Cómo Hafslund Kraft mejoró la previsión de caudales con una plataforma de machine learning en Azure

Hafslund Kraft, una de las principales empresas energéticas de Noruega, opera centrales hidroeléctricas en cuencas hidrográficas que cubren aproximadamente el 16% del territorio noruego. En los últimos 30 años, Hafslund Kraft ha observado una tendencia más húmeda y templada en estas cuencas en comparación con los 30 años anteriores, con un marcado aumento en los últimos 10 años.

Desde la década de 1970 se han utilizado modelos basados en principios físicos para predecir el caudal de agua en las instalaciones hidroeléctricas de Noruega. Hafslund Kraft había desarrollado previamente, junto con otra empresa de software, un modelo que integra el machine learning con modelos físicos, creando así un modelo híbrido entre ambos enfoques. La gran cantidad de datos que posee Hafslund, junto con el aumento de la capacidad de procesamiento, llevó a la empresa a querer probar algoritmos de machine learning en su sistema de previsión de caudales. En un primer momento, solo se implementó un modelo híbrido para una cuenca específica en un sistema heredado. A través de la experimentación y la comparación de resultados, Hafslund Kraft descubrió que este modelo híbrido ofrecía mejores predicciones de caudales que el modelo físico por sí solo.

Para escalar sus esfuerzos, Hafslund Kraft contactó con Crayon y formó un equipo sólido con recursos internos y consultores de Crayon. La misión del equipo era construir una plataforma en Azure que pudiera soportar modelos de machine learning en producción para varias cuencas. El equipo creó una plataforma en la que los hidrólogos podían ajustar fácilmente estos modelos, reentrenarlos automáticamente y supervisar los resultados, mejorando la precisión de las previsiones y, por tanto, la planificación de la producción de las plantas hidroeléctricas.

Facilitaron la creación de la plataforma las científicas de datos de Crayon, Natalie Caruana y Vala Maria Valsdottir, mientras que Hafslund Kraft desempeñó un papel crucial en el proceso de preparación de datos y aportó conocimientos clave y experiencia en el sector a través de la directora del proyecto Anne Gunn Kraabøl y el experto en la materia Martin Heltberg, entre otros participantes de Hafslund Kraft.

Una plataforma robusta de machine learning para la previsión de caudales

Hafslund Kraft reconoció la necesidad de construir una plataforma que permitiera llevar sus modelos híbridos de previsión de caudales a producción. Estos modelos fueron desarrollados para reflejar con mayor precisión la tendencia climática más templada y húmeda que Hafslund Kraft ha experimentado en sus cursos de agua. Por ejemplo, el aumento de las precipitaciones en verano incrementó la presión sobre las instalaciones hidroeléctricas de la empresa.

“Los modelos basados en principios físicos que se utilizan fueron desarrollados en los años 70, y han pasado por varias iteraciones hasta convertirse en el estándar del sector que son hoy en día. Estos modelos físicos están calibrados con todos los datos históricos que tiene Hafslund Kraft, que se remontan a los años 80. Debido al clima más cálido y húmedo, el tiempo ya no representa tan bien lo que experimentamos sobre el terreno, así que necesitábamos mejorar este modelo. Ahí es donde el machine learning tenía un papel que jugar y donde se recurrió a la experiencia de Crayon para construir una plataforma robusta de aprendizaje automático para la previsión de caudales”, Martin Heltberg, hidrólogo de Hafslund Kraft.

Un proceso de aprendizaje

Hafslund Kraft se asoció con Crayon para desarrollar una plataforma en Azure que facilitara el despliegue de modelos híbridos, compuestos por modelos físicos y de aprendizaje automático, para predecir el caudal de agua en diversas instalaciones hidroeléctricas. El despliegue inicial se dirigió a tres instalaciones hidroeléctricas, con la posibilidad de ampliar la solución a toda la red de 80 instalaciones de Hafslund Kraft.

Para Hafslund Kraft, el proyecto supuso una valiosa oportunidad para profundizar en su comprensión de la previsión y del potencial del aprendizaje automático para mejorar las predicciones. Desde la perspectiva de Crayon, el enfoque centrado en las personas y en los procesos fue igualmente crítico. La metodología de Crayon enfatiza que las personas y los procesos son clave para implementar con éxito la IA y obtener grandes resultados con esta tecnología. Ante un entorno complejo y cambiante como la previsión de caudales, aprender sobre la marcha es esencial.

Implementación práctica

Hafslund Kraft tiene actualmente doce modelos de aprendizaje automático en producción, cada uno correspondiente a una cuenca hidrográfica donde se acumulan el deshielo y las precipitaciones. Los sensores en la cuenca recopilan gran cantidad de datos, desde temperatura y precipitación hasta caudal no regulado y nieve. Estos sensores se conectan a la base de datos central de Hafslund Kraft, donde se utilizan en las predicciones de caudal. Esta información es un insumo esencial para los algoritmos de aprendizaje automático.

“Con ayuda de Crayon, construimos una plataforma de machine learning en Azure, que se integra con nuestros otros sistemas. La alimentamos continuamente con nuevos datos, y esta nos devuelve nuevas predicciones, que vuelven a nuestra base de datos. Todo esto alimenta el modelo que utilizamos para optimizar la planificación de producción”, Martin Heltberg, hidrólogo de Hafslund Kraft.

Mayor fiabilidad en las predicciones de caudal

Una vez que Hafslund Kraft implementó la nueva plataforma, los resultados justificaron rápidamente la inversión. “Fuimos cautelosos al principio, no sabíamos si la ampliación de los modelos de aprendizaje automático proporcionaría buenas predicciones para las nuevas cuencas. Además, depende de la calidad de nuestros datos existentes, como el caudal, la temperatura y las precipitaciones. Fue muy gratificante ver cómo la tecnología podía utilizarse con nuestros extensos datos históricos para mejorar la previsión de caudales”, Anne Gunn Kraabøl, directora del proyecto en Hafslund Kraft.

Para Hafslund Kraft, este proyecto supuso un paso adelante a nivel hidrológico. La empresa logró combinar su abundante información científica y experiencia sectorial con la aportación de Crayon: la infraestructura técnica y arquitectura en Azure, junto con la experiencia en programación para crear flujos de aprendizaje automático, permitiendo así mejorar su planificación de caudales. La solución proporcionó a Hafslund Kraft una mayor capacidad para determinar el momento adecuado para ajustar la producción hidroeléctrica. Además, ha aumentado la fiabilidad de las predicciones de caudal, algo especialmente crítico en situaciones de inundaciones, sobre todo cuando se anticipan fuertes lluvias en los meses de verano.

Próximos pasos

La forma escalable en la que Crayon diseñó la plataforma en Azure hace que sea fácilmente replicable en otros campos, por ejemplo, en la planificación de producción eólica. Esto resulta atractivo para Hafslund Kraft como empresa con operaciones diversificadas en múltiples áreas.

“Trabajamos muy bien junto con Crayon, la forma en que hemos desarrollado esta plataforma hace que sea fácil escalarla y adoptar nuevas técnicas de aprendizaje automático o utilizarla con otros conjuntos de datos”, Anne Gunn Kraabøl, directora del proyecto en Hafslund Kraft.