• 資料科學協會
2024 領航計畫已開放報名,請點擊後查看報名資訊
前往 Medium 閱讀好讀版

機器學習在電力能源相關產品服務中的應用

講者簡介

📍 高于勝 (Sam),東京大學工學博士候選人,國立臺灣師範大學兼任講師。目前在台灣 NextDrive 擔任 Senior Data Scientist。過去曾在專注於 AI 解決方案的新創公司擔任 Data Scientist / Lead,負責 ML / DL 相關產品和專案的實驗設計和模組開發。目前在 NextDrive 主要工作為開發能源相關應用的功能模組,期望以大數據為基底,透過統計和機器學習技術開發可被持續使用的 AI 產品服務,滿足使用者的潛在需求。

摘要

📍 「電力」是人們每天不可或缺的東西,如果沒有電力供應,許多工具與產品將無法運行。過往我們對於電力能源的使用狀況並不清楚,包括家電裝置的使用狀況、智能家電控制和節能。拜於物聯網的逐漸普及,給予了能源使用分析與各種服務應用新的生命,每個使用者都將能清楚地掌握家用能源狀況,朝向善用每一度電的目標邁進。NextDrive 也在物聯網快速推進的洪流中,打造了一個匯流各種能源的數據平台,串起居家用電,透過電力可視化、電力相關應用分析、智能家電控制,實現更有效率、節能的生活型態。在能源分析上,電力能源一直佔有舉足輕重的地位。NextDrive 在電力應用分析上,努力地挖掘出各式各樣的應用服務。在這次的 meetup 中,Sam 將和大家聊聊「機器學習在電力能源相關產品服務中的應用」,分享 NextDrive 如何使用機器學習等技術打造電力相關的應用功能。

[2020/10/31] Meetup 回顧

 ** _目錄:_** 一、淺談未來電力發展  
二、如何開發一個機器學習應用服務?  
三、電力產品服務開發案例  
四、開發注意事項  
五、Q&A

一、淺談未來電力發展

a. 什麽是物聯網?

  • 物聯網是物體透過網路的串聯,可以互相溝通、傳輸資料和控制。

b. 未來物聯網應用 / AI 應用的世界樣貌

  • 情境舉例:早上起床會有一個虛擬的螢幕投影告知今天的狀況,可以透過聲音或其他指揮遙控家裡的電器,舉例咖啡機自動煮好咖啡、叫醒小孩、遠端遙控家電操作等。
  • 物聯網除了靠網路維繫,電力也是不可或缺的元素。這裡指的電力不單只是核能發電,任何能被能源轉化的電力都可應用。

c. 電力很重要,但現階段它是否有被善用?

  • 相較台灣,日本因有多家電力公司互相競爭,會根據每戶用電量不同,而有不同的計價方式,因此日本用戶會對電的用量很在乎。
  • 全世界都在倡導不該漫無目的使用電力,因為現在大部分仍依賴核能發電,而在一些事件,如歐洲車諾比和日本福島核災發生後,人們意識到核能的危險。因此,人們會通過不同的資源去發電,如火力發電等,但這些電力畢竟有限,我們要如何有效的應用,以便在不危害地球的情況下,企業能持續競爭,人民也有電可用。
  • 未來台灣也會朝電力自有化發展,電力可能可以放到市場上交易,或開放更多非電力公司的業者,以仲介角色進入電力能源產業。

d. 人們想要的是什麽?

  • 其實是物聯網產品或電力能提供的「服務」,以便可以提升生活上的效率和便利性。

e. 電力應用的服務有哪些?

  • 觀察與分析用電行為
  • 當嚴重災害發生時,可以透過電力的資訊知道哪邊還有民眾在等待救援。
  • 結合智慧物流服務,了解潛在配送用戶。
  • 老人照護議題
  • 異常用電、電力竊取議題
  • 第三方數據結合,擴大分析範圍,如商圈分析

二、如何開發一個機器學習應用服務?

a. NextDrive 的團隊運作模式

  • 與 DS 較直接相關的部門,包含 PM / PD、BD、Web、Infra、SRE、QA,因為機器學習模型未來可能會被開發成 Web / APP 的應用,持續的被測試、部署、改善和監控。

b. PM 和 DS 的合作方式

PD / PM

  • 觀察市場的趨勢和脈絡,根據目前狀況擬定潛在議題,議題核心會扣回公司的 Vision / Mission,舉例使命是要做能源服務,因此所有的產品會圍繞著使命進行。
  • 評估資料是否能夠取得,一定要有資料基礎才能進行下一步。以 NextDrive 為例,公司通過硬體裝置收集電力、水、煤等資料,從中挖掘出資訊,產生有價值的 insight 和服務,再透過和 Web / APP 呈現給使用者使用。未來,這些服務會以訂閲制的方式推廣,功能多為預測、監控性質的分析,且和機器學習服務綁定。
  • 和 DS 一起討論評估效果的手法,評估方式不一定僅限於機器學習的方式,如精確度、precision、f1等,還有其他需要假設和定義的評估方式。評估方式需要討論,而 DS 的經驗很關鍵,會影響設定 metrics 的方式。

DS

  • 設計算法、規劃算法的執行流程,並擬定好初稿,讓團隊有個概念。
  • 建構一個實驗環境,在環境中模擬進行 1 個月或 1 年的實驗,預測使用者的行為環境變化,測試算法。若結果不如 PM / PD 預期,可能會再做需求調整。( 講者 Tips:PM 的想法和創意不應該被制約,如果 DS 常回應需求無法達成,將侷限 PM / PD 的想法。Sam 提到他很喜歡有源源不絕 idea 的 PM / PD,建議 PM 可以廣泛的思考各種可能性,提出好的提案,而如何實現是工程師該煩惱的事。)
  • 實驗結束後會再做後續的打包盒測試,並和相關團隊討論上線的流程。

c. DS 開發流程和檢核

  • DS 會提供一個檢核表,表上會列出開發流程的時程、交付内容、交付日期,供 PM /主管掌握開發進度。隨檢核表也會附上其他文件和報告以利後續 KPI 評核參考。
  • 開發流程的時長會依據模型 / 服務的難度變動,一般來說 3 個月内即可完成。
  • 開發流程結束後會製作技術和分析文件,方便其他單位同仁測試時了解 DS 設計的 data schema 和參數等。

三、電力產品服務開發案例

a. 蓄電池排程最佳化

  • 使用者訴求:透過安裝太陽能板和蓄電池,降低電費。
  • 流程:從家裡安裝的硬體設備取得資料,經過資料清洗和可視化後集中到雲端,供後續建模預測、測試、評估使用。
  • 以有安裝太陽能板、蓄電池、智慧電表設備的家庭為例,設備會通過傳輸的協定,如 ECHONET Lite、WI-SUN 等將資料傳輸到 NextDrive 開發的 Gateway Cube。接著,透過網路再將資料傳到雲端,進行各式的分析
  • 在日本,根據不同時期,電費的計價不同。因此使用者在離峰時期,除了可以利用太陽能自供自用外,也可以將多餘的電力儲存在蓄電池,以便高峰時期將電力放出使用,避開支付高價的電費。
  • 什麽時候該放電、存電、待機等決策會依照演算法的設計做反應。
  • 蓄電池排程要達到最佳化還需要一些潛在的服務,包含太陽能預測、用電預測、電池過去排程的記錄,因為在做排程的過程中,需要考慮到未來的各種狀況,來決定下一步最好的策略。
  • 接著會將太陽能預測和用電預測與事先寫好的演算法結合,進行測試和評估。假設測試環境時長為 180 天,這期間會收集虛擬人物每日的用電狀況,同時會和其他競品廠商製作的蓄電池排程做比較,觀察電費帳單差異。
  • 測試結果發現,使用 NextDrive 蓄電池排程演算法的電費較一般蓄電池内建排程的演算法,降低了 23%。

b. 居家用電監測 (NILM)

  • 功能 1:根據用電習慣判斷生活情形。建議給老人 / 長輩使用,因為生活作息和用電習慣較規律。依據每日用電習慣進行建模監測,一旦發現用電異常,會馬上發關心簡訊給家人。
  • 功能 2:偵測家裡電器是否被濫用 / 電力是否被竊取。
  • 收集到的資料沒有 label 的情況下,要怎麽判斷用電是否異常?通過過去所學的統計觀念,結合新技術的觀念去設計流程和評估。

c. 用戶在不在宅服務

  • 痛點:宅配送貨時間,主人剛好不在家,沒有管理員可以代收,需要再改約時間重新配送。
  • 發想:若能透過用電預估主人是否在家,以及預估最可能在家的時段,可以優化配送路線,提升送貨效率,降低再配送率。
  • 成果:成功將再配送率從 20% 降至 2%。

d. 需量反應 (DR) 相關議題 (進行中)

  • 需量反應情境舉例:由於電力是有限的,因此前幾年會遇到停電狀況,因為可能台電預估未來用電負載量過大,需要强行斷電,讓用電量恢復穩定。
  • 當預估未來用電量過大,電力公司可以通知特定用戶參與降低用電政策,並獎勵配合用戶,以避免超過電力的負載量。
  • 決策性問題:需要多少人參與降電政策?如何選擇適合的參與對象?用電量要降低多少才足夠?要如何設計獎勵機制來吸引更多參與者?若配合 DR 政策,家裡的蓄電池排程該如何執行?

e. 第三方服務整合

  • 透過能源物聯網平台,可以進行各式的第三方服務整合,如商圈分析可以將所有社區用戶用電習慣加以分析,來進行促銷。又或者將各種能源和物聯網設備的資料結合,提供給能源公司,創造新的價值。

四、開發注意事項

  • 預留彈性空間,以因應未來系統或資料庫改版、擴展區域版圖的可能。
  • 留意小細節,如很酷炫的演算法是否能被應用在手上的產品。
  • 可以簡單解決的事情,就不要複雜化它。能以簡單的方式解決,就不要用複雜的演算法來完成。
  • 如何在效率和精確度之間做妥協。

五、Q&A

Q :對於想進入能源產業的朋友,有哪些建議的 DS 技能?

A:能源產業很廣,要先確認自己想進入的領域。以 NextDrive 為例,會希望具備作業研究、機器學習、統計知識,因為會大量採用時間序列分析和最佳化問題。反觀,image 和 NLP 在 NextDrive 目前則無太多發揮舞台,可能未來服務擴大後有很大的機會往這方面深究。

Q :NextDrive 所建置的模型是只針對台灣市場嗎,還是全球市場都適用?與日本 DS 團隊如何合作?

A:NextDrive 大部分的產品是面向日本市場,但在開發時會預留彈性供不同地區使用上的調整。此外,目前也積極擴大澳洲事業。日本團隊多數在做業務開發,核心研發團隊主要是在台灣。對接的窗口 PM / PD 都精通中文和日語,在溝通上沒有語言障礙。

Q :NextDrive 的 DS 團隊使用的是哪些技術平台?

A:雲端服務使用 AWS,DS 用 Python,沒有用 Spark,也會考慮到效能妥協的問題。

Q :資料科學在電力產業的前景?目前遇到的瓶頸?

A:目前在台灣還沒看到除了台電以外,其他有在電力產業發展資料科學的公司,因為鮮少公司在做未來應該是一片藍海。台電正努力發展智慧電表,未來也將朝向將電力帶到交易市場。

NextDrive 現階段有在徵 SRE,DS 可能要到明年 (2021)。目前遇到的瓶頸是很多現在在做的東西,市面上找不到相似的產品,因此要自己想辦法解決,這很考驗 DS 的經驗和 domain know-how。

Q :想瞭解 Sam 在日商的工作經驗。

A:雖然是日商,但同事都是台灣人居多。依照過往在日本念書的經歷,日商普遍偏傳統保守和按照規章行事。

筆記:劉靖意(Lau Jing Yi)  
校稿:高于勝(Sam)、Tzu-Yi Yen、Ji-Ying Lu、Jason Wang  
👉 歡迎加入台灣資料科學社群,有豐富的新知分享以及最新活動資訊喔!  

社團法人
資料科學協會

立案證書字號

1090070264

Copyright 2020-2024 資料科學協會 All Rights Reserved.

本網站由 資料科學協會 維護