Výroba tepla a elektřiny z odpadu může být díky AI výrazně efektivnější

Začínající vědec Marek Kollmann z Ústavu procesního inženýrství

Výrobu energií z odpadních materiálů ovlivňuje řada faktorů, jako jsou vlastnosti odpadu, odběry ostré páry či vlastní spotřeba elektrické energie. Tyto faktory však není snadné odhadovat. Přitom právě přesnost plánu určuje, jak efektivní provoz zařízení na energetické využití odpadů (ZEVO) bude. Právě tuto problematiku si za téma své diplomové práce zvolil Marek Kollmann. Vycházel přitom z faktu, že řada podniků o svém provozu nesbírá žádná data nebo je jen málo využívá. Zaměřil se proto na aplikaci strojového učení na krátkodobé plánování kombinované výroby tepla a elektrické energie v centrálním energetickém zdroji – ZEVO. Propojil tak několik aktuálních problematik: využití provozních dat a umělé inteligence v praxi, hledání alternativních zdrojů elektřiny a tepla a obecně zefektivnění energetických systémů.

https://www.youtube.com/watch?v=W_CSGM9ItuI&t=2s

Sedm modelů

Hlavním cílem práce bylo dokázat s vysokou přesností předpovídat výkon přenášený do elektrické sítě. Tohoto cíle bylo dosaženo vytvořením komplexního modelu, sestávajícího 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 % a zisk o 2,6 milionu Kč, přičemž skutečná výroba byla uvnitř tolerančního pásma daného plánem v 95 % případů. V současnosti používaná verze plánovacího nástroje přitom dosahuje pouze 79% úspěšnosti. 

Marek Kollmann s vedoucím své práce Michalem Toušem

Zdůraznit je třeba i to, že Marek Kollmann přistoupil k řešení úkolu velmi kreativně. Vytvořil 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. Analytickou část i výsledky doprovází mnoho zdařilých grafů. „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,“ vyzdvihuje Kollmannovy přednosti jeho vedoucí práce Michal Touš.

Přihlášku poslal kamarád

Téma diplomové práce si zvolil proto, že se chtěl utkat se studijní výzvou – s problémem složitým a současně i zajímavým. Michal Touš tehdy zrovna řešil podobný problém a téma práce tedy vymysleli společně. V současnosti Marek Kollmann pokračuje v doktorském studiu, po němž by chtěl alespoň na dva roky do průmyslové sféry, ale s tím, že by jednou nohou zůstal na univerzitě. „Lidé tady jsou prostě neskuteční,“ pochvaluje si vysokoškolské prostředí.

Univerzitní prostředí ho baví

Do soutěže o Cenu Wernera von Siemense jej přihlásil kamarád, poslat přihlášku sám by se zdráhal. „Když člověk zná svoji práci a ví, co v ní ještě není, protože někde se musí udělat stop, tak mu to představu o té práci zkazí. Sám bych ji tedy asi do soutěže neposlal, protože bych si nevěřil,“ vysvětluje.

Mezi jeho oblíbené volnočasové aktivity patří počítačové hry, které jsou, jak sám říká, jeho neřestí již od dětství. „Snažím se to však limitovat, a poměrně úspěšně, protože na totální propadnutí hraní nemám čas,“ podotýká s úsměvem. Rád má také literaturu, jeho oblíbenou knihou je například Pasternakův Doktor Živago.

 

Foto: Cena Wernera von Siemense

Zdroj: Vysoké učení technické v Brně a Cena Wernera von Siemense