Maskininlärning och mänsklig kunskap i kombination kan förbättra fjärrvärme

Fjärrvärme kan spela en viktig roll i framtidens hållbara energisystem och minska våra koldioxidutsläpp. Men dagens fjärrvärmeteknik har problem som hindrar dem från att fungera optimalt. Jag hoppas att min forskning kan leda till effektivare fjärrvärme och därmed bidra till en mer hållbar energiförsörjning.

Ece Calikus

Många företag och industrier producerar och sparar enorma mängder data om sin verksamhet. Data som kan användas för att övervaka verksamheten och uppnå maximal effektivitet. Ece Calikus doktorerar inom så kallade självövervakande system för industriella applikationer där artificiell intelligens, mer specifikt maskininlärning, används i kombination med mänsklig kunskap.

– Förmågan och möjligheten att effektivt upptäcka avvikelser och förutsäga fel är väldigt viktigt i många industrier för att minska kostnader och öka produktiviteten, samtidigt som resurser sparas, säger Ece Calikus.

Ett intelligent och självövervakande system innebär att industriell utrustning bevakar sig själv. Systemet kan lära sig över tiden och automatiskt identifiera problem eller avvikelser. Det finns dock alltid ett behov av mänsklig tolkning och utvärdering. Mänskliga experter kan ta hänsyn till andra och fler saker än vad automatiska system kan, till exempel affärs- och samhällsaspekter, för att uppnå en helhetsförbättring av verksamheten.

Människor och maskiner jobbar bättre tillsammans

Kombinationen av maskininlärningsmodeller och mänsklig expertis kallas ”gemensam människa- och maskininlärning”, joint human-machine learning på engelska.

– Målet med en gemensam människa- och maskininlärning är att skapa ett samarbete där maskiner, eller datorer, och människor lär sig av varandra. Människor ska kunna observera, tolka och lära av resultaten från självövervakningen och ge specialkunskap eller återkoppling till det intelligenta systemet, säger Ece Calikus som presenterade sin licentiatuppsats förra året.

Ece Calikus är doktorand vid Akademin för informationsteknologi och verksam vid Centrum för forskning om tillämpade intelligenta system (CAISR) på Högskolan i Halmstad. Där jobbar hon i ett forskningsprojekt som heter Self-Monitoring for Innovation (SeMI). I sin licentiatuppsats fokuserar hon på att ta fram ett självövervakningssystem som kan lära sig av dataflödet och upptäcka avvikelser och fel med hjälp av gemensam människa- och maskininlärning.

– I licentiatuppsatsen tar jag upp ett antal specifikt utformade metoder för självövervakningssystem. Metoderna bildar även ett sammanhängande ramverk, säger Ece Calikus.

Fjärrvärme förbättras genom automatisk feldetektering

Självövervakningssystem kan tillämpas på en rad olika industrier. Ece Calikus fokuserar i sin forskning på att applicera dessa intelligenta system på fjärrvärme för ökad effektivitet. Forskningen görs i samarbete med två energibolag, HEM och Öresundskraft. Företagen har stått för både data som används i forskningen och kunskap om fjärrvärme.

– När ett självövervakande system används inom fjärrvärme kan det automatiskt upptäcka fel och avvikande mönster i ett fjärrvärmenät genom att jämföra värmebehov mellan olika kundgrupper, säger Ece Calikus.

När fel och avvikelser upptäcks i tid kan energibolagen använda den informationen för vidare utredning, för att reparera fel och optimera verksamheten.

– Framtida energisystem står inför stora utmaningar, exempelvis den stadiga ökningen av energibehov, uttömning av energiresurser och ökade utsläpp av koldioxid och andra växthusgaser. Fjärrvärme kan spela en viktig roll i framtidens hållbara energisystem och minska våra koldioxidutsläpp. Men dagens fjärrvärmeteknik har problem som hindrar dem från att fungera optimalt. Jag hoppas att min forskning kan leda till effektivare fjärrvärme och därmed bidra till en mer hållbar energiförsörjning, säger Ece Calikus.

Hennes metod tar minuter – i stället för år

Ett mål med Ece Calikus forskning har varit att automatisera en mycket tidskrävande manuell metod för att analysera mönster i värmebelastning i syftet att identifiera avvikande byggnader i ett fjärrvärmenät.

– Den manuella analysen begränsades till 140 byggnader och tog flera år för en grupp forskare att genomföra. Mitt mål var att automatisera deras manuella arbete med en datadriven metod som kan användas på tusentals byggnader på mindre än tio minuter, säger Ece Calikus.

Ece Calikus förväntade sig att upptäcka samma mönster som de andra forskarna gjorde, men automatiskt och mycket snabbare. Ece Calikus och hennes kollegers metod fångade dock inte bara samma värmebelastningsmönster utan fann också nya och avvikande mönster som inte hade upptäckts tidigare.

– Det var förvånande och väldigt spännande att se hur våra resultat gav helt ny kunskap till fjärrvärmeområdet. Dessutom avslöjade mitt arbete begränsningar i de kunskaper som hittills fanns inom området och hur viktiga intelligenta system är för ökad energieffektivitet, säger Ece Calikus.