Älykkäät ennusteet Aurora by Sigholmissa Ennusteet – aihe, joka herättää keskustelua riippumatta siitä, työskenteleekö ihminen operatiivisessa toiminnassa, insinöörinä vai liiketoiminnan kehityksessä. Aurora by Sigholmissa ennusteet ovat keskeinen peruspilari, jonka varaan ajosuunnittelun optimointi rakentuu. Ilman tarkkoja ennusteita ei voida luoda tarkkaa ajosuunnitelmaa.
Alustalla laadimme pääasiassa kolmea ennustetyyppiä: sähkönhinta-, sää- ja kuormaennusteita. Kuormaennusteet koskevat pääasiassa kaukolämpökuormaa, mutta sisältävät myös kaukojäähdytystä, höyryä sekä erilaisia hukkalämmön toimittajia. Kaikki ennusteet toimivat ajosuunnitelman optimoinnin lähtötietona.
Ennusteet tuotannossa
Kun ennusteita tehdään 20 000 viikossa, on tärkeää suunnitella ja automatisoida prosessi huolellisesti. Ennusteita ei voida laskea yksi kerrallaan, sillä uusia ennusteita jonoutuu nopeammin kuin niitä voidaan käsitellä.
Aurora by Sigholm on Cloud Native -sovellus, joka hyödyntää pilven skaalautuvuutta kaikkien ennustelaskelmien suorittamiseen. Ennustetehtävät ajoitetaan tunnin välein. Koska jokaisella laitoksella on omat yksilölliset ennusteensa, alla kuvattu prosessi suoritetaan rinnakkain kaikille laitoksille samanaikaisesti.
Prosessi on samanlainen kaikille laitoksille, mutta ennusteet ja niiden mallit ovat yksilöllisiä. Ensin luodaan sääennuste. Tämä perustuu usein ulkoiseen palveluun, kuten SMHI:hin, mutta jotkin laitokset haluavat säätää sääennustetta – mikä tapahtuu tässä vaiheessa. Koska monet kuormaennusteet perustuvat säädataan, odotamme sääennusteen valmistumista ennen kuormaennusteiden laskemista. Kuormaennusteet lasketaan rinnakkain laitoksille, joilla on useampia kuormatyyppejä kuin pelkkä kaukolämpö. Koska voimme käynnistää uusia prosesseja tarpeen mukaan ja suorittaa laskelmat rinnakkain, koko ennusteprosessi vie vain neljä sekuntia. Kun kaikki kuormaennusteet ovat valmiita, luodaan uusi optimointi, joka päivittää ajosuunnitelman Aurora by Sigholmin käyttäjille.
Ennustemoottorin mukauttaminen
Eri ennusteilla on erilaiset edellytykset. Siksi on tärkeää, että ennustemoottori on mukautuva ja optimoitavissa jokaiselle laitokselle ja kuormalle. Esimerkiksi kaukolämpökuorma käyttäytyy usein lineaarisesti ulkolämpötilan suhteen, jolloin lineaarinen regressiomalli toimii erinomaisesti. Kaukojäähdytyksen kuormalla taas on polynominen riippuvuus ulkolämpötilasta, jolloin lineaarinen regressio ei tuota hyviä tuloksia.
Aurora by Sigholmissa voimme luoda uusia malleja eri skenaarioihin, jotka painottavat erilaisia ominaisuuksia (esim. lämpötilaa). Voimme myös soveltaa jälkikäsittelyä parhaan mahdollisen ennusteen saavuttamiseksi. Lisäksi voimme testata eri malleja ja menetelmiä keskenään ja valita parhaan tarkkuuden tarjoavan vaihtoehdon.
Jokaisen ennusteen jälkeen tallennamme ennustearvot tietokantaan, jotta niitä voidaan käyttää optimoinnissa tai näyttää käyttäjille. Nämä arvot ovat aina ”paras saatavilla oleva ennuste” ja ne ylikirjoitetaan jokaisen uuden ennusteen myötä. Lisäksi tallennamme jokaisen ennusteen alkuperäisessä muodossaan arkistoon, jotta voimme arvioida ja verrata niitä jälkikäteen. Näin voimme vastata esimerkiksi kysymykseen: ”Kuinka tarkka ennuste oli 24 tuntia ennen toteutumaa?”
Automaattinen hienosäätö
Ennustemalleissa on joukko parametreja, joita säädetään parhaan mahdollisen ennusteen saavuttamiseksi. Tätä vaihetta kutsutaan ”kouluttamiseksi”. Koulutus perustuu kunkin laitoksen historialliseen dataan: mitä enemmän ja laadukkaampaa historiallista dataa on käytettävissä, sitä parempia ennusteita saadaan. Koska laitoksilta saapuu jatkuvasti uutta dataa, voimme jatkuvasti hienosäätää ennustemalleja. Tämä tehdään automaattisesti kerran viikossa seuraavan syklin mukaisesti:
Kuvateksti: Vaihdamme uuteen ennustemalliin vain, jos se tuottaa parempia tuloksia kuin nykyinen käytössä oleva malli. Mutta miten ennusteen laatua arvioidaan, jotta voidaan tietää, mikä on ”parempi”?
Seuranta ja arviointi
Yleisimmät arviointimenetelmät ovat MAE (Mean Absolute Error), MSE (Mean Square Error), MAPE (Mean Absolute Percentage Error) jne. Käytämme automaattisessa arvioinnissa tavallisimmin MAE:ta. MAPE:n muunnelma, jota kutsumme ”tarkkuusprosentiksi”, on erityisen hyödyllinen, kun halutaan vertailla eri malleja ja esittää tarkkuus prosenttilukuna. Usein on helpompi keskustella prosenttiluvusta kuin ”keskimääräisestä MW-poikkeamasta”.
Tarkkuusprosentti lasketaan yksinkertaisesti ottamalla erotus ennusteen (P) ja toteutuman (U) välillä ja jakamalla se arvojen mahdollisen vaihteluvälin laajuudella. Tämä vaihteluväli määritetään toteutuman 95. ja 5. prosenttipisteen välisestä erosta.
On luonnollisesti vaikeaa määritellä yksi tarkka prosenttiluku ennusteiden tarkkuudelle, ja menetelmiä on monia. Tämä menetelmä toimii kuitenkin hyvin, kun halutaan standardoitu mittari, jota voidaan käyttää eri ennustetyypeille (sää, sähkönhinta, kaukolämpökuorma). Kun tarkastellaan tarkkuuden kehitystä, nähdään, että se heikkenee ennusteen ulottuessa pidemmälle tulevaisuuteen. Alla on esitetty vertailu SMHI:n lämpötilaennusteen ja Aurora by Sigholmin kaukolämpökuormaennusteen välillä vuoden 2022 ensimmäisellä neljänneksellä:
Vahvan, automaattisesti malleja kouluttavan ja tarpeen mukaan skaalautuvan koneiston ansiosta voimme luottavaisesti antaa Aurora by Sigholmin huolehtia ennustetuotannosta – jolloin insinöörit voivat keskittyä innostavampiin tehtäviin, kuten uusien tekniikoiden ja mallien kokeiluun ennusteiden tarkkuuden parantamiseksi entisestään.
