Hiilidioksidipäästöjen ennustemalli Suomen sähköenergiajärjestelmälle

Kirjoittaja: Ville Kivelä, Opiskelija, ympäristötekniikan maisteriohjelma, kestävät energiajärjestelmät. Oulun yliopisto.

---

Sähköenergiajärjestelmät niin maailmalla kuin Suomessakin muuttuvat nyt nopeasti. Uusiutuvan energian, kuten tuuli- ja aurinkovoiman, osuus sähköntuotannosta kasvaa kiihtyvällä vauhdilla. Päästöttömien sähköntuotantomenetelmien lisääntyvä osuus on tietysti hyvä uutinen hiilidioksidipäästöjen vähentämisen ja ilmastonmuutoksen torjunnan kannalta, mutta sen mukana tulee uusia haasteita: miten varmistamme, että sähköä on saatavilla oikea määrä, oikeaan aikaan, kun tuulta ei ole tarpeeksi tai aurinko ei paista?

Uusiutuvaa energiaa ja uusia haasteita

Sähköä täytyy tuottaa joka hetki yhtä paljon kuin sitä kulutetaan. Kun sähköntuotanto nojaa entistä enemmän säätilan mukaan vaihtelevaan tuuli- ja aurinkovoimaan, on sähköverkon vakauden ylläpito muuttunut yhä haastavammaksi. Yksi tapa vastata tähän haasteeseen on kulutusjousto, eli tilanne jossa sähkön kuluttajat – niin kotitaloudet kuin teollisuuskin – pyrkivät ajoittamaan ja siirtämään sähkönkäyttönsä ajankohtiin, jolloin sähköä on runsaasti tarjolla joko suuresta tuotannosta tai matalasta kulutuksesta johtuen. Kulutusjousto voi tarkoittaa myös sähkö käytön vähentämistä tilanteissa joissa sen tuotanto on rajoittunutta. Kulutusjouston tyypillisiä toteutustapoja hetkittäiseen kysynnän tasoittamiseen ja siirtämiseen on kuvattu alla olevassa kuvassa 1 [1].

Sähköverkon hiilidioksidipäästöjen ennustemalli saattaisi olla yksi tapa kannustaa sähkön loppukäyttäjiä kulutusjoustoihin. Sen avulla voisi olla mahdollista viestiä, milloin sähköntuotanto aiheuttaa eniten päästöjä ja milloin vähiten, jolloin kuluttajat ja teollisuus voisivat ajoittaa sähkönkäyttönsä vähäpäästöisempiin ajankohtiin. Euroopan ympäristöviraston arvioiden mukaan esimerkiksi Euroopan sähköjärjestelmän joustokapasiteetin pitää vähintään kaksinkertaistua jo vuoteen 2030 mennessä [2].

Joustoista syntyvät päästövähennykset eivät ole pelkästään ympäristökysymys, vaan niillä on myös taloudellinen puoli. Korkeapäästöisiä hetkiä väistämällä erityisesti teollisuudessa voidaan säästää rahaa, koska päästökaupan piiriin kuuluvien teollisuuslaitoksien on ostettava päästöoikeuksia EU:n päästökaupasta. Päästöennustemalli voisi siis toimia taloudellisena optimointiparametrina varsinkin niissä tilanteissa missä päästöt ovat korkeat, mutta sähkön hinta on maltillinen.

Tutkimusten mukaan Eurooppalaiset kotitaloudet arvottavat kulutusjouston mahdolliset taloudelliset säästöt pääasiallisena syynä järjestelmän käyttöönottoon, kasvihuonekaasutpäästöjen ja ympäristövaikutusten vähentämisen ollessa arvojärjestyksessä seuraavana. Suurimpina haasteina mainitaan tarvittavien laitteiden, palvelujen ja ylläpidon hinta. [3]

Koneoppiminen ennustamisen tukena

Koneoppiminen on yksi uusista työkaluista, jota voi käyttää ennustemallien rakentamiseen tai paranteluun. Yksinkertaisuudessaan koneoppiminen tarkoittaa sitä, että tietokoneohjelma oppii datan avulla parantamaan suorituskykyään löytämällä siitä yhteyksiä ja säännönmukaisuuksia ilman erillistä ohjausta. Ennustemallien tapauksessa se tarkoittaa sitä, että malli oppii aikaisemman energiantuotannon, ja mahdollisesti muiden siihen liittyvien muuttujien, vaikutukset päästöihin ja osaa mallin koulutuksen jälkeen näiden tietojen pohjalta ennustaa tulevia arvoja kuvan 2 esimerkin tapaan. [4][5]

Kaksi erittäin suosittua ja laajasti käytettyä aikasarjaennustemallia ovat Facebookin Prophet ja siitä Standfordin yliopistossa jatkokehitetty NeuralProphet. Prophet on tilastollinen malli, joka ennustaa tunnistamalla trendejä ja kausivaihteluita datasta. NeuralProphet lisää ennustemalliin neuroverkkopohjaisia komponentteja, jotka parantavat mallin kykyä tehdä varsinkin tarkempia lyhyen aikavälin ennusteita. [6][7]

Ennustemallin kehityksessä käytettiin avoimesti saatavilla olevaa dataa, joka haettiin pääasiassa Suomen kantaverkko-operaattorin, Fingridin, avoimen datan palvelusta ja Euroopan kantaverkkoyhtiöiden yhteistyöjärjestö ENTSO-E:n vastaavasta dataportaalista. Nämä datalähteet tarjoavat tietoa muun muassa sähkön kysynnästä, tuotannosta, säätiloista, sekä sähköntuotannon päästöistä. Riittävä, monipuolinen ja laadukas data on keskeisessä roolissa kyvykkäiden ennustemallien kehityksessä. [8][9]

Päästöennustemallin kehityksen nykytila

Tällä hetkellä aikasarjaennustamisen huipputason mallit (SOTA, state-of-the-art), yhdistävät tilastollisia metoja ja koneoppimista tai syväoppimista [11][12]. Hybridimallit, kuten NeuralProphet, käyttävät molempia lähestymistapoja ja ne pystyvät lisäksi sovittamaan tilastollisten mallien ja neuroverkkojen parametrit yhtäaikaisesti tyypillisesti jotain gradienttimenetelmää käyttäen. Hybridimallien etu on, että ne tunnistavat niin suuret trendit ja jaksollisuudet kuin nopeat muutokset ja epälineaariset riippuvuussuhteet, mikä tekee niistä erityisen hyödyllisiä vaihtelevan sähköntuotannon päästöjen ennustamisessa. [13]

Toistaiseksi Flaire -projektissa kesällä 2024 kehitetyt parhaimmat NeuralProphet-ennustemallit ovat kyenneet tarkkoihin 24 tunnin päästöennusteisiin maltillisten päästövaihtelujen päivinä, jolloin suurin tuntikohtainen ennustevirhe on jäänyt noin 10%:n. Haastavampina päivinä malli kykenee tällä hetkellä ennustamaan päästöjen pääpiirteittäisen profiilin kuten kuvasta 3 voidaan nähdä.

Absoluuttisia päästölaskelmia ennusteiden perusteella ei kannata vielä tehdä sillä päästökertoimen tuntikohtainen virhe verrattuna tiedettyyn arvoon voi olla jopa yli 20%. Selkeä rajoite edellä mainitun mallin kehitykselle oli mm. se, että päästöihin liittyviä muita datasarjoja ja korkean tason (hyper) parametrien optimointia pystyttiin käyttämään hyvin rajoitetusti laskentatehon puutteista johtuen.

Ennustemallin kehityssuunnat

Nykyisten ennustemallien kyvykkyyttä seuraavan 24 tunnin hiilidioksidipäästökertoimen arvioimiseen voidaan parantaa monin tavoin, kuten syöttämällä niille koulutusdataa pidemmältä ajalta, lisäämällä eri tuotantoteknologioille omat oletuksensa tai ennusteensa ja hyödyntämällä todellisia sääennusteita paremmalla maantieteellisellä kattavuudella. Päästöjen kanssa korreloivien ominaisuuksien lisääminen koulutusdataan sekä pidempien datasarjojen käyttö saattaisivat myös merkittävästi parantaa mallien suorituskykyä. Datan lisääminen ja mallien kompleksisuuden kasvattaminen tulevat vaatimaan lisää laskentatehoa ja kehityspanostuksia.

Ristiinvalidointi ja historiallisten ennusteiden testaus voisivat auttavat lisäämään mallien luotettavuutta ja yleistettävyyttä. Muita tyypillisiä menetelmiä ovat laajempi hyperparametrien optimointi ja mallien keskiarvoistus, pinoaminen tai perättäistäminen. Myös uusia tunnetusti aikasarjaennustamisessa kyvykkäitä, esimerkiksi hybridi- ja yhdistelmämalleja, voitaisiin kokeilla tai kehittää. Yksi tehokkaimmista keinoista mallien tarkkuuden parantamiseen on ennustehorisontin lyhentäminen alle 24 tunnin, mutta se mahdollisesti heikentäisi ennusteen hyödyllisyyttä sähkönkäytön suunnittelussa.

Lopuksi

Tulevaisuuden joustava energiajärjestelmä ei ole pelkästään teknologinen haaste vaan se on tärkeä osa ilmastonmuutoksen torjuntaa ja yhteiskuntamme kestävyyden ja oikeudenmukaisuuden turvaamista. Tarpeeksi luotettava sähköenergianjärjestelmän hiilidioksidipäästöjen ennustemalli antaisi meille yhden lisämahdollisuuden suunnitella sähkön käyttöä ja siten vähentää päästöjä sekä tukea sähköverkon vakautta. Ennustemallin avulla sähkön kulutuksesta voisi tulla paitsi ympäristöystävällisempää, myös taloudellisesti järkevämpää ja mallin ennusteiden ollessa avoimesti saatavilla jokainen voisi hyötyä sen käytöstä pienin kustannuksin.

Lähteet:

1. H. Johra, A. Marszal-Pomianowska, J. R. Ellingsgaard, and M. Liu, “Building energy flexibility: a sensitivity analysis and key performance indicator comparison”, Journal of Physics: Conference Series, vol. 1343, p. 012064, Nov. 2019.
2. European Environment Agency, “Flexibility solutions to support a decarbonized and secure EU electricity system”, Oct. 20, 2023. (accessed Oct. 07, 2024).
3. F. D’Ettorre et al., “Exploiting demand-side flexibility: State-of-the-art, open issues and social perspective”, Renewable and Sustainable Energy Reviews, vol. 165, p. 112605, Sep. 2022.
4. Hyndman, R.J., & Athanasopoulos, G. (2021), Forecasting: principles and practice, Chap. 1.4, 3rd edition, OTexts: Melbourne, Australia. (Accessed on 7.10.2024)
5. R. P. Masini, M. C. Medeiros, and E. F. Mendes, “Machine learning advances for time series forecasting”, Journal of Economic Surveys, vol. 37, no. 1, Jul. 2021.
6. Taylor SJ, Letham B. 2017. Forecasting at scale. PeerJ Preprints 5:e3190v2.
7. Oskar Triebe, Hansika Hewamalage, Polina Pilyugina, Nikolay Laptev, Christoph Bergmeir, and R. Rajagopal, “NeuralProphet: Explainable Forecasting at Scale”, arXiv (Cornell University), Nov. 2021.
8. Fingrid, “Open Data”, 2024.
9. ENTSO-E, “Transparency Platform”, 2024.
10. B. Obeidat, B. Smith, and B. Heintz, “Time Series Forecasting with Prophet & Spark,” Databricks, Jan. 27, 2020. (accessed Oct. 07, 2024).
11. S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “The M4 Competition: 100,000 time series and 61 forecasting methods,” International Journal of Forecasting, vol. 36, no. 1, pp. 54–74, Jan. 2020.
12. S. Smyl, “A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting,” International Journal of Forecasting, vol. 36, no. 1, Jul. 2019.
13. K. Leerbeck et al., “Short-term forecasting of CO2 emission intensity in power grids by machine learning,” Applied Energy, vol. 277, p. 115527, Nov. 2020.