Sammen med AffaldVarme Aarhus har vi skabt en datadrevet løsning til at opdage udfordringer på grund af for lav energi og temperatur i deres transmissionssystem. Denne løsning gør det muligt for AffaldVarme Aarhus at sikre forsyningen, mens de kører lavere temperaturer i deres transmission, hvilket igen sikrer en økonomisk og grøn forsyning.

Fakta om AffaldVarme Aarhus

AffaldVarme Aarhus A/S består af både fjernvarmeproduktion, genbrug og energiproduktion. AffaldVarme Aarhus omsætter for 3 mia. kr. årligt, beskæftiger 400 ansatte, har et fjernvarmenetværk på mere end 2.000 km rør og leverer varme til næsten 300.000 borgere hver dag. Dette gør AffaldVarme Aarhus til en af de største inden for fjernvarme i Danmark.

Rejsen startede med en AI Camp fra neurospace, hvor AffaldVarme Aarhus fik indsigt i mulighederne med Machine Learning, og valgte sammen med neurospace denne særlige udfordring at arbejde på som et pilotprojekt. Et pilotprojekt er et naturligt skridt efter en AI Camp. Det er et veldefineret problem, som vi sigter mod at bevise, kan løses ved hjælp af data og machine learning.

“AffaldVarme Aarhus søger altid nye måder at se på fremtiden” forklarer Jens Rishøj Skov og fortsætter: “Dette er grunden til at vi startede et machine learning projekt sammen med neurospace.” I dag bruger AffaldVarme Aarhus forskellige værktøjer til at se på fremtiden, såsom vejrprognoser, hydrauliske modeller, brændstofpriser og energistatistikker. “At skabe et værktøj baseret på machine learning, som konstant overvåger vores system og kan hjælpe med at få øje på, når noget skiller sig ud fra det normale, ville være meget nyttigt for os.” siger Jens Rishøj Skov.

Virtualt Team og Scrum

“Ved at udføre sprints og udføre opgaver i iterationer på to uger var projektet afsluttet på kort tid. Jeg kunne godt lide planlægningsdelen, hvor vi tildelte opgaver til os og neurospace, som skabte en god oversigt gennem hele processen.” - John Helligsø


AffaldVarme Aarhus og neurospace har gennem pilotprojektet arbejdet sammen i et virtuelt team. Det virtuelle team er en konstruktion, hvor AffaldVarme Aarhus og neurospace i et stykke tid har et samarbejdeteam, der fokuserer på pilotprojektet. Vi gør dette for at sikre, at domæneviden og datavid mødes i et team, der har fokus på den aktuelle opgave.

Desuden sikrer det, at AffaldVarme Aarhus er en del af processen, skaber ejerskab og sikrer, at de kan styre løsningen, når projektet er færdig. Det virtuelle team har kørt Scrum, der bruger sprints til at planlægge og udføre. Et sprint er en to ugers iteration, hvor teamet analyserer, bygger og tester noget, der kan bringe værdi på egen hånd mod en endelig løsning. At arbejde med to ugers iteration sammen med neurospace har også givet AffaldVarme Aarhus muligheden for at sætte pause et nyt sprint. AffaldVarme Aarhus gjorde dette, da de blev afbrudt på grund af konferencer, uddannelse og generelt havde en travl periode, hvor neurospace ventede på nogle beslutninger i projektet. Vi genstartede derefter sprintet to uger senere, hvor alle havde tid til at fokusere på projektet.

Målet med Scrum er at levere værdi i hvert sprint. Således får AffaldVarme Aarhus nye indsigter gennem hele processen og bliver en del af det. Dette har givet AffaldVarme Aarhus muligheden for bedre at forstå, hvordan softwareløsninger, der involverer machine learning, fungerer og vigtigheden af at vælge de rigtige data (right data) til det givne problem.

John Helligsø har været en del af det virtuelle team fra begyndelsen og er også en del af master watchman-besætningen, der driver AffaldVarme Aarhus’ varmefordeling. Vi talte med John for at høre, hvordan det var at arbejde med Scrum og i sprints: “Ved at udføre sprints og udføre opgaver i iterationer på to uger var projektet afsluttet på kort tid. Jeg kunne godt lide planlægningsdelen, hvor vi tildelte opgaver til os og neurospace, som skabte en god oversigt gennem hele processen.

Projekt udfordring

Mange fjernvarmevirksomheder bruger prognoser for varmeforbrug. Nogle virksomheder bruger simuleringsværktøjer til at udføre prognoser, andre har prognosemodeller, der bruger data inklusive vejret til at forsøge at forudsige efterspørgslen. Disse typer prognoser udføres ofte i en periode på 5-7 dage.

Fjernvarme betragtes ofte som et statisk system, og det er for det meste korrekt, men som Jens Rishøj Skov siger:
Et eksempel, hvor vores system ikke er statisk, er vores varmeproducent, som vi er afhængige af for at levere en kontinuerlig energi og temperatur. Men de kan variere 5-10% i deres output, og der er sommertider fejl. Dette betyder, at vores hydraulik konstant ændrer sig, og på grund af forskellige temperaturer fra varmeproducenterne er der en variation i energi, men også blandetemperatur.

Men ikke kun varmeproducenter skaber usikkerhed i transmissionsnetværket:
“Et andet eksempel er, at vores vejrprognose er 5-10% upålidelige. Fra nord til syd er vores vandretention i rørene 6-14 timer afhængigt af strømning, hvilket betyder, at vi altid skal være et skridt foran, og hvis prognosen er forkert, kan vi ikke indhente det.” siger Jens Rishøj Skov og fortsætter: “Disse usikkerheder er hvorfor det er vigtigt for os løbende at undersøge, om noget adskiller sig fra det normale, så vi kan handle på forhånd for at sikre en pålidelig forsyning.”

AffaldVarme Aarhus plant

AffaldVarme Aarhus, Lisbjerg Værket. Foto: AffaldVarme Aarhus

Derfor har neurospace sammen med AffaldVarme Aarhus skabt en prototype, der kan fungere som en vagthund, der kontinuerligt ser på dataene i realtid for at sikre, at der er en høj nok temperatur og energi i transmissionssystemet til at sikre en pålidelig forsyning. Dette skaber en sikkerhedsafskærmning til eksperimenter, som blandt andet kan hjælpe kontrolrummet med at sænke temperaturen i transmissionsnetværket igen, hvilket skaber en mere omkostningseffektiv og grøn forsyning. At foretage en prognose 12 timer frem i tid er næsten umulig at gøre som menneske på grund af usikkerhederne såsom varmeproducent og vejret, mængden af parametre, der skal kigges på kontinuerligt, og kompleksiteten i rørnetværket. En machine learning model har ikke de samme barrierer som et menneske og kan se på så mange parametre, som vi har brug for i realtid og lave prognoser baseret på disse.

Pilotprojektet

“Den største overraskelse, vi fik, var, da vi sammen med neurospace fandt, at den oprindelige situation, vi ønskede at se efter, ikke var en så stor udfordring, som vi troede, men sammen fandt vi andre steder i vores transmissionssystem, hvor vi havde udfordringer, som er vigtige at være opmærksomme på.” - John Helligsø


42 features blev valgt til den indledende analyse baseret på den viden, AffaldVarme Aarhus har om deres hydrauliske system. Baseret på beskrivende statistik, feature importance og trend- og sæsonanalyse, blev mængden af funktioner, der blev brugt til den endelige model, reduceret til 14. Disse 14 funktioner fra forskellige steder i AffaldVarme Aarhus' transmissionssystem kan fortælle, om der er et problem med for lav temperatur og energi 12 timer i forvejen.

“Vores transmissionssystem er komplekst, og vi har haft svært ved at finde ud af, hvilke data vi kunne bruge som markører for den situation, som vi ønskede at være opmærksom på.” forklarer John Helligsø og fortsætter: “Den største overraskelse, vi fik, var, da vi sammen med neurospace fandt, at den oprindelige situation, vi ønskede at se efter, ikke var en så stor udfordring, som vi troede, men sammen fandt vi andre steder i vores transmissionssystem, hvor vi havde udfordringer, som er vigtige at være opmærksomme på.”

Analysen gennem projektet og det nuværende prototypesystem hjælper Affaldvarme Aarhus med at overvåge og advare om uønskede situationer i fjerntliggende dele af deres transmissionssystem. Nu ved de, hvilke markører der er vigtige for at forudsige kritiske situationer og har et system, der kan give forudsigelser 12 timer i forvejen. Prototypesystemet er en webløsning med et let at navigere dashboard, der viser sandsynligheden for udfordringer 12 timer i forvejen i den sydlige del af deres transmissionssystem. Vi gør dette ved at se på 14 features i de seneste 72 timer og forudsige de næste 12 timer. Sandsynligheden vil være mellem 0, hvilket betyder, at alt er i orden, og 1, hvor der er et problem, som AffaldVarme Aarhus skal se på.

Modellen viser at noget er galt ved at forudsige 1

Potentiel uønsket situation i fremtiden.

Modellen viser at alting er normalt ved at forudsige 0

Alting ser normalt ud.

Figurene viser, hvordan dashboardet ser ud, når det opdager en kritisk situation. Dette blev gjort med testdata for at vise, at modellen kan få øje på disse unikke situationer.

Målet er, at løsningen skal køre i kontrolrummet, alarmere igennem SCADA systemet og skabe gennemsigtighed omkring uønskede situationer. Systemet er designet til at fungere som en vagthund, der konstant kigger gennem dataene i realtid for at forudsige uønskede situationer i en del af deres transmissionssystem og advare personalet. Dette giver AffaldVarme Aarhus mulighed for at sikre forsyningen, mens den kører en økonomisk og grøn fjernvarme til gavn for alle deres kunder. På grund af en mild vinter i år har modellen dog endnu ikke vist sig at virke i produktionen. John Helligsø notere at: “Hvad vi virkelig har brug for nu, er en god og kold vinter for at se, at modellen virkelig holder. Men selvom vi er dygtige, er der nogle ting, vi ikke kan kontrollere, nemlig vejret!
Under hele processen har AffaldVarme Aarhus og neurospace haft fokus på kontinuerligt at lære sammen. John Helligsø notere at: “Gennem hele processen har vi lært, at selvom vi er gode til SCADA, er vores data og den måde, vi deler dem i skyen på, ikke så god, som vi ønsker, de skal være. Sammen med neurospace arbejder vi på at få dette rettet, så vi kan være mere effektive i fremtiden”.

Vi samarbejder i øjeblikket med AffaldVarme Aarhus om deres datarejse og hjælper dem undervejs. Det næste trin er at arbejde sammen på at finjustere prototypen og sætte den i produktion, så den kan registrere uønskede situationer og sikre en grøn og pålidelig forsyning.

Hvis du er interesseret i at høre mere om hvad vi laver sammen med vores kunder, så tøv ikke med at kontakte os.