I klimatförändringarnas tidevarv måste energi användas effektivare, och samhället måste investera i nya, innovativa lösningar. Därför har E.ON utvecklat ectogrid™, en hållbar lösning för fjärrvärme och fjärrkyla. Och nu ökar vi utrullningsfarten för hållbara nät för fjärrvärme och fjärrkyla genom att samarbeta med Microsoft.

E.ON ectogrid™ maximerar återvinningen av energi inom samma system och minskar tillförandet av energi med upp till 75 procent. Den smarta styrningen med E.ON ectocloud™, den digitala plattform som hanterar och kontrollerar energisystemet i byggnader och anläggningar, är baserad på maskininlärning och sakernas internet (Internet of Things, IoT). E.ON förlitar sig till Azure Machine Learning, Azure Data Factory och Azure DevOps för att säkerställa att ML-modellerna (Machine Learning) kan förberedas för global utrullning så snabbt som möjligt och att de kan utvecklas och förädlas vid behov.

Utmaningen: Skalbar och smart styrning av nät – globalt 

Idag är det viktigt att överskottsvärme kommer till användning. Därför handlar energitillförsel alltmer om värmepumpar och kylaggregat, vilka kan utnyttja överskottsenergin i låga temperaturer för att generera värme eller kyla till byggnader. E.ON tar detta ett steg längre i ett pilotprojekt i Lund, Sverige. I ett lågtemperaturs- E.ON ectogrid™ producerar ett nätverk av värmepumpar och kylaggregat all värme och kyla för byggnaderna. Varje byggnad skickar sin överskottsvärme eller -kyla till nätet och balanseringsenheten så att de andra byggnaderna kan utnyttja överskottet vid behov. E.ON ectogrid™ hanterar delningen, lagringen och den dynamiska balanseringen av energi med hjälp av den intelligenta styrningen i E.ON ectocloud™. Energileveransen optimeras, och både driftskostnaderna och miljöavtrycket minimeras.

Konceptet ställer höga krav på IT: omkring 10,000 sensorer kontrollerar byggnaderna och genererar ungefär 2.5 miljoner avläsningar per dag. Väderprognoser och energimarknadsdata är också integrerade i systemet. Att kontinuerligt anpassa värmeanvändningen kräver sofistikerade algoritmer för detektering, optimering och prognostisering: ”Vi samlar data i nära realtid och skapar uppdaterade prediktioner och beräkningar för alla anslutna byggnader varje halvtimme”, säger Mayur Sand, Digital Product & Transformation Manager och Team Lead ML på E.ON. ”Det är mycket viktigt att vi kan hantera alla de komplexa termodynamiska beräkningarna parallellt, eftersom det finns prognoser både för varje byggnad och på en övergripande nivå, och för att vädret hela tiden skiftar. För att kunna ge systemet korrekta parametrar betyder det att vi måste svara så snabbt det bara går.” För detta använder E.ON ectocloud™ en moln- och ML-baserad styrningsinfrastruktur som utvecklats specifikt för detta system.

År 2020 började E.ON marknadsföra det nu beprövade E.ON ectogrid™ globalt. ”Under de kommande fem åren kommer vi att få se E.ON ectogrid™ i ett antal regioner: i Milano, i Amsterdam, och i Polen, Frankrike och Tyskland”, säger Sand. Enligt Henrik Karström, Product Owner E.ON ectocloud™, kommer det bli en utmaning för bolaget att anpassa ML-modellerna till nya lokala förutsättningar: ”I Milano kan vi använda överskottsvärme från avloppssystemet”, säger han. ”I Polen finns en fabrik som är i drift under dagen. Under de timmarna har vi överskottsvärme – men det har vi inte på natten.” Här når processerna för att utveckla de nödvändiga och kustomiserade ML-modellerna sin gräns. Initialt tränade E.ONs data scientists ML-modellerna på lokala enheter. ”Vi såg ett stort glapp mellan de resultat våra data scientists fick och implementationen av resultaten i produktion”, säger Sam Julian, Head of Data Engineering & AI Solutions på E.ON. De kom till en insikt: ”Vi kan inte erbjuda en skalbar lösning i molnet med lokala metoder och tekniker”, säger Julian. ”För att kunna skala lösningen och samtidigt anpassa den till olika behov behövde vi ändra vårt tankesätt helt.”

Lösningen: End-to-end DevOps-processer med cloud-native Azure-tjänster 

Projektteamet beslutade sig för att byta ut ML DevOps-processerna mot en enhetlig cloud-native-bas. Deras data scientist-kollegor var inledningsvis inte alltför entusiastiska, då de föredrog att fortsätta att arbeta på det gamla välbekanta sättet. Då vände sig Sand till Microsoft: ”Vi genomförde ett Proof of Concept tillsammans med Microsoft och presenterade det för gruppen av data scientists och data engineers. Det var, trots allt, nödvändigt att få med alla på tåget. Det blev en väldigt intensiv diskussion.” Microsoft satte ihop ett tvärvetenskapligt team som inkluderade experter från Seattle, och som en del av sitt Accelerator-program förklarade man för E.ON-teamet hur de skulle kunna använda Microsoft-tjänster – Azure Machine Learning, Azure Data Factory och en rad andra – på ett så effektivt sätt som möjligt. Projektteamet använde Microsofts referensarkitektur, tillsammans med en lösningsaccelerator som utvecklades specifikt för ”många modeller”-scenariot, och anpassade den enligt E.ONs specifikationer. På så sätt lyckades man övertyga sina kollegor: ”Vi hade långa diskussioner, men nu är alla förespråkare för det här arbetssättet”, säger Sand.

Cloud-native-miljön erbjuder nämligen betydande fördelar: “Vad som är bra med Azure Machine Learning-stacken är att vi får en sammanhängande arbetsyta för såväl data scientists och data engineers som för DevOps-pipelines”, säger Julian. ”För ML-träningen använder vi det parallella upplägget och får resultat omedelbart, utan någon systemadministration alls. Med Azure ML kan data science-teamet helt och hållet fokusera på affärsnyttan.” 

Molninfrastrukturen visar sitt värde i den dagliga driften av den traditionella fjärrvärme som finns sedan länge: ”Med fjärrvärme blir miljöpåverkan och driftskostnaderna som allra högst när reserverna måste aktiveras”, förklarar Karström. ”Våra algoritmer låter oss justera byggnadernas temperatur med en grad i taget. IoT-lösningen i kombination med ML-algoritmerna möjliggör betydande besparingar här.” Och särskilt viktigt, som Karström poängterar, är: ”Vi har mycket bättre stabilitet nu. Det skulle vara omöjligt att optimera driften av ett sådant här nät utan en stabil ML-infrastruktur.”

Affärsnyttan: Betydligt snabbare processer

E.ON-teamets kärnverksamhet är att analysera siffror, så att Sand kan precisera besparingarna exakt kommer inte som någon överraskning: ”Azure Data Factory och Azure ML gjorde det möjligt att öka farten på dataflödet för de mer än 400 byggnaderna med ungefär 25 procent. Och nu när vi kan göra parallella beräkningar kan vi till och med träna våra modeller 50 procent snabbare. Vi är också 25 procent snabbare när det gäller att uppdatera prediktionerna och beräkningarna för byggnaderna – och vi har bara påbörjat den här resan. Jag tror vi kan spara mycket mer med ännu komplexare algoritmer och datamängder.” Projektteamet migrerar nu ytterligare algoritmer till Azure-infrastrukturen och utbildar data scientists. ”De är jätteglada över att ha ett verktyg som gör livet lättare för dem”, säger Sand. Och det gör det också lättare att rekrytera personal: “Eftersom allting numera finns i molnet är det lättare att få nya data science-experter ombord med hjälp av standardiserade verktyg”, säger Karström. En viktig poäng – för när det gäller data scientists är efterfrågan större än tillgången. 

Tack vare den multi-klient-kapabla molnmiljön finns det inte längre någonting som står i vägen för en snabb global utrullning, enligt Julian: ”Om vi vill lansera lösningen i Italien eller Polen kan vi kopiera den, göra mindre förändringar och rulla ut den på nolltid. Det tar bara ett par timmar att vara i drift på en ny plats.” I nästa steg har E.ON-teamet även konkreta planer för tekniska aspekter: ”Frekvensen i datainsamlingen och beräkningarna kommer att röra sig mot realtid”, säger Sand. E.ON kommer att integrera nya prognostiseringsmodeller, exempelvis för så kallad ”peak shaving” (utjämning av belastningstopparna). ”I idealfallet kan byggnaderna föruppvärmas innan en kallfront rullar in. Då behöver inte alla byggnader värme omedelbart.”

Den molnbaserade ML-infrastrukturen gör det möjligt för E.ON att använda allt mindre temperaturskillnader med allt kortare intervall för att optimera värmeförsörjningen på ett allt effektivare sätt. Därför är vägen till större hållbarhet ett smart nät av värmepumpar – och Azuremolnet, eftersom Azure ML ger en bra dataöversikt även i traditionella fjärrvärmenät.