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！