Hydrologisk modellering ved bruk av maskinlæring (HydML)

Maskinlæring (ML) har vist seg å være svært nyttig i hydrologisk modellering, spesielt i forbedring av tilsigsprognoser for kraftmagasiner.

Tradisjonelle hydrologiske modeller, som den velkjente HBV-modellen, benytter matematiske metoder for å simulere naturlige prosesser som snøsmelting og avrenning.

Disse modellene har vært sentrale for å forutsi vannmengden i vassdrag og dermed hjelpe kraftprodusenter med å planlegge produksjon.

Maskinlæring overgår tradisjonelle hydrologiske modeller

Gjennom det interne forskningsprosjektet HydML har man imidlertid tatt et stort skritt fremover ved å bruke ML-algoritmer, spesielt Long Short-Term Memory (LSTM)-nevrale nettverk, for å forbedre nøyaktigheten til disse prognosene.

Ved å trene modellene på store mengder historiske data, som nedbør og lufttemperatur fra de siste 30 årene, kan maskinlæringsmodellene forutsi hvor mye vann som vil renne inn i magasinene.

Når disse modellene kombineres med værvarseldata, oppnår de prognoser som er mer nøyaktige enn de tradisjonelle metodene.

- Denne forbedrede nøyaktigheten er viktig fordi den gir oss bedre innsikt i hvordan vi kan optimalisere produksjonen i fremtiden, forklarer Bernt Viggo Matheussen, fagansvarlig for Forecasting & Optimization i Å Energi, som har ledet prosjektet.

- Ved å vite hvor mye vann som vil være tilgjengelig i neste uke eller måned, kan vi bedre planlegge når vi skal produsere kraft, og når vi skal spare vann i magasinene for fremtidig produksjon, sier han.

Potensial for forbedret flomprognosering og ressursforvaltning

En utfordring med ML-modellene er imidlertid at de ofte fungerer som en "svart boks", der det er vanskelig å forklare hvordan de kommer frem til resultatene. I den videre utviklingen av prosjektet vil det derfor være fokus på å gjøre modellene mer forståelige uten å redusere presisjonen.

- Hydrologisk modellering basert på maskinlæring har også stort potensial til å forbedre flomprognoser og styrke naturressursforvaltning. Dette kan bidra til både bedreberedskap i ekstreme værsituasjoner og en mer bærekraftig håndtering av naturens ressurser, avslutter Matheussen.

Andre medvirkende i prosjektet har vært:

Bjarte Beil-Myhre, Data Scientist
Rajeev Shrestha, Data Scientist
Anders Høytorp, Trainee
Ane Andersen, sommerstudent
Jonatan Hindersland, sommerstudent