplisert ut. Mange ser derfor på maskinlæring som noe spesielt komplisert, omtrent som programvarebransjens svar på rakettforskning. i AiaScience har de en annen tilnærming. De mener tvert imot at maskinlæring er noe som er enklere enn vanlig programmering. – Jeg vil si at maskinlæring er en enkel løsning. Jeg synes det er mye vanskeligere å bestemme på forhånd hvordan jeg vil ha det i alle mulige tilfeller, sier Svendsli. CTO Vesterkjær viser til at man med maskinlæring ikke trenger å programmere en løsning på hvert eneste problem som programvaren vil møte på, men at man i steden kan programmere den til å lære seg selv. – Den justerer seg, og så blir det nærmere og nærmere det optimale over tid, sier Vesterkjær. Kraftstyring I kraftbransjen er det mange områder der maskinlæring har et stort potensiale for å gi gode resultater. Et av områdene som AiaScience trekker frem er kraftstyring, det vil si det å holde orden på strømnettet og gjøre justeringer for å dekke behovet og gjøre nødvendige justeringer underveis. Her kan det dukke opp mange utfordringer. For eksempel kan vind- og solforhold gi store utslag på hvor mye kraft som produseres fra vind og sol, samt at vedlikehold og problemer i nettet kan kreve grep for at strømnettet ikke bryter sammen. I USA har de tatt maskinlæring i bruk for å styre dette, med godt resultat. – De er nærmere sammenbrudd. Der må de være mye mer forsiktig, sier Svendsli. I Norge har vi et stabilt og velfungerende nett, og selv om det nå står foran store oppgraderingskostnader, så er det ikke like presset som deler av det amerikanske strømnettet. Det betyr ikke at det norske strømnettet ikke trenger en bedre styring. – Du har de samme utfordringene i Norge, ihvertfall når du har enkelte nett nede for vedlikehold, sier Vesterkjær. Vedlikehold av strømnettet Maskinlæring egner seg også veldig godt til å effektivisere vedlikeholdet av strømnettet. – Med maskinlæring kan du overvåke når ting fungerer som vanlig. Finne ut hvilke sammenhenger og årsaker som er vanskelig å finne bare med lommelykt, sier vesterkjær. Så kan man bruke maskinlæring til å gå over alle variabler på deler for å se når de bør byttes ut eller vedlikeholdes. Dette kan baseres på statistikk for når det er sannsynlig at noe feiler, men det kan også gå dypere til verks ved å se etter tegn på at noe er i ferd med å gå galt. – Maskinlæring er god på å finne gradvis reduksjon i ytelse som skjer så sakte at vanlige mennesker ikke ser det, sier Svendsli. – Når endringene begynner å aksellerere vet du at du nærmer deg et punkt der en feil kan skje. Så kan du fikse det før det blir totalt sammenbrudd, sier Vesterkjær. Det betyr ikke automatisk at man bør rykke ut og fikse det der og da. – Kanskje du har backup så det er bedre å la det skje, og så fikse når du har tid eller det er lyst og dagtid, sier Vesterkjær. Flyvende automatiserte kikkere Maskinlæring blir brukt på droner som inspiserer linjespennene, men i et energiperspektiv er det kanskje mer interessant at maskinlæring også brukes til å studere bildene som dronene tar. – Maskinlæring brukes til å analysere bildene for å se etter typiske feilsituasjoner, og så ta ut områder der maskinlæringen ikke kjenner igjen. 99,9 prosent av bildene vil være uinteressante, og med maskinlæring slipper man å se på de, sier Svendsli. Energifleksible hjem Maskinlæring vil også bli viktig for strømforbruket i vanlige private hjem. Hvorvidt det er dagens kraftselskaper eller nye aktører som vinner frem med sine løsninger og tilbud gjenstår å se, men potensialet er i hvert fall der. Det er fullt mulig å bruke maskinlæring på alt som finnes i huset, og samtidig sette opp et svært avansert hjem der alt er på nett og digitalisert. Når det gjelder strømsparing og tilpasning til eventuell fremtidig timesprising og den varslede effektprisingen, tror ikke AiaScience at batteriene er den store løsningen. – Batteriteknologi er en dyr løsning. Det er bedre å utnytte energifleksibiliten som allerede er der, sier Svendsli. De trekker frem varmtvannstanken som en god batteriløsning. – Det har ikke noe å si om den varmes opp klokken 09:00 eller 15:00, sier Vesterkjær. Det samme gjelder også elbilen. Den må ikke nødvendigvis lades med en gang man kommer hjem. Ofte kan den vente til natten. – Lyspærer spiller ingen rolle for totalforbruket. Det samme gjelder TV-en. Det som koster energi er varmtvannstanken, elbillading og varme/klimastyring. Alle andre ting drukner egentlig i de tre, sier Svendsli. Disse tre er alle fleksible energiforbrukere. Det har ikke så mye å si når det blir gjort, og det kan utnyttes. AiaScience ser for seg en energifleksibilitet som utnyttes på lokalt nivå. – Energifleksibiliteten kan utnyttes på enkeltbolig, i et nabolag eller en bondegård. Jo større samling jo lettere blir det, sier Svendsli. Så lenge det er en lokal energiproduksjon, typisk i form av et solcelleanlegg, vil det egne seg godt til dette. Smarte hjem Maskinlæringsalgoritmer kan også bidra til smarte hjem. Den kan for eksempel koble seg opp mot strømforbruket og så justere bruken når det passer best i forholdt til øvrig strømforbruk og de varierende strømprisene. Mage hvitevarer kommer allerede med primitive mekanismer for dette i form av tidsinstillinger. Det er for eksempel mange oppvaskmaskiner som har muligheten for å utsette oppstart med et par timer, eller som kan settes til å starte på natten. – Oppvaskmaskiner er jeg litt skeptisk til. Det å sette på vaskemaskin midt på dagen når du er langt hjemmefra. Det blir jo ikke anbefalt blant annet på grunn av brannfare og fare for vannlekkasje. Dessuten utgjør det så liten forskjell, sier Svendsli. Svendsli er forøvrig litt skeptisk til hvor avansert smarte hus trenger å være. – Jeg tror ikke man trenger intelligent styring på hele huset. Det er bare masse trøbbel å sette opp, og så blir man lei og går tilbake til brukeren, sier Svendsli. Han anslår at det kanskje er 3-5 ting det er verdt å styre, og at mye av dagens løsninger bærer preg av teknologer som synes det er gøy å sysle med det uten at det nødvendigvis gir så store konkrete resultater. – Jeg går fort lei av sånt, og så går jeg tilbake til det gamle. Det er gøy å programmere det, og sette det opp, sier Svendsli. I mange tilfeller kunne mye vært løst med langt enklere løsninger. Det kan for eksempel være å justere oppvarmingen av varmtvannsberederen. – Et tidsur kan i praksis håndtere dette for det er bare to peaker, sier Svendsli. I en mer avansert form kan den kobles opp med maskinlæring. – For elbiler kommer dette inn som standard etterhvert, og det finnes gode løsninger allerede, sier Svendsli. Kan løse effektprisingsproblemet Slik strømprisingen fungerer i dag vil det ikke gi stort utslag for strømforbruket eller strømregningen å ta i bruk maskinlæring i hjemmet, men det kan få større effekt når eller hvis effektprising blir en realitet. – Maskinlæring vil fjerne effektprisingsproblemet, sier Svendsli. Helt perfekt blir det nok ikke, og det kan for eksempel bli nødvendig å overstyre på dager som er overraskende kalde. I hvert fall frem til maskinlæringen har tatt til seg denne læringen. Slik er det alltid med maskinlæring. Den baserer seg på historiske erfaringer, og det vil alltid kunne dukke opp nye unntak hvor et menneske har en bedre vurderingsevne. – Du må alltid ha en stemme som kan overstyre, sier Vesterkjær. – En maskinlæringsalgoritme må hele tiden oppdateres slik at den er fersk og tar hensyn til nye data, sier Svendsli. Start med maskinlæring nå På spørsmål fra enerWE om hvor kraftselskapene bør begynne med maskinlæring – hvis de ikke allerede er i gang, er det nettverksovervåkningen som trekkes frem som det første området. – Jeg ville sett på det å overvåke nettet ditt. Se på modellene du kjører i dag der man bruker mange timer på beregninger. For eksempel der du beregner overføringskapasitet. Hvor mye skal man produsere når? Har man muligheten til å flytte kraften dit det trengs. Vil det lønne seg å vente en dag?, sier Svendsli. Han trekker også frem at det er lurt med en tilnærming er man prøver å automatisere tingene som de som jobber med det ser hver dag. Og på det obligatoriske spørsmålet om hvorvidt maskinlæring kommer og tar jobbene fra folk, er AiaScience litt oppgitte over spørsmålsstillingen. – I dag ansetter fire av fem bedrifter som har tatt i bruk maskinlæring flere folk fordi de driver bedre og får bedre økonomi og kan utvide driften sin, sier Svendsli. – Det samme kommer til å skje denne gangen. Det blir flere jobber og folk får det bedre, sier Vesterkjær.