Upload
vuongdieu
View
215
Download
3
Embed Size (px)
Citation preview
Brug af Big Data
i Den Digitale Energisektor
Professor Torben Bach Pedersen
Center for Data-intensive Systemer (Daisy)
Institut for Datalogi. Aalborg Universitet
”arbejder med data”
Big Energy Data – hvorfor ?
• Samfundsudfordringer og løsninger
Global opvarmning og CO2 reduktioner
Energi forsyningssikkerhed – reducer energiindkøb udefra
Atomkraft risici og udfasning
• Løsning: mere energi fra vedvarende energi kilder (RES)
EU 20-20-20 mål,…
DK: 2020: 50% el fra RES, 2035: 100% el og varme fra RES,
2050: 100% RES i alle sektorer
• Effekt: fra fossil til electrisk energi
Elbiler og varmepumper: bruger hver årligt som en husstand
Det danske elforbrug (ikke energi) forventes tredoblet i 2050
Den Digitale Energisektor
Hvad er Big Energy Data?
• Volumen: masser af det, ”store” data
EU forbrug pr prosumer pr sec: 20+ billioner værdier/dag
Og gå så til kontakter/apparater og tilføj andre typer af data
• Velocitet: ”hurtige” data
Realtids læsninger fra smarte målere, sensorer,…
Så hurtigt det ikke er sket endnu: alt bliver (gen)forudsagt
• Varietet: komplekse data af forskellige typer
Forbrugsdata fra smarte målere, kontakter og apparater
Produktionsdata fra vind, sol, …
Fleksibilitetsdata – hvilket forbrug/produktion er (hvor) fleksibelt?
Priser, vejr, …
Den Digitale Energisektor
Digital Energisystem: Vision
• Hvad nu hvis?
Vi kender alt data om processer/sensorer i systemet (alt er IoT)
Vi kender alle apparater der bruger/producerer/lagrer energi
Vi kender apparaternes opførsel og den sammenhæng de bruges i
Vi kan forudsige hvordan alle (proces)tilstande udvikler sig
Vi kan forudsige apparaternes brug/produktion/lagring af energi
Vi kan forudsige energiforbrug og priser overalt i systemet
• Så kan vi optimere rigtig meget:
Automatisk styring af alle apparater …
Optimalt tidspunkt og mængde for brug af energi
Optimal omkostning for energi (ikke kun mængde)
Optimal konvertering af energi (el til/fra varme…)
Optimal lagring af energi (kun når nødvendigt)
Optimal handel med fleksibilitet (ikke kun energi)
Den Digitale Energisektor
Velocity+Volume: Fast (Energy) Data
• Sensor time series (smart meters, wind
turbines, …)
• Data often start in the future…
Long/medium/short term forecasts,
more accurate
• …make it to the present…
Actual sensor values
• …and into the past
Historical analysis/re-forecasting
Only difference btw. forecasted
and ”real” data is accuracy
• Idea
Use (better and better) models to
represent all data: historical+future
User-configurable error
Model adaption instead of loading
Wind turbine data: 5-100 times
smallerDen Digitale Energisektor
0
5
10
15
20
25
30
0 5 10 15 20
actual values
model
• Query past and future seamlessly with SQL
• Exact and approximate queries
Consumption for today and tomorrow with up to 5% error
• Hierarchical model index: Progressively lower error
• Seasonal, Trend, Error components, hints
• TimeTravel: PostgreSQL based prototype
• Up to 100 times smaller/faster
• ModelarDB: Big Data + streaming based on Spark SQL
• Open source based
TimeTravel and ModelarDB
Den Digitale Energisektor
Energi ”som vinden blæser”
• Svingende RES energi
Vind
Sol
Bølger/tidevand
• Vejrforhold m.m. afgør
energiproduktion
Den Digitale Energisektor
CRES
22
kWp
(Greece
)
Windpark
2410 kWp
(Greece)
For lidt eller for meget energi
Den Digitale Energisektor
2008 DK Vest tal
Nye DK for el fra vind, % of total
• 2015: 42%
• December 2014: 57,4%
• Stiger til 60% i 2025
• Fremtiden er her i dag !
Fleksibelt forbrug kan hjælpe
Den Digitale Energisektor
• (Op)vaskemaskiner,.. kan køre fleksibelt
• Elbiler kan blive (af-) ladet fleksibelt underparkering
• Varmepumperfleksible indenfortemperatur interval
• +industri,erhverv,..
• Op mod 80-85% af det fremtidige (tre-doblede) forbrug er fleksibelt!
Fleksibilitet i forbrug specificeres, med eksplicit fleksibilitet I
tid, volumen, pris
1. Jeg kommer hjem kl 22 og vil have min elbil ladet op billigst muligt inden kl 6.
2. Min intelligente energistyring laver et flex-offer (FO)
3. Baseret på forudsigelser af vejr og elpriser bestemmer min elhandler at Foet
skal starte kl. 3
4. Kl. 3 går elbilen i gang med at oplade – hvis den ikke har fået ny besked inden
kW
t
Flexibility interval
10pm
earliest starting time6 am
latest starting time
8 am
2h
Profile
Energi-fleksibilitet: Flex-Offers
Den Digitale Energisektor
Use Cases
• Balancering/peak reduction
• Mere grøn energi
Den Digitale Energisektor
Flex-offer Cycle
Demand Prediction
Flexibility
Modelling
Predictive
Analytics
(machine
learning)
Aggregation
Scheduling/
Balancing Disaggregation
Prescriptive
Analytics
(machine
learning
+optimization)
Execute
Den Digitale Energisektor
Device-level
Consumption
Supply
Energy Market (TSO, BRP, Aggregator)
Prosumer
Mod et ”bottom up” energisystem
• Energi vil blive
produceret ”fra
neden”
Micro-grids
Energifællesskaber
• Skal styres ”fra
neden” (flex-offers)
Den Digitale Energisektor
GOFLEX
• Mod 100% RES i distributionsnettet
• Bottom-up, lokalt energisystem
• Baseret på Flex-offers
• Horizon 2020
Budget 66 mio.
Rangeret no. 1
12 partnere
IBM Research
DSO Tyskland
DSO Schweiz
DSO Cypern
…
Den Digitale Energisektor
GOFLEX video
• http://goflex-
community.eu/PlayVideo.asp?Video=1505_BAUM_GOFL
EX_Final.mp4
Den Digitale Energisektor
What is Prescriptive Analytics?
Den Digitale Energisektor
Value/Intelligence
Difficulty
Descriptive Analytics
Predictive Analytics
Prescriptive Analytics
What happened?
What will happen?
How can we make it happen?
Foresight
Hindsight
Insight
Figure 1: Three stages of business analytics ("Gartner Inc.”, reproduced)
• Balancing demand and supply
An Example from Smart Energy
Den Digitale Energisektor
Step 1: Forecast RES
production
Step 2: Generate demand
Flex-Offers
Step 3: Optimize schedules
Simplified problem, the real
problem also involves time
flexibility
Traditional Solution
• Implementation based on RDBMS + R + Java solver
Den Digitale Energisektor
• Problems
Non-integrated specialized glued together in ad-hoc fashion
Labor-intensive, error-prone, inefficient
#!/bin/bash
export mirabelDbUrl="jdbc:postgresql://localhost/postgres";
export mirabelDbUsername="postgres";
export mirabelDbPassword="";
export mirabelRoot="`pwd`";
export CLASSPATH="$CLASSPATH:.:../FlexOffers/Implementation/SDB-
scheduling-experiments/target/sdb-scheduling-experiments-0.9.9-
SNAPSHOT.jar:../FlexOffers/Implementation/SDB-scheduling-
experiments/target/dependency/*“
# Run forecasting
(time Rscript ergv_forecast.R) &> output_fc_r.txt
# Check for the forecasting error
fcerror=`psql -d postgres -c "SELECT * FROM forecast_error"
-Ptuples_only`
echo "Forecasting error (MAPE): " $fcerror
# Run scheduling
(time java -Xmx1000m -Xss10m
org.mirabel.aggregation.experiments.AggSchExperiment) &>
output_sch_c.txt
# Check for imbalance
schImb=`psql -d postgres -c "SELECT * FROM scheduling_imbalances;"
-Ptuples_only`
echo "Scheduling remaining imbalance (kWh): " $schImb
Bash script (12 lines)
Postgre- SQL
Forecasting program in R
(53 lines)
Scheduling programin Java
(116 lines)
R (lm) Java solver (3394 lines)
1
4 3/5/7/9 8
2 6
SolveDB Solution
• SolveDB (PostgreSQL + solvers)
Integrates RDBMS and LP/MIP, BB, and specialized solvers
Uses SQL extension for problems
Lines of code: 3571 versus 237
10-100 times less code for most cases
I/O time: 7.3 versus 0.8 secs
up to 100 times faster I/O for other cases
Ongoing: Big Data based on Spark SQL, integrate prediction
Den Digitale Energisektor
Solve query (8 lines)
Forecasting composite solver FO
(113 lines)
Scheduling composite solver FS
(118 lines)
LP atomic solver (LP/MIP)
BB atomic solver (black-box)
SolveDB
1
23
4/6 5
SOLVESELECT sch IN (SELECT fo, NULL::schedule AS sch
FROM flexobject) AS t
SUBJECTTO (SELECT is_instanceof(sch, fo) FROM t),
(SOLVESELECT load IN (SELECT time, load
FROM hist_load) AS s
SUBJECTTO (SELECT time, temp
FROM temp_data)
WITH solverFO)
WITH solverFS(rndseed:=12345, sn:=3176)
Specifies
forecastingSpecifies
scheduling
Big Data i Digitalt Energisystem
• Volumen+Velocitet
Gemme og spørge på ”store” og ”hurtige” energi data
Både fortid, nutid, og fremtid
TimeTravel og ModelarDB: 10-100 gange mindre og hurtigere
• Varietet
Nyt energisystem ”født nedefra”
Vi skal kunne forudsige og optimere på data
Predictive og prescriptive analytics (bruger machine learning/AI)
SolveDB: integrer database, forudsigelse og optimering
10-100 gange hurtigere og mindre kode
Håndter specielle energidata som fleksibilitet
Flex-offers: fleksibelt forbrug
Big Data teknologi til smart energi, mere kraftfuld og effektiv
Mere grøn energi, besparelser i penge og CO2
Den Digitale Energisektor
Referencer
• http://people.cs.aau.dk/~tbp
• http://www.totalflex.dk
• http://www.arrowhead.eu
• http://www.dicyps.dk
• http://goflex-project.eu
• http://www.flexshape.dk
Den Digitale Energisektor