Odpady jakožto vstupní zdroj jsou proměnlivý materiál, kde jejich konkrétní vlastnosti ovlivňuje řada aspektů. „Na rozdíl od energetických zdrojů využívajících klasická paliva jako plyn nebo uhlí zde může způsobovat horší předvídatelnost produkce energie nekonzistentní energetický potenciál odpadu jakožto směsi různých materiálů,“ upřesňuje Marek Kollmann, student doktorského programu Fakulty strojního inženýrství VUT v Brně. Za svou diplomovou práci s názvem Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení získal cenu Wernera von Siemense za první místo v kategorii Nejlepší absolventská práce zabývající se technologiemi spadajícími do konceptu Infrastruktura a energetika. „Dopad zde může mít i počasí, které ovlivňuje vlhkost odpadu. To se může projevovat kolísáním ve výrobě páry a tedy i ve výrobě tepla a elektřiny. Z pohledu plánování výroby je však zásadní nastavení kontraktů na dodávku,“ vysvětluje Kollmann s tím, že kontrakty samozřejmě řeší každý energetický zdroj. Zařízení na energetické využití odpadu ale podle něj může mít kvůli nekonzistentnímu palivu ztíženou pozici zejména v případě, kdy je nízká tolerance odchylek. To pak vede k opatrnému plánování, kdy je z obavy o nedodržení takový plán hluboko pod potenciálem a v případě přebytku je pak nutné mařit energii, což znamená ztráty a sníženou efektivitu provozu.
Jak uvádí zpráva VUT Brno, aby bylo možné s vysokou přesností předpovídat výkon přenášený do elektrické sítě, vytvořil Marek Kollmann komplexní model, sestávající ze sedmi dílčích, kaskádovitě uspořádaných modelů. Každý dílčí model byl kriticky vyhodnocen pomocí standardních ukazatelů, na nichž pak bylo možné přesvědčivě doložit významné zlepšení přesnosti předpovědí. To vedlo k vyváženějším výrobním plánům a snížení provozních penále. V případě pro experiment vybraného skutečně existujícího závodu se podařilo zvýšit jeho roční dodaný výkon o 13 procent a zisk o 2,6 milionu korun, přičemž skutečná výroba byla uvnitř tolerančního pásma daného plánem v 95 procentech případů. V současnosti používaná verze plánovacího nástroje přitom dosahuje pouze 79procentní úspěšnosti.
„Jak už bylo zmíněno, kvalitní plánování je klíčové pro vysokou efektivitu jakéhokoliv energetického zdroje. Snahou vlastně je předpovědět co nejpřesněji budoucí stavy,“ připomíná autor diplomové práce. Proto bylo podle něj nutné použít moderní algoritmy strojového učení. Tyto algoritmy dokážou najít pravidla a vzory v rozsáhlých datech. Základem jsou tedy provozní data, na kterých učíme modely predikovat budoucí výrobu. Představit si to podle Marka Kollmanna můžeme tak, že algoritmu řekneme: „Když panovaly tyto a tyto podmínky – vstupy, které jsou v čase plánování známé, tak výroba páry na kotlích byla tolik a tolik. Natrénuj model, který co nejpřesněji na základě vstupů určí výrobu páry“. Vytvořený výpočtový nástroj je pak souborem několika takových modelů, díky nimž predikujeme výrobu tepla a elektřiny.
Marek Kollmann zdůrazňuje, že každý provoz má specifické podmínky a tomu musí být uzpůsobeno řešení. Ačkoliv prvotním impulzem bylo zlepšení plánování výroby tepla a elektřiny v konkrétním zařízení na energetické využití odpadů, principiálně lze získané know-how aplikovat na široké spektrum příbuzných problémů. „Úloha nám umožnila ověřit potenciál strojového učení. Pokud jsou dostupná data v dostatečné kvalitě a objemu, má strojové učení opravdu masivní potenciál. Momentálně pracujeme na jeho využití na nově se rozvíjejícím poli komunitní energetiky, kde doufáme, že tento moderní přístup přinese zkvalitnění návrhů energetických komunit,“ dodává.
Data jsou podle něj klíčem moderní doby a jejich nedostatek představuje problém pro provozy, které chtějí zvýšit svou produktivitu. Připomíná, že i v těchto případech je možné využít strojové učení, ale je třeba si připravit takzvaná syntetická data neboli data získaná simulací provozu pomocí matematických modelů založených na fyzikálních a chemických zákonech. „Nevýhodou je, že takový model nepostihuje všechny vlivy a specifika provozu, což naopak v provozních datech je. Je dobré pak alespoň základně ověřit, jestli syntetická data nejsou příliš daleko od reality. Nicméně, pokud řešíte úlohu týkající se například nového energetického zdroje, žádná provozní data stejně nemáte a musíte si je nasimulovat,“ vysvětluje s tím, že strojové učení pak může velmi zefektivnit například různé optimalizační úlohy, kdy časově náročné simulační modely nebo simulace probíhající ve specializovaných softwarech prakticky znemožňují řešení. Pomocí strojového učení si totiž vytvoříte model, který umožňuje velmi rychlé výpočty a je snadno implementovatelný do optimalizačního algoritmu.
Soutěž Cena Wernera von Siemense patří mezi nejvýznamnější nezávislé iniciativy v České republice. Má za cíl motivovat výjimečné talenty z řad studentů a výzkumníků, upevňovat pozitivní vztah studentů a širší veřejnosti k vědě i vyzdvihnout práci pedagogů. Oceněny jsou práce se zaměřením na všechny technické obory a přírodní vědy (včetně medicíny). Absolventské práce musí vzniknout na českých univerzitách a vědeckých pracovištích, případně musí jít o programy double degree. U výzkumných projektů musí nadpoloviční část vzniknout na půdě českých institucí. Vítězné práce vybírají nezávislé komise složené z rektorů a prorektorů předních českých univerzit, předsedkyně Akademie věd a ředitelů ústavů AV.
Vedoucí jeho diplomové práce Michal Touš zdůrazňuje, že Marek Kollmann přistoupil k řešení úkolu velmi kreativně. Vytvořil podle něj unikátní způsob tvorby modelů procesních uzlů, při níž využil moderní algoritmy strojového učení, jako je light gradient boosting, a hluboké neuronové sítě. Proceduru plánování implementoval v jazyce Python. „Vezmu-li v potaz, že autor před vypracováním neměl s analýzou dat, strojovým učením ani jazykem Python žádné zkušenosti, je výsledek obdivuhodný. Za zmínku stojí, že celá práce je napsána v angličtině. Myslím, že svým provedením je na úrovni prací z renomovaných zahraničních univerzit,“ dodává k práci Michal Touš. Marek Kollmann zvolil pro svou diplomovou práci složitou a zajímavou problematiku. Řeší tak využití provozních dat a umělé inteligence v praxi, hledání alternativních zdrojů elektřiny a tepla a obecně zefektivnění energetických systémů. Kollmann pokračuje v doktorském studiu, poté by chtěl na čas působit v průmyslové sféře, nicméně i nadále by rád spolupracoval s univerzitou.*
Hana Tomášková
