CTR

I håb om at sænke fremløbstemperaturen i ledningsnettet har CTR allieret sig med Neurospace for at skabe en maskinlæringsmodel, der kan forudsige optimale temperaturer med udgangspunkt i CTRs erfaringer kombineret med historiske data.

Modellen giver CTR evidensbaserede forudsigelser, som man helt konkret kan bruge til at optimere på forsyningen af transmissionsnettet, reducere brugen af unødig spidslast – og forhåbentlig sikre billigere og grønnere fjernvarme til forbrugere i Hovedstadsområdet.

Baggrund

Med et klart mål om at blive bedre til at styre fremløbstemperaturen i transmissionsnettet havde CTR behov for en model, der kunne danne evidens for justeringer på de bagvedliggende parametre i varmeproduktionen på Amagerværkets kraftværksblokke.

Det har nemlig stor betydning for effektiviteten, hvis man kan køre med en lavere fremløbstemperatur uden at gå på kompromis med forsyningssikkerheden i et vidtomspændende ledningsnet.

Derfor tog man kontakt til Neurospace i håb om at udnytte kunstig intelligens i form af en maskinlæringsmodel, der på baggrund af CTRs historiske data kunne forudsige, hvilken fremløbstemperatur, man som minimum skal køre med i en given situation, fortæller driftschef i CTR, Michal Brahm Thomsen:

- Vores interesse ligger i at have en fremløbstemperatur, der kommer så tæt på den, der lige nøjagtig er tilstrækkelig til, at vi kan forsyne vores kunder. På den måde kan vi reducere behovet for unødvendig spidslast, forklarer han og fortsætter:

- Vi havde en helt klar fornemmelse af, at der ville være meget at vinde, hvis vi fik indført en model, der kunne hjælpe os med at løse opgaven – men vi havde ikke selv kompetencerne til at lave modellen. Derfor lavede vi nogle forsøg sammen med Neurospace, som klart viste, at der var noget at hente rent økonomisk. Det var nok til, at vi gik videre med at skabe den model, vi har i dag.

Resultater

Helt konkret har CTR fået udarbejdet to maskinlæringsmodeller:

Den ene forudsiger den optimale fremløbstemperatur i transmissionsnettet 24 timer ud i fremtiden – mens den anden kigger 36 timer frem.

De sikrer begge, at den forudsagte fremløbstemperatur ikke forårsager hydrauliske begrænsninger i nettet, så CTR undgår at gå på kompromis med forsyningssikkerheden.

Modellerne er beriget med historiske data fra CTR sammen med specialistviden om, hvilke fysiske parametre, man bør tage højde for, når man udregner fremløbstemperaturer.

- Den reelle drift er udgangspunktet, og derfor har det været vigtigt at få Michals viden ned i modellen. Vi arbejder jo med en enorm datamængde, og her kan hans viden hjælpe os med at udpege, hvad der er vigtigt at tage højde for, fortæller CCO i Neurospace, Bo Stig og tilføjer:

- For eksempel er vedligehold af transmissionsnettet tænkt ind i modellen, ligesom den tager højde for, at der ikke bør være for store temperaturudsving i et fjernvarmenet.

Specialistviden kommer flere til gode

Han påpeger samtidig, at man ved at kondensere specialistviden som Michal Brahm Thomsen og hans kollegaers ned i en maskinlæringsmodel også sikrer forsyningens fremtid, fordi den viden kan komme andre i organisationen til gavn og hjælpe nye driftsmedarbejdere godt i gang.

- Det er svært at klone Michal. Det tætteste vi kommer på, er modellerne, som han er med til at udvikle, siger Bo Stig.

Gode fremtidsperspektiver i at sænke temperaturen

Indtil videre har man i CTR ikke nogle konkrete tal for, hvad den nye forudsigelsesmodel har betydet for fremløbstemperaturen i nettet, og hvilke økonomiske fordele, det har givet.

Men Michal Brahm Thomsen understreger, at alle de tests, man har lavet, viser at modellen har en høj træfsikkerhed.

- Det betyder, at vi har gode forudsætninger for at reducere vores fremløbstemperatur – og det vil spare os for noget brændsel i fjernvarmeproduktionen. Det er godt for økonomien, og det er lige i tråd med den grønne omstilling, siger han og fortsætter:

- Derudover vil en lavere temperatur i transmissionsnettet også betyde, at vi har gode forudsætninger for at installere varmepumper, som i fremtiden kan hjælpe os med at blive fossil- og biomassefri. Der går mange år, men det er det, vi arbejder imod.

Driftschefen er i hvert fald ikke i tvivl om, at maskinlæring er en teknologi, som kan komme fjernvarmeselskaber til gavn på mange måder i fremtiden.

- Har man en problemstilling og en ide til en løsning, men mangler viden om, hvordan man kommer derhen, er maskinlæring helt fantastisk. Men det kræver, at man har både viden og værktøjer i forvejen, hvis man vil bygge sådan en model. Og den kan ikke stå alene. Der skal være et menneske bag til at kvalificere de output, den kommer med, siger han.